Characterization of the retinoid orphan-related receptor-alpha coactivator binding interface: A structural basis for ligand-independent transcription

The retinoid orphan-related receptor-alpha (RORalpha) is a member of the ROR subfamily of orphan receptors and acts as a constitutive activator of transcription in the absence of exogenous ligands. To understand the basis of this activity, we constructed a homology model of Rill using the closely related TRbeta as a template. Molecular modeling suggested that bulky hydrophobic side chains occupy the RORa ligand cavity leaving a small but distinct cavity that may be involved in receptor stabilization. This model was subject to docking simulation with a receptor-interacting peptide from the steroid receptor coactivator, GR-interacting protein-1, which delineated a coactivator binding surface consisting of the signature motif spanning helices 3-5 and helix 12 [activation function 2 (AF2)]. Probing this surface with scanning alanine mutagenesis showed structural and functional equivalence between homologous residues of RORalpha and TRbeta. This was surprising (given that Rill is a ligand-independent activator, whereas TRbeta has an absolute requirement for ligand) and prompted us to use molecular modeling to identify differences between Rill and TRbeta in the way that the All helix interacts with the rest of the receptor. Modeling highlighted a nonconserved amino acid in helix 11 of RORa (Phe491) and a short-length of 3.10 helix at the N terminus of AF2 which we suggest i) ensures that AF2 is locked permanently in the holoconformation described for other liganded receptors and thus 2) enables ligand-independent recruitment of coactivators. Consistent with this, mutation of RORa Phe491 to either methionine or alanine (methionine is the homologous residue in TRbeta), reduced and ablated transcriptional activation and recruitment of coactivators, respectively. Furthermore, we were able to reconstitute transcriptional activity for both a deletion mutant of Ill lacking All and Phe491 Met, by overexpression of a GAL-AF2 fusion protein, demonstrating ligand-independent recruitment of AF2 and a role for Phe491 in recruiting AF2.

Active and passive behaviors of soft tissues: Pelvic floor muscles

: A new active-contraction visco-elastic numerical model of the pelvic floor (skeletal) muscle is presented. Our model includes all elements that represent the muscle constitutive behavior, contraction and relaxation. In contrast with the previous models, the activation function can be null. The complete equations are shown and exactly linearized. Small verification and validation tests are performed and the pelvis is modeled using the data from the intra-abdominal pressure tests

Symbolic Knowledge Extraction from Trained Neural Networks Governed by Lukasiewicz Logics

This work describes a methodology to extract symbolic rules from trained neural networks. In our approach, patterns on the network are codified using formulas on a Lukasiewicz logic. For this we take advantage of the fact that every connective in this multi-valued logic can be evaluated by a neuron in an artificial network having, by activation function the identity truncated to zero and one. This fact simplifies symbolic rule extraction and allows the easy injection of formulas into a network architecture. We trained this type of neural network using a back-propagation algorithm based on Levenderg-Marquardt algorithm, where in each learning iteration, we restricted the knowledge dissemination in the network structure. This makes the descriptive power of produced neural networks similar to the descriptive power of Lukasiewicz logic language, minimizing the information loss on the translation between connectionist and symbolic structures. To avoid redundance on the generated network, the method simplifies them in a pruning phase, using the "Optimal Brain Surgeon" algorithm. We tested this method on the task of finding the formula used on the generation of a given truth table. For real data tests, we selected the Mushrooms data set, available on the UCI Machine Learning Repository.

A growth hormone-releasing peptide that binds scavenger receptor CD36 and ghrelin receptor up-regulates sterol transporters and cholesterol efflux in macrophages through a peroxisome proliferator-activated receptor gamma-dependent pathway.

Macrophages play a central role in the pathogenesis of atherosclerosis by accumulating cholesterol through increased uptake of oxidized low-density lipoproteins by scavenger receptor CD36, leading to foam cell formation. Here we demonstrate the ability of hexarelin, a GH-releasing peptide, to enhance the expression of ATP-binding cassette A1 and G1 transporters and cholesterol efflux in macrophages. These effects were associated with a transcriptional activation of nuclear receptor peroxisome proliferator-activated receptor (PPAR)gamma in response to binding of hexarelin to CD36 and GH secretagogue-receptor 1a, the receptor for ghrelin. The hormone binding domain was not required to mediate PPARgamma activation by hexarelin, and phosphorylation of PPARgamma was increased in THP-1 macrophages treated with hexarelin, suggesting that the response to hexarelin may involve PPARgamma activation function-1 activity. However, the activation of PPARgamma by hexarelin did not lead to an increase in CD36 expression, as opposed to liver X receptor (LXR)alpha, suggesting a differential regulation of PPARgamma-targeted genes in response to hexarelin. Chromatin immunoprecipitation assays showed that, in contrast to a PPARgamma agonist, the occupancy of the CD36 promoter by PPARgamma was not increased in THP-1 macrophages treated with hexarelin, whereas the LXRalpha promoter was strongly occupied by PPARgamma in the same conditions. Treatment of apolipoprotein E-null mice maintained on a lipid-rich diet with hexarelin resulted in a significant reduction in atherosclerotic lesions, concomitant with an enhanced expression of PPARgamma and LXRalpha target genes in peritoneal macrophages. The response was strongly impaired in PPARgamma(+/-) macrophages, indicating that PPARgamma was required to mediate the effect of hexarelin. These findings provide a novel mechanism by which the beneficial regulation of PPARgamma and cholesterol metabolism in macrophages could be regulated by CD36 and ghrelin receptor downstream effects.

Biomedical nanoparticles modulate specific CD4(+) T cell stimulation by inhibition of antigen processing in dendritic cells

Understanding how nanoparticles may affect immune responses is an essential prerequisite to developing novel clinical applications. To investigate nanoparticle-dependent outcomes on immune responses, dendritic cells (DCs) were treated with model biomedical poly(vinylalcohol)-coated super-paramagnetic iron oxide nanoparticles (PVA-SPIONs). PVA-SPIONs uptake by human monocyte-derived DCs (MDDCs) was analyzed by flow cytometry (FACS) and advanced imaging techniques. Viability, activation, function, and stimulatory capacity of MDDCs were assessed by FACS and an in vitro CD4(+) T cell assay. PVA-SPION uptake was dose-dependent, decreased by lipopolysaccharide (LPS)-induced MDDC maturation at higher particle concentrations, and was inhibited by cytochalasin D pre-treatment. PVA-SPIONs did not alter surface marker expression (CD80, CD83, CD86, myeloid/plasmacytoid DC markers) or antigen-uptake, but decreased the capacity of MDDCs to process antigen, stimulate CD4(+) T cells, and induce cytokines. The decreased antigen processing and CD4(+) T cell stimulation capability of MDDCs following PVA-SPION treatment suggests that MDDCs may revert to a more functionally immature state following particle exposure.

Structural Insight into the Mode of Action of a Direct Inhibitor of Coregulator Binding to the Thyroid Hormone Receptor.

The development of nuclear hormone receptor antagonists that directly inhibit the association of the receptor with its essential coactivators would allow useful manipulation of nuclear hormone receptor signaling. We previously identified 3-(dibutylamino)-1-(4-hexylphenyl)-propan-1-one (DHPPA), an aromatic β-amino ketone that inhibits coactivator recruitment to thyroid hormone receptor β (TRβ), in a high-throughput screen. Initial evidence suggested that the aromatic β-enone 1-(4-hexylphenyl)-prop-2-en-1-one (HPPE), which alkylates a specific cysteine residue on the TRβ surface, is liberated from DHPPA. Nevertheless, aspects of the mechanism and specificity of action of DHPPA remained unclear. Here, we report an x-ray structure of TRβ with the inhibitor HPPE at 2.3-Å resolution. Unreacted HPPE is located at the interface that normally mediates binding between TRβ and its coactivator. Several lines of evidence, including experiments with TRβ mutants and mass spectroscopic analysis, showed that HPPE specifically alkylates cysteine residue 298 of TRβ, which is located near the activation function-2 pocket. We propose that this covalent adduct formation proceeds through a two-step mechanism: 1) β-elimination to form HPPE; and 2) a covalent bond slowly forms between HPPE and TRβ. DHPPA represents a novel class of potent TRβ antagonist, and its crystal structure suggests new ways to design antagonists that target the assembly of nuclear hormone receptor gene-regulatory complexes and block transcription.

Structural Insight into the Mode of Action of a Direct Inhibitor of Coregulator Binding to the Thyroid Hormone Receptor.

The development of nuclear hormone receptor antagonists that directly inhibit the association of the receptor with its essential coactivators would allow useful manipulation of nuclear hormone receptor signaling. We previously identified 3-(dibutylamino)-1-(4-hexylphenyl)-propan-1-one (DHPPA), an aromatic β-amino ketone that inhibits coactivator recruitment to thyroid hormone receptor β (TRβ), in a high-throughput screen. Initial evidence suggested that the aromatic β-enone 1-(4-hexylphenyl)-prop-2-en-1-one (HPPE), which alkylates a specific cysteine residue on the TRβ surface, is liberated from DHPPA. Nevertheless, aspects of the mechanism and specificity of action of DHPPA remained unclear. Here, we report an x-ray structure of TRβ with the inhibitor HPPE at 2.3-Å resolution. Unreacted HPPE is located at the interface that normally mediates binding between TRβ and its coactivator. Several lines of evidence, including experiments with TRβ mutants and mass spectroscopic analysis, showed that HPPE specifically alkylates cysteine residue 298 of TRβ, which is located near the activation function-2 pocket. We propose that this covalent adduct formation proceeds through a two-step mechanism: 1) β-elimination to form HPPE; and 2) a covalent bond slowly forms between HPPE and TRβ. DHPPA represents a novel class of potent TRβ antagonist, and its crystal structure suggests new ways to design antagonists that target the assembly of nuclear hormone receptor gene-regulatory complexes and block transcription.

Allosteric conversation in the androgen receptor ligand-binding domain surfaces

Androgen receptor (AR) is a major therapeutic target that plays pivotal roles in prostate cancer (PCa) and androgen insensitivity syndromes. We previously proposed that compounds recruited to ligand-binding domain (LBD) surfaces could regulate AR activity in hormone-refractory PCa and discovered several surface modulators of AR function. Surprisingly, the most effective compounds bound preferentially to a surface of unknown function [binding function 3 (BF-3)] instead of the coactivator-binding site [activation function 2 (AF-2)]. Different BF-3 mutations have been identified in PCa or androgen insensitivity syndrome patients, and they can strongly affect AR activity. Further, comparison of AR x-ray structures with and without bound ligands at BF-3 and AF-2 showed structural coupling between both pockets. Here, we combine experimental evidence and molecular dynamic simulations to investigate whether BF-3 mutations affect AR LBD function and dynamics possibly via allosteric conversation between surface sites. Our data indicate that AF-2 conformation is indeed closely coupled to BF-3 and provide mechanistic proof of their structural interconnection. BF-3 mutations may function as allosteric elicitors, probably shifting the AR LBD conformational ensemble toward conformations that alter AF-2 propensity to reorganize into subpockets that accommodate N-terminal domain and coactivator peptides. The induced conformation may result in either increased or decreased AR activity. Activating BF-3 mutations also favor the formation of another pocket (BF-4) in the vicinity of AF-2 and BF-3, which we also previously identified as a hot spot for a small compound. We discuss the possibility that BF-3 may be a protein-docking site that binds to the N-terminal domain and corepressors. AR surface sites are attractive pharmacological targets to develop allosteric modulators that might be alternative lead compounds for drug design.

Training deep convolutional architectures for vision

Les tâches de vision artificielle telles que la reconnaissance d’objets demeurent irrésolues à ce jour. Les algorithmes d’apprentissage tels que les Réseaux de Neurones Artificiels (RNA), représentent une approche prometteuse permettant d’apprendre des caractéristiques utiles pour ces tâches. Ce processus d’optimisation est néanmoins difficile. Les réseaux profonds à base de Machine de Boltzmann Restreintes (RBM) ont récemment été proposés afin de guider l’extraction de représentations intermédiaires, grâce à un algorithme d’apprentissage non-supervisé. Ce mémoire présente, par l’entremise de trois articles, des contributions à ce domaine de recherche. Le premier article traite de la RBM convolutionelle. L’usage de champs réceptifs locaux ainsi que le regroupement d’unités cachées en couches partageant les même paramètres, réduit considérablement le nombre de paramètres à apprendre et engendre des détecteurs de caractéristiques locaux et équivariant aux translations. Ceci mène à des modèles ayant une meilleure vraisemblance, comparativement aux RBMs entraînées sur des segments d’images. Le deuxième article est motivé par des découvertes récentes en neurosciences. Il analyse l’impact d’unités quadratiques sur des tâches de classification visuelles, ainsi que celui d’une nouvelle fonction d’activation. Nous observons que les RNAs à base d’unités quadratiques utilisant la fonction softsign, donnent de meilleures performances de généralisation. Le dernière article quand à lui, offre une vision critique des algorithmes populaires d’entraînement de RBMs. Nous montrons que l’algorithme de Divergence Contrastive (CD) et la CD Persistente ne sont pas robustes : tous deux nécessitent une surface d’énergie relativement plate afin que leur chaîne négative puisse mixer. La PCD à "poids rapides" contourne ce problème en perturbant légèrement le modèle, cependant, ceci génère des échantillons bruités. L’usage de chaînes tempérées dans la phase négative est une façon robuste d’adresser ces problèmes et mène à de meilleurs modèles génératifs.

Régulation dynamique de l’activité du récepteur des estrogènes beta (ERβ) par la phosphorylation,l’ubiquitination et la sumoylation

Les estrogènes jouent un rôle primordial dans le développement et le fonctionnement des tissus reproducteurs par leurs interactions avec les récepteurs des estrogènes ERα et ERβ. Ces récepteurs nucléaires agissent comme facteurs de transcription et contrôlent l’expression des gènes de façon hormono-dépendante et indépendante grâce à leurs deux domaines d’activation (AF-1 et AF-2). Une dérégulation de leur activité transcriptionnelle est souvent à l’origine de pathologies telles que le cancer du sein, de l’endomètre et des ovaires. Alors que ERα est utilisé comme facteur pronostic pour l’utilisation d’agents thérapeutiques, l’importance de la valeur clinique de ERβ est encore controversée. Toutefois, des évidences récentes lui associent un pouvoir anti-tumorigénique en démontrant que sa présence favorise l’inhibition de la progression de ces cancers ainsi que l’efficacité des traitements. En combinaisons avec d’autres études, ces observations démontrent que bien que les deux isoformes partagent une certaine similitude d’action, les ERs sont en mesure d’exercer des fonctions distinctes. Ces différences sont fortement attribuables au faible degré d’homologie observé entre certains domaines structuraux des ERs, comme le domaine AF-1, ce qui fait en sorte que les différents sites de modifications post-traductionnelles (MPTs) présents sur les ERs sont très peu conservés entre les isoformes. Or, l’activité transcriptionnelle ligand-dépendante et indépendante des ERs est hautement régulée par les MPTs. Elles sont impliquées à tous les niveaux de l’activation des ERs incluant la liaison et la sensibilité au ligand, la localisation cellulaire, la dimérisation, l’interaction avec l’ADN, le recrutement de corégulateurs transcriptionnels, la stabilité et l’arrêt de la transcription. Ainsi, de par leur dissimilitude, les ERs seront différemment régulés par la signalisation cellulaire. Comme un débalancement de plusieurs voies de signalisation ont été associées à la progression de tumeurs ER-positives ainsi qu’au développement d’une résistance, une meilleure compréhension de l’impact des MPTs sur la régulation spécifique des ERs s’avère essentielle en vue de proposer et/ou développer des traitements adéquats pour les cancers gynécologiques. Les résultats présentés dans cette thèse ont pour objectif de mieux comprendre les rôles des MPTs sur l’activité transcriptionnelle de ERβ qui sont, contrairement à ERα, très peu connus. Nous démontrons une régulation dynamique de ERβ par la phosphorylation, l’ubiquitination et la sumoylation. De plus, toutes les MPTs nouvellement découvertes par mes recherches se situent dans l’AF-1 de ERβ et permettent de mieux comprendre le rôle capital joué par ce domaine dans la régulation de l’activité ligand-dépendante et indépendante du récepteur. Dans la première étude, nous observons qu’en réponse aux MAPK, l’AF-1 de ERβ est phosphorylé au niveau de sérines spécifiques et qu’elles jouent un rôle important dans la régulation de l’activité ligand-indépendante de ERβ par la voie ubiquitine-protéasome. En effet, la phosphorylation de ces sérines régule le cycle d’activation-dégradation de ERβ en modulant son ubiquitination, sa mobilité nucléaire et sa stabilité en favorisant le recrutement de l’ubiquitine ligase E6-AP. De plus, ce mécanisme d’action semble être derrière la régulation différentielle de l’activité de ERα et ERβ observée lors de l’inhibition du protéasome. Dans le second papier, nous démontrons que l’activité et la stabilité de ERβ en présence d’estrogène sont étroitement régulées par la sumoylation phosphorylation-dépendante de l’AF-1, processus hautement favorisé par l’action de la kinase GSK-3. La sumoylation de ERβ par SUMO-1 prévient la dégradation du récepteur en entrant en compétition avec l’ubiquitination au niveau du même site accepteur. De plus, contrairement à ERα, SUMO-1 réprime l’activité de ERβ en altérant son interaction avec l’ADN et l’expression de ses gènes cibles dans les cellules de cancers du sein. Également, ces recherches ont permis d’identifier un motif de sumoylation dépendant de la phosphorylation (pSuM) jusqu’à lors inconnu de la communauté scientifique, offrant ainsi un outil supplémentaire à la prédiction de nouveau substrat de la sumoylation. En plus de permettre une meilleure compréhension du rôle des signaux intracellulaires dans la régulation de l’activité transcriptionnelle de ERβ, nos résultats soulignent l’importance des MPTs dans l’induction des différences fonctionnelles observées entre ERα et ERβ et apportent des pistes supplémentaires à la compréhension de leurs rôles physiopathologiques respectifs.

Deep learning of representations and its application to computer vision

L’objectif de cette thèse par articles est de présenter modestement quelques étapes du parcours qui mènera (on espère) à une solution générale du problème de l’intelligence artificielle. Cette thèse contient quatre articles qui présentent chacun une différente nouvelle méthode d’inférence perceptive en utilisant l’apprentissage machine et, plus particulièrement, les réseaux neuronaux profonds. Chacun de ces documents met en évidence l’utilité de sa méthode proposée dans le cadre d’une tâche de vision par ordinateur. Ces méthodes sont applicables dans un contexte plus général, et dans certains cas elles on tété appliquées ailleurs, mais ceci ne sera pas abordé dans le contexte de cette de thèse. Dans le premier article, nous présentons deux nouveaux algorithmes d’inférence variationelle pour le modèle génératif d’images appelé codage parcimonieux “spike- and-slab” (CPSS). Ces méthodes d’inférence plus rapides nous permettent d’utiliser des modèles CPSS de tailles beaucoup plus grandes qu’auparavant. Nous démontrons qu’elles sont meilleures pour extraire des détecteur de caractéristiques quand très peu d’exemples étiquetés sont disponibles pour l’entraînement. Partant d’un modèle CPSS, nous construisons ensuite une architecture profonde, la machine de Boltzmann profonde partiellement dirigée (MBP-PD). Ce modèle a été conçu de manière à simplifier d’entraînement des machines de Boltzmann profondes qui nécessitent normalement une phase de pré-entraînement glouton pour chaque couche. Ce problème est réglé dans une certaine mesure, mais le coût d’inférence dans le nouveau modèle est relativement trop élevé pour permettre de l’utiliser de manière pratique. Dans le deuxième article, nous revenons au problème d’entraînement joint de machines de Boltzmann profondes. Cette fois, au lieu de changer de famille de modèles, nous introduisons un nouveau critère d’entraînement qui donne naissance aux machines de Boltzmann profondes à multiples prédictions (MBP-MP). Les MBP-MP sont entraînables en une seule étape et ont un meilleur taux de succès en classification que les MBP classiques. Elles s’entraînent aussi avec des méthodes variationelles standard au lieu de nécessiter un classificateur discriminant pour obtenir un bon taux de succès en classification. Par contre, un des inconvénients de tels modèles est leur incapacité de générer deséchantillons, mais ceci n’est pas trop grave puisque la performance de classification des machines de Boltzmann profondes n’est plus une priorité étant donné les dernières avancées en apprentissage supervisé. Malgré cela, les MBP-MP demeurent intéressantes parce qu’elles sont capable d’accomplir certaines tâches que des modèles purement supervisés ne peuvent pas faire, telles que celle de classifier des données incomplètes ou encore celle de combler intelligemment l’information manquante dans ces données incomplètes. Le travail présenté dans cette thèse s’est déroulé au milieu d’une période de transformations importantes du domaine de l’apprentissage à réseaux neuronaux profonds qui a été déclenchée par la découverte de l’algorithme de “dropout” par Geoffrey Hinton. Dropout rend possible un entraînement purement supervisé d’architectures de propagation unidirectionnel sans être exposé au danger de sur- entraînement. Le troisième article présenté dans cette thèse introduit une nouvelle fonction d’activation spécialement con ̧cue pour aller avec l’algorithme de Dropout. Cette fonction d’activation, appelée maxout, permet l’utilisation de aggrégation multi-canal dans un contexte d’apprentissage purement supervisé. Nous démontrons comment plusieurs tâches de reconnaissance d’objets sont mieux accomplies par l’utilisation de maxout. Pour terminer, sont présentons un vrai cas d’utilisation dans l’industrie pour la transcription d’adresses de maisons à plusieurs chiffres. En combinant maxout avec une nouvelle sorte de couche de sortie pour des réseaux neuronaux de convolution, nous démontrons qu’il est possible d’atteindre un taux de succès comparable à celui des humains sur un ensemble de données coriace constitué de photos prises par les voitures de Google. Ce système a été déployé avec succès chez Google pour lire environ cent million d’adresses de maisons.

Apprentissage des réseaux de neurones profonds et applications en traitement automatique de la langue naturelle

En apprentissage automatique, domaine qui consiste à utiliser des données pour apprendre une solution aux problèmes que nous voulons confier à la machine, le modèle des Réseaux de Neurones Artificiels (ANN) est un outil précieux. Il a été inventé voilà maintenant près de soixante ans, et pourtant, il est encore de nos jours le sujet d'une recherche active. Récemment, avec l'apprentissage profond, il a en effet permis d'améliorer l'état de l'art dans de nombreux champs d'applications comme la vision par ordinateur, le traitement de la parole et le traitement des langues naturelles. La quantité toujours grandissante de données disponibles et les améliorations du matériel informatique ont permis de faciliter l'apprentissage de modèles à haute capacité comme les ANNs profonds. Cependant, des difficultés inhérentes à l'entraînement de tels modèles, comme les minima locaux, ont encore un impact important. L'apprentissage profond vise donc à trouver des solutions, en régularisant ou en facilitant l'optimisation. Le pré-entraînnement non-supervisé, ou la technique du ``Dropout'', en sont des exemples. Les deux premiers travaux présentés dans cette thèse suivent cette ligne de recherche. Le premier étudie les problèmes de gradients diminuants/explosants dans les architectures profondes. Il montre que des choix simples, comme la fonction d'activation ou l'initialisation des poids du réseaux, ont une grande influence. Nous proposons l'initialisation normalisée pour faciliter l'apprentissage. Le second se focalise sur le choix de la fonction d'activation et présente le rectifieur, ou unité rectificatrice linéaire. Cette étude a été la première à mettre l'accent sur les fonctions d'activations linéaires par morceaux pour les réseaux de neurones profonds en apprentissage supervisé. Aujourd'hui, ce type de fonction d'activation est une composante essentielle des réseaux de neurones profonds. Les deux derniers travaux présentés se concentrent sur les applications des ANNs en traitement des langues naturelles. Le premier aborde le sujet de l'adaptation de domaine pour l'analyse de sentiment, en utilisant des Auto-Encodeurs Débruitants. Celui-ci est encore l'état de l'art de nos jours. Le second traite de l'apprentissage de données multi-relationnelles avec un modèle à base d'énergie, pouvant être utilisé pour la tâche de désambiguation de sens.

Global exponential periodicity of a class of bidirectional associative memory networks with finite distributed delays

In this paper, we study the periodic oscillatory behavior of a class of bidirectional associative memory (BAM) networks with finite distributed delays. A set of criteria are proposed for determining global exponential periodicity of the proposed BAM networks, which assume neither differentiability nor monotonicity of the activation function of each neuron. In addition, our criteria are easily checkable. (c) 2005 Elsevier Inc. All rights reserved.

Global exponential periodicity of a class of neural networks with recent-history distributed delays

In this paper, we propose to study a class of neural networks with recent-history distributed delays. A sufficient condition is derived for the global exponential periodicity of the proposed neural networks, which has the advantage that it assumes neither the differentiability nor monotonicity of the activation function of each neuron nor the symmetry of the feedback matrix or delayed feedback matrix. Our criterion is shown to be valid by applying it to an illustrative system. (c) 2005 Elsevier Ltd. All rights reserved.

Previsão do índice bovespa por meio de redes neurais artificiais: uma análise comparada aos métodos tradicionais de séries de tempo

Forecast is the basis for making strategic, tactical and operational business decisions. In financial economics, several techniques have been used to predict the behavior of assets over the past decades.Thus, there are several methods to assist in the task of time series forecasting, however, conventional modeling techniques such as statistical models and those based on theoretical mathematical models have produced unsatisfactory predictions, increasing the number of studies in more advanced methods of prediction. Among these, the Artificial Neural Networks (ANN) are a relatively new and promising method for predicting business that shows a technique that has caused much interest in the financial environment and has been used successfully in a wide variety of financial modeling systems applications, in many cases proving its superiority over the statistical models ARIMA-GARCH. In this context, this study aimed to examine whether the ANNs are a more appropriate method for predicting the behavior of Indices in Capital Markets than the traditional methods of time series analysis. For this purpose we developed an quantitative study, from financial economic indices, and developed two models of RNA-type feedfoward supervised learning, whose structures consisted of 20 data in the input layer, 90 neurons in one hidden layer and one given as the output layer (Ibovespa). These models used backpropagation, an input activation function based on the tangent sigmoid and a linear output function. Since the aim of analyzing the adherence of the Method of Artificial Neural Networks to carry out predictions of the Ibovespa, we chose to perform this analysis by comparing results between this and Time Series Predictive Model GARCH, developing a GARCH model (1.1).Once applied both methods (ANN and GARCH) we conducted the results' analysis by comparing the results of the forecast with the historical data and by studying the forecast errors by the MSE, RMSE, MAE, Standard Deviation, the Theil's U and forecasting encompassing tests. It was found that the models developed by means of ANNs had lower MSE, RMSE and MAE than the GARCH (1,1) model and Theil U test indicated that the three models have smaller errors than those of a naïve forecast. Although the ANN based on returns have lower precision indicator values than those of ANN based on prices, the forecast encompassing test rejected the hypothesis that this model is better than that, indicating that the ANN models have a similar level of accuracy . It was concluded that for the data series studied the ANN models show a more appropriate Ibovespa forecasting than the traditional models of time series, represented by the GARCH model