Previsão de tendência de preços do boi gordo no Estado de São Paulo utilizando o Random Forest

• Autor(a) principal: Mion, Renan Marcel Ribeiro
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional do FGV (FGV Repositório Digital)
• Texto Completo: https://hdl.handle.net/10438/28148
• topic: Supervised machine learning; Random Forest; Live cattle; Price trend forecast; Livestock; Aprendizagem de máquina supervisionado; Boi gordo; Mineração de dados; Previsão de tendência de preços; Pecuária; Economia; Bovino - Preços - São Paulo (Estado); Mercado futuro de mercadorias; Aprendizado do computador; Mineração de dados (Computação)

Este trabalho tem como objetivo prever a tendência de preços do boi gordo no Estado de São Paulo, utilizando o algoritmo de aprendizagem de máquina supervisionado Random Forest. Para executar esta tarefa, recorre-se ao processo de mineração de dados a fim de se extrair as principais características preditivas, que foram julgadas como importantes na formação de preço do boi gordo, a partir de uma base de dados contendo séries diárias de diversos componentes da cadeia agropecuária. Os principais previsores encontrados foram as relações de troca entre o boi gordo e o milho, boi gordo e boi magro, boi gordo e bezerro. Adicionalmente, também foram considerados o equivalente físico, este como indicador de margem de comercialização da carne no mercado interno, histórico acumulado de chuvas, preços da carne in natura para a exportação e escalas de abate na modelagem. As novas variáveis foram utilizadas para treinar e testar o modelo, de modo a encontrar um período ótimo para se efetuar a previsão de preços, conforme as informações obtidas nas métricas de performance: acurácia, revocação, precisão e f1-score. Neste processo também identificou-se a necessidade de defasar a série de preços da arroba do boi gordo para melhorar a performance do algoritmo. O backtesting do modelo proporcionou resultados interessantes vis-à-vis as métricas de performance, e ao ser comparado também com os dados reais. Por fim, o trabalho ilustrará a ordem de importância das características no processo de predição.