Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal do Ceará (UFC) |
Texto Completo: | http://www.repositorio.ufc.br/handle/riufc/59113 |
Resumo: | This study analyzes the short-term predictive power of the Shrinkage methods RIDGE and LASSO applied to the IPCA. With increasingly larger and more complex databases available, the use of Machine Learning methodology can be a great solution in situations in which it is not previously known which independent variables should be added to the regression model. The dissertation shows that the result of the Mean Square Error of both methods significantly surpasses the traditional method of Ordinary Least Squares (OLS). In the period analyzed, the LASSO regression obtained even a better result than the benchmarking in the Focus report, released by the Central Bank. |
id |
UFC-7_2ebd3d064189100b3c5067c6571151df |
---|---|
oai_identifier_str |
oai:repositorio.ufc.br:riufc/59113 |
network_acronym_str |
UFC-7 |
network_name_str |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
repository_id_str |
|
spelling |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCARegularizaçãoAprendizado de máquinaPrevisão IPCARIDGELASSOThis study analyzes the short-term predictive power of the Shrinkage methods RIDGE and LASSO applied to the IPCA. With increasingly larger and more complex databases available, the use of Machine Learning methodology can be a great solution in situations in which it is not previously known which independent variables should be added to the regression model. The dissertation shows that the result of the Mean Square Error of both methods significantly surpasses the traditional method of Ordinary Least Squares (OLS). In the period analyzed, the LASSO regression obtained even a better result than the benchmarking in the Focus report, released by the Central Bank.O presente estudo analisa o poder preditivo de curto prazo dos métodos de regularização RIDGE e LASSO aplicado ao IPCA. Com bases de dados disponíveis cada vez maiores e mais complexas, o uso de metodologia de Aprendizado de Máquina pode ser uma ótima solução em situações nas quais não se sabe previamente quais variáveis independentes devem-se adicionar no modelo de regressão. A dissertação mostra que o resultado do Erro Quadrático Médio de ambos os métodos supera significativamente o método tradicional de Mínimos Quadrados Ordinários (MQO). No período analisado, a regressão LASSO obteve inclusive um melhor resultado do que o benchmarking do relatório Focus, divulgado pelo Banco Central.Souza, Sérgio Aquino deFarias, Daniel Teixeira de2021-06-21T17:21:42Z2021-06-21T17:21:42Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfFARIAS, Daniel Teixeira de. Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA. 2021. 38f. Dissertação (Mestrado em Economia de Empresas) - Faculdade de Economia, Administração, Atuária e Contabilidade - FEAAC, Programa de Economia Profissional - PEP, Universidade Federal do Ceará - UFC, Fortaleza (CE), 2021.http://www.repositorio.ufc.br/handle/riufc/59113porreponame:Repositório Institucional da Universidade Federal do Ceará (UFC)instname:Universidade Federal do Ceará (UFC)instacron:UFCinfo:eu-repo/semantics/openAccess2023-07-12T18:55:39Zoai:repositorio.ufc.br:riufc/59113Repositório InstitucionalPUBhttp://www.repositorio.ufc.br/ri-oai/requestbu@ufc.br || repositorio@ufc.bropendoar:2024-09-11T18:26:51.158451Repositório Institucional da Universidade Federal do Ceará (UFC) - Universidade Federal do Ceará (UFC)false |
dc.title.none.fl_str_mv |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
title |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
spellingShingle |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA Farias, Daniel Teixeira de Regularização Aprendizado de máquina Previsão IPCA RIDGE LASSO |
title_short |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
title_full |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
title_fullStr |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
title_full_unstemmed |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
title_sort |
Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA |
author |
Farias, Daniel Teixeira de |
author_facet |
Farias, Daniel Teixeira de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Souza, Sérgio Aquino de |
dc.contributor.author.fl_str_mv |
Farias, Daniel Teixeira de |
dc.subject.por.fl_str_mv |
Regularização Aprendizado de máquina Previsão IPCA RIDGE LASSO |
topic |
Regularização Aprendizado de máquina Previsão IPCA RIDGE LASSO |
description |
This study analyzes the short-term predictive power of the Shrinkage methods RIDGE and LASSO applied to the IPCA. With increasingly larger and more complex databases available, the use of Machine Learning methodology can be a great solution in situations in which it is not previously known which independent variables should be added to the regression model. The dissertation shows that the result of the Mean Square Error of both methods significantly surpasses the traditional method of Ordinary Least Squares (OLS). In the period analyzed, the LASSO regression obtained even a better result than the benchmarking in the Focus report, released by the Central Bank. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-06-21T17:21:42Z 2021-06-21T17:21:42Z 2021 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
FARIAS, Daniel Teixeira de. Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA. 2021. 38f. Dissertação (Mestrado em Economia de Empresas) - Faculdade de Economia, Administração, Atuária e Contabilidade - FEAAC, Programa de Economia Profissional - PEP, Universidade Federal do Ceará - UFC, Fortaleza (CE), 2021. http://www.repositorio.ufc.br/handle/riufc/59113 |
identifier_str_mv |
FARIAS, Daniel Teixeira de. Análise da capacidade preditiva de modelos de regularização aplicado ao IPCA. 2021. 38f. Dissertação (Mestrado em Economia de Empresas) - Faculdade de Economia, Administração, Atuária e Contabilidade - FEAAC, Programa de Economia Profissional - PEP, Universidade Federal do Ceará - UFC, Fortaleza (CE), 2021. |
url |
http://www.repositorio.ufc.br/handle/riufc/59113 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal do Ceará (UFC) instname:Universidade Federal do Ceará (UFC) instacron:UFC |
instname_str |
Universidade Federal do Ceará (UFC) |
instacron_str |
UFC |
institution |
UFC |
reponame_str |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
collection |
Repositório Institucional da Universidade Federal do Ceará (UFC) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal do Ceará (UFC) - Universidade Federal do Ceará (UFC) |
repository.mail.fl_str_mv |
bu@ufc.br || repositorio@ufc.br |
_version_ |
1813028807396818944 |