Análise comparativa entre modelos ARIMA e modelos de Machine Learning para previsão de séries temporais de commodities

• Autor(a) principal: Santos, Lucas Souza
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFPB
• Texto Completo: https://repositorio.ufpb.br/jspui/handle/123456789/31453
• topic: CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO; Commodities; Séries Temporais; ARIMA; SVR

Este estudo aborda a análise comparativa entre modelos Arima e modelos de machine learning para previsão de séries temporais de commodities aplicados à soja, commodity brasileira. A abordagem metodológica deste estudo pode ser categorizada como quantitativa e descritiva. Esta pesquisa se concentra na descrição e análise dos dados relacionados à série temporal de preços da soja. Além disso, a abordagem é quantitativa, uma vez que faz uso de métodos estatísticos e de Machine Learning (ML) para análise preditiva dos dados. Quanto aos modelos econométricos (ARIMA), utilizou-se a metodologia de Box, Jenkins e Reinsel (2008) e para os modelos de ML (Floresta Aleatória e SVR), utilizou-se a metodologia de Parmezan (2016). Os dados foram obtidos no website da CEPEA/ESALQ, usando a série de preços em dólar diferenciados em 1 dia. Tanto os modelos econométricos como os modelos de ML se destacaram com precisão preditiva, obtendo resultado satisfatório, mostrando que simples modelos lineares como o ARIMA ainda são úteis e também o potencial do ML para lidarmos com ST financeiras, tendo a habilidade de antecipar as mudanças com o tempo. Ao averiguar com a revisão inicial da literatura, a escassez de trabalhos aplicando esses métodos ao mercado financeiro brasileiro e a escassez na última década de trabalhos no Brasil sobre commodities, nota-se que há várias direções promissoras para pesquisas futuras. Por fim, foi possível alcançar todos os objetivos deste trabalho e ainda contribuir para o avanço do conhecimento no campo da previsão de séries temporais aplicado a finanças e commodities.