Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFU |
Texto Completo: | https://repositorio.ufu.br/handle/123456789/33744 |
Resumo: | Trabalho de Conclusão de Curso (Graduação) |
id |
UFU_725e492417bde724c682b917fe2b5aca |
---|---|
oai_identifier_str |
oai:repositorio.ufu.br:123456789/33744 |
network_acronym_str |
UFU |
network_name_str |
Repositório Institucional da UFU |
repository_id_str |
|
spelling |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais RecorrentesInflation in Brazil: an application of Time Series and Recurring Neural NetworksIPCABox & JenkinsSARIMALSTMPolítica monetáriaCNPQ::CIENCIAS EXATAS E DA TERRATrabalho de Conclusão de Curso (Graduação)A realização de previsões da inflação é imprescindível quando se deseja melhorar o planejamento estratégico na intenção de reduzir incertezas e aumentar a capacidade de planejamento das famílias, empresas e governo, e assim garantir o bom funcionamento da economia do país. Por conta disso, o objetivo do presente estudo foi realizar previsões do Índice Nacional de Preços ao Consumidor Amplo (IPCA), o qual é a métrica oficial de mensuração da inflação pelo governo federal. As técnicas de séries temporais de Box e Jenkins e de redes neurais recorrentes foram utilizadas para construção de modelos que capturam as informações contidas na série, a fim de avaliar o comportamento da variável analisada ao longo do tempo, bem como efetuar previsões dos valores futuros. Ao aplicar as técnicas de Box e Jenkins, foi adotado um modelo de previsão do tipo SARIMA, que considera tanto a tendência como a sazonalidade na série, sendo selecionado aquele com menor raiz do erro quadrático médio (RMSE do inglês Root Mean Squared Error) e menor quantidade de parâmetros. Para os modelos de redes neurais recorrentes, utilizou-se o algoritmo LSTM (Long Short Term Memory), e selecionou-se aquele com menor RMSE. A fim de comparar as duas técnicas de previsão, os critérios adotados foram raiz do erro quadrático médio (RMSE), sendo que o modelo SARIMA se mostrou o melhor modelo para prever 12 meses diretos da inflação, enquanto que para previsões a curto prazo com realimentação, a técnica LSTM se mostrou muito efetiva.Universidade Federal de UberlândiaBrasilEstatísticaBiase, Nádia Giarettahttp://lattes.cnpq.br/5113310672600001Alves, Gabriella de Freitashttp://lattes.cnpq.br/0373047099070753Silva, Maria Imaculada de Sousahttp://lattes.cnpq.br/5214152217965576Rodrigues, Julia Naves2021-12-10T21:17:01Z2021-12-10T21:17:01Z2021-06-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfRODRIGUES, Julia Naves. Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes. 2021. 64 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2021.https://repositorio.ufu.br/handle/123456789/33744porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFUinstname:Universidade Federal de Uberlândia (UFU)instacron:UFU2021-12-11T06:21:27Zoai:repositorio.ufu.br:123456789/33744Repositório InstitucionalONGhttp://repositorio.ufu.br/oai/requestdiinf@dirbi.ufu.bropendoar:2021-12-11T06:21:27Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU)false |
dc.title.none.fl_str_mv |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes Inflation in Brazil: an application of Time Series and Recurring Neural Networks |
title |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
spellingShingle |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes Rodrigues, Julia Naves IPCA Box & Jenkins SARIMA LSTM Política monetária CNPQ::CIENCIAS EXATAS E DA TERRA |
title_short |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
title_full |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
title_fullStr |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
title_full_unstemmed |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
title_sort |
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes |
author |
Rodrigues, Julia Naves |
author_facet |
Rodrigues, Julia Naves |
author_role |
author |
dc.contributor.none.fl_str_mv |
Biase, Nádia Giaretta http://lattes.cnpq.br/5113310672600001 Alves, Gabriella de Freitas http://lattes.cnpq.br/0373047099070753 Silva, Maria Imaculada de Sousa http://lattes.cnpq.br/5214152217965576 |
dc.contributor.author.fl_str_mv |
Rodrigues, Julia Naves |
dc.subject.por.fl_str_mv |
IPCA Box & Jenkins SARIMA LSTM Política monetária CNPQ::CIENCIAS EXATAS E DA TERRA |
topic |
IPCA Box & Jenkins SARIMA LSTM Política monetária CNPQ::CIENCIAS EXATAS E DA TERRA |
description |
Trabalho de Conclusão de Curso (Graduação) |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-12-10T21:17:01Z 2021-12-10T21:17:01Z 2021-06-18 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
RODRIGUES, Julia Naves. Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes. 2021. 64 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2021. https://repositorio.ufu.br/handle/123456789/33744 |
identifier_str_mv |
RODRIGUES, Julia Naves. Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes. 2021. 64 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2021. |
url |
https://repositorio.ufu.br/handle/123456789/33744 |
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.publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Estatística |
publisher.none.fl_str_mv |
Universidade Federal de Uberlândia Brasil Estatística |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFU instname:Universidade Federal de Uberlândia (UFU) instacron:UFU |
instname_str |
Universidade Federal de Uberlândia (UFU) |
instacron_str |
UFU |
institution |
UFU |
reponame_str |
Repositório Institucional da UFU |
collection |
Repositório Institucional da UFU |
repository.name.fl_str_mv |
Repositório Institucional da UFU - Universidade Federal de Uberlândia (UFU) |
repository.mail.fl_str_mv |
diinf@dirbi.ufu.br |
_version_ |
1805569677923975168 |