Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
Texto Completo: | http://hdl.handle.net/10737/3527 |
Resumo: | A tomada de decisão por parte das indústrias de beneficiamento, exportadores e produtores de soja, quanto a comercialização ou aquisição do grão é uma difícil tarefa, tendo em vista o risco envolvido. Porém, ela pode ser facilitada por meio da utilização de modelos preditivos que permitam que esses agentes visualizem o comportamento dos preços do grão no futuro. Para tanto, este estudo se propõe a avaliar a eficácia de dois diferentes métodos de modelagem e previsão de séries temporais de forma isolada e combinada. O primeiro é denominado de método de Box-Jenkins, o segundo de RNA/PMC e a combinação dos resultados destes métodos é realizada mediante a aplicação do método denominado de combinação pela variância mínima. A avaliação da eficácia é realizada por meio das medidas de acuracidade denominadas de RMSE, MAE e MAPE. O trabalho é classificado como pesquisa aplicada quanto a natureza, quantitativo quanto a abordagem, descritivo quanto aos objetivos e de modelagem matemática quanto aos procedimentos técnicos. A previsão pelo método de Box-Jenkins foi a que se mostrou menos eficaz, sendo o RMSE igual a 24,98, o MAE igual a 23,70 e o MAPE igual a 13,40%. A previsão pelo método RNA/PMC apresentou resultados significativamente melhores que o anterior, sendo o RMSE igual a 12,07, MAE igual a 9,82 e MAPE igual a 5,52%. Porém, a combinação das previsões pelo método da variância mínima apresentou resultados melhores nas medidas MAE e MAPE, sendo o RMSE igual a 12,20,o MAE igual a 8,82 e o MAPE igual a 4,81%. Diante dos resultados das medidas de acuracidade, considera-se que o método de combinação pela variância mínima seja o mais eficaz para previsão do preço da soja. |
id |
UVAT_836003222763bc22fe1de3c14d0db732 |
---|---|
oai_identifier_str |
oai:univates.br:10737/3527 |
network_acronym_str |
UVAT |
network_name_str |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
repository_id_str |
1 |
spelling |
Jacobs, Williamhttp://lattes.cnpq.br/2757806043062402Baratto, João Luiz Graciola2023-05-30T17:44:05Z2023-05-30T17:44:05Z2022-112022-11-28A tomada de decisão por parte das indústrias de beneficiamento, exportadores e produtores de soja, quanto a comercialização ou aquisição do grão é uma difícil tarefa, tendo em vista o risco envolvido. Porém, ela pode ser facilitada por meio da utilização de modelos preditivos que permitam que esses agentes visualizem o comportamento dos preços do grão no futuro. Para tanto, este estudo se propõe a avaliar a eficácia de dois diferentes métodos de modelagem e previsão de séries temporais de forma isolada e combinada. O primeiro é denominado de método de Box-Jenkins, o segundo de RNA/PMC e a combinação dos resultados destes métodos é realizada mediante a aplicação do método denominado de combinação pela variância mínima. A avaliação da eficácia é realizada por meio das medidas de acuracidade denominadas de RMSE, MAE e MAPE. O trabalho é classificado como pesquisa aplicada quanto a natureza, quantitativo quanto a abordagem, descritivo quanto aos objetivos e de modelagem matemática quanto aos procedimentos técnicos. A previsão pelo método de Box-Jenkins foi a que se mostrou menos eficaz, sendo o RMSE igual a 24,98, o MAE igual a 23,70 e o MAPE igual a 13,40%. A previsão pelo método RNA/PMC apresentou resultados significativamente melhores que o anterior, sendo o RMSE igual a 12,07, MAE igual a 9,82 e MAPE igual a 5,52%. Porém, a combinação das previsões pelo método da variância mínima apresentou resultados melhores nas medidas MAE e MAPE, sendo o RMSE igual a 12,20,o MAE igual a 8,82 e o MAPE igual a 4,81%. Diante dos resultados das medidas de acuracidade, considera-se que o método de combinação pela variância mínima seja o mais eficaz para previsão do preço da soja.Decision-making by processing industries, exporters and soybean producers, regarding the sale or acquisition of the grain is a difficult task, in view of the risk involved. However, it can be facilitated through the use of predictive models that allow these agents to visualize the behavior of grain prices in the future. Therefore, this study proposes to evaluate the effectiveness of two different methods of modeling and forecasting time series in isolation and in combination. The first is called the Box-Jenkins method, the second the ANN/PMC and the combination of the results of these methods is performed by applying the method called combination by minimum variance. Efficacy is evaluated using accuracy measures called RMSE, MAE and MAPE. The work is classified as applied research in terms of nature, quantitative in terms of approach, descriptive in terms of objectives and mathematical modeling in terms of technical procedures. The prediction by the Box-Jenkins method was the least effective, with the RMSE equal to 24.98, the MAE equal to 23.70 and the MAPE equal to 13.40%. The prediction by the ANN/PMC method showed significantly better results than the previous one, with RMSE equal to 12.07, MAE equal to 9.82 and MAPE equal to 5.52%. However, the combination of predictions by the method of minimum variance showed better results in the MAE and MAPE measures, with the RMSE equal to 12.20, the MAE equal to 8.82 and the MAPE equal to 4.81%. Given the results of the accuracy measures, it is considered that the minimum variance combination method is the most effective for forecasting the soybean price.http://hdl.handle.net/10737/3527Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessCSAPrevisão do preço da sojaSéries temporaisRedes neurais artificiaisBox- JenkinsCommoditiesSoybean price forecastTime seriesArtificial neural networksCombinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da sojainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD)instname:Centro Universitário Univates (UNIVATES)instacron:UNIVATESORIGINAL2022JoãoLuizGraciolaBaratto.pdfapplication/pdf2186625https://www.univates.br/bdu/bitstreams/2a780fd7-3e7f-469f-8f87-034aaa31b1a5/download2a179526a5c1e868b5363f6b5f04d634MD56CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8804https://www.univates.br/bdu/bitstreams/dfd25fbb-17f3-499c-a4d0-686c9aa3fb10/downloadc1efe8e24d7281448e873be30ea326ffMD52LICENSElicense.txtlicense.txttext/plain4534https://www.univates.br/bdu/bitstreams/44079485-3a8d-4138-82e3-e43d12b7e8c8/download335bd523a92f4a31b001b3d8c10df42dMD53TEXT2022JoãoLuizGraciolaBaratto.pdf.txt2022JoãoLuizGraciolaBaratto.pdf.txtExtracted texttext/plain104446https://www.univates.br/bdu/bitstreams/c454afe0-7f7a-49cb-b317-ffc34e8d72f1/download5bcf04c4fc06087d6dc417343a28e907MD59THUMBNAIL2022JoãoLuizGraciolaBaratto.pdf.jpg2022JoãoLuizGraciolaBaratto.pdf.jpgGenerated Thumbnailimage/jpeg4195https://www.univates.br/bdu/bitstreams/6c95c344-e7c7-4a30-8ed8-863acf6819cd/downloadfa669766ac82412b3ee51c2febd873a8MD51010737/35272023-06-26 13:19:30.066http://creativecommons.org/licenses/by-nc-nd/4.0/openAccessoai:univates.br:10737/3527https://www.univates.br/bduRepositório InstitucionalPRIhttp://www.univates.br/bdu_oai/requestopendoar:12023-06-26T13:19:30Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) - Centro Universitário Univates (UNIVATES)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 |
dc.title.none.fl_str_mv |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
title |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
spellingShingle |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja Baratto, João Luiz Graciola CSA Previsão do preço da soja Séries temporais Redes neurais artificiais Box- Jenkins Commodities Soybean price forecast Time series Artificial neural networks |
title_short |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
title_full |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
title_fullStr |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
title_full_unstemmed |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
title_sort |
Combinação dos modelos box-jenkins e redes neurais artificiais para previsão do preço da soja |
author |
Baratto, João Luiz Graciola |
author_facet |
Baratto, João Luiz Graciola |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Jacobs, William |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/2757806043062402 |
dc.contributor.author.fl_str_mv |
Baratto, João Luiz Graciola |
contributor_str_mv |
Jacobs, William |
dc.subject.cnpq.fl_str_mv |
CSA |
topic |
CSA Previsão do preço da soja Séries temporais Redes neurais artificiais Box- Jenkins Commodities Soybean price forecast Time series Artificial neural networks |
dc.subject.por.fl_str_mv |
Previsão do preço da soja Séries temporais Redes neurais artificiais Box- Jenkins Commodities Soybean price forecast Time series Artificial neural networks |
description |
A tomada de decisão por parte das indústrias de beneficiamento, exportadores e produtores de soja, quanto a comercialização ou aquisição do grão é uma difícil tarefa, tendo em vista o risco envolvido. Porém, ela pode ser facilitada por meio da utilização de modelos preditivos que permitam que esses agentes visualizem o comportamento dos preços do grão no futuro. Para tanto, este estudo se propõe a avaliar a eficácia de dois diferentes métodos de modelagem e previsão de séries temporais de forma isolada e combinada. O primeiro é denominado de método de Box-Jenkins, o segundo de RNA/PMC e a combinação dos resultados destes métodos é realizada mediante a aplicação do método denominado de combinação pela variância mínima. A avaliação da eficácia é realizada por meio das medidas de acuracidade denominadas de RMSE, MAE e MAPE. O trabalho é classificado como pesquisa aplicada quanto a natureza, quantitativo quanto a abordagem, descritivo quanto aos objetivos e de modelagem matemática quanto aos procedimentos técnicos. A previsão pelo método de Box-Jenkins foi a que se mostrou menos eficaz, sendo o RMSE igual a 24,98, o MAE igual a 23,70 e o MAPE igual a 13,40%. A previsão pelo método RNA/PMC apresentou resultados significativamente melhores que o anterior, sendo o RMSE igual a 12,07, MAE igual a 9,82 e MAPE igual a 5,52%. Porém, a combinação das previsões pelo método da variância mínima apresentou resultados melhores nas medidas MAE e MAPE, sendo o RMSE igual a 12,20,o MAE igual a 8,82 e o MAPE igual a 4,81%. Diante dos resultados das medidas de acuracidade, considera-se que o método de combinação pela variância mínima seja o mais eficaz para previsão do preço da soja. |
publishDate |
2022 |
dc.date.submitted.none.fl_str_mv |
2022-11-28 |
dc.date.issued.fl_str_mv |
2022-11 |
dc.date.accessioned.fl_str_mv |
2023-05-30T17:44:05Z |
dc.date.available.fl_str_mv |
2023-05-30T17:44:05Z |
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 |
http://hdl.handle.net/10737/3527 |
url |
http://hdl.handle.net/10737/3527 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) instname:Centro Universitário Univates (UNIVATES) instacron:UNIVATES |
instname_str |
Centro Universitário Univates (UNIVATES) |
instacron_str |
UNIVATES |
institution |
UNIVATES |
reponame_str |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
collection |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) |
bitstream.url.fl_str_mv |
https://www.univates.br/bdu/bitstreams/2a780fd7-3e7f-469f-8f87-034aaa31b1a5/download https://www.univates.br/bdu/bitstreams/dfd25fbb-17f3-499c-a4d0-686c9aa3fb10/download https://www.univates.br/bdu/bitstreams/44079485-3a8d-4138-82e3-e43d12b7e8c8/download https://www.univates.br/bdu/bitstreams/c454afe0-7f7a-49cb-b317-ffc34e8d72f1/download https://www.univates.br/bdu/bitstreams/6c95c344-e7c7-4a30-8ed8-863acf6819cd/download |
bitstream.checksum.fl_str_mv |
2a179526a5c1e868b5363f6b5f04d634 c1efe8e24d7281448e873be30ea326ff 335bd523a92f4a31b001b3d8c10df42d 5bcf04c4fc06087d6dc417343a28e907 fa669766ac82412b3ee51c2febd873a8 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIVATES (Biblioteca Digital da Univates - BD) - Centro Universitário Univates (UNIVATES) |
repository.mail.fl_str_mv |
|
_version_ |
1801842349350846464 |