Previsão de séries de tempo: modelos ARIMA, modelos estruturais e redes neurais artificiais

• Ano de defesa: 2001
• Autor(a) principal: Yim, Juliana
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise das séries de tempo; Econometria; Econometrics; Neural networks; Redes neurais; Time series analysis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/12/12138/tde-19112024-152652/

O principal objetivo desse trabalho consiste em avaliar comparativamente a capacidade de previsão de três metodologias econométricas alternativas: modelos ARIMA, modelos estruturais e redes neurais artificiais. Para isso foram analisadas séries de alta, média e baixa frequência que correspondem às séries dos retornos do IBOVESPA (de quinze minutos, diário e mensal), Ml trimestral e PIB brasileiro anual, respectivamente. Em relação às séries de alta frequência, as estatísticas de previsão das redes neurais ficaram muito próximas das obtidas pelos modelos ARIMA e estruturais. As redes neurais apresentaram uma ligeira melhora, com o acréscimo de novas entradas, tais como a volatilidade derivada do melhor modelo AR-GARCH e os retornos do Dow Jones. Por outro lado, as estatísticas de previsão das séries de média e baixa frequência mostraram que os modelos de redes neurais utilizados apresentaram os piores resultados. O desempenho das metodologias dependeu da série analisada. Mas estes resultados podem ter ocorrido por não termos alcançado redes neurais de arquitetura ótima. Portanto, não podemos concluir que existe para as séries de alta, média e baixa frequência estudadas um modelo de previsão superior.