Uma nova metodologia hÃbrida inteligente para a previsÃo de sÃries temporais

AUTOR(ES)

Tiago Alessandro EspÃnola Ferreira

DATA DE PUBLICAÇÃO

2006

RESUMO

Neste trabalho à realizado um estudo sistemÃtico para a resoluÃÃo do problema de previsÃo de sÃries temporais com a utilizaÃÃo de tÃcnicas de InteligÃncia Artificial. Inicialmente, modelos de Box &Jenkins sÃo aplicados para a previsÃo de sÃries temporais para a geraÃÃo de um padrÃo de referÃncia. SÃo investigadas entÃo tÃcnicas da InteligÃncia Artificial mais comumente encontradas na literatura, como redes neurais artificiais e algoritmos genÃticos, bem como um sistema hÃbrido inteligente resultante da uniÃo destas duas tÃcnicas. Observando as deficiÃncias e os pontos fortes das metodologias estudadas, foi desenvolvido um novo mÃtodo para a previsÃo de sÃries temporais, the Time-lag Added Evolutionary Forecasting (TAEF) Method, combinando redes neurais artificiais, um algoritmo genÃtico modificado, um mecanismo de busca evolutiva pela dimensionalidade mÃnima necessÃria para a reconstruÃÃo do espaÃo de fase gerador da sÃrie, e um procedimento de pÃs-processamento para a determinaÃÃo da fase da previsÃo gerada. Experimentos extensivos realizados com o MÃtodo TAEF com sÃries temporais de natureza, complexidade e caracterÃsticas de comportamento diversificadas, comprovam a eficiÃncia e robustez do mÃtodo proposto. Tendo sido testado em um conjunto de oito sÃries temporais, sendo duas sÃries artificiais (sÃrie do Mapa de H_enon e sÃrie Random Walk), duas de fenÃmenos naturais (sÃrie das Manchas Solares e sÃrie de Medidas de Brilho de uma Estrela) e quatro sÃries econÃmicas e financeiras (Ãndice Dow Jones, Ãndice Nasdaq, Ãndice S&P500 e AÃÃes da Petrobras), o mÃtodo TAEF apresenta um desempenho de previsÃo comprovadamente superior Ãs demais tÃcnicas investigadas e a vÃrios outros trabalhos encontrados na literatura. AlÃm deste experimentos, sÃries artificiais com caracterÃsticas peculiares tambÃm foram criadas para a certificaÃÃo da robustez do mÃtodo, como sÃries de Random Walk com Drift e/ou Sazonalidade aditiva, SÃries geradas a partir de modelos GARCH, SETAR e STAR. Por fim, simulaÃÃes de um sistema de apoio à decisÃo para a compra e venda de aÃÃes na bolsa de valores do estado de SÃo Paulo (Bovespa) s~ao montadas, demonstrando a possibilidade de uso prÃtico do mÃtodo TAEF, consolidando-o como uma nova metodologia viÃvel e de alto desempenho para a resoluÃÃo do problema de previsÃo de sÃries temporais

ASSUNTO(S)

algoritmos genÃticos sistemas hÃbridos inteligentes decision support systems sistemas de apoio à decisÃo artificial neural network times series forecasting previsÃo de sÃries temporais ciencia da computacao redes neurais artificiais genetic algorithms intelligent hybrid systems

Documentos Relacionados

• Abordagem hÃbrida para otimizaÃÃo de redes neurais artificiais para previsÃo de sÃries temporais
• Teoria da perturbaÃÃo em sistemas hÃbridos inteligentes para a previsÃo de sÃries temporais
• Modelo de sÃries temporais para a previsÃo da arrecadaÃÃo tributÃria federal
• PrevisÃo de sÃries temporais usando modelos de composiÃÃo de especialistas locais.
• ModeloshÃbridos baseados em enxame de partÃculaspara previsÃo de sÃries temporais