Análise e comparação de modelos preditivos para diferentes comportamentos de séries

Abstract

Resumo: Dentre os inúmeros métodos preditivos existentes decidir qual o melhor não é uma tarefa fácil e, com as demandas do mercado cada vez mais rápidas e exigentes, essa escolha deve ser tomada o mais rápido e assertivamente possível. Nesse estudo foi realizada a comparação entre três diferentes modelos preditivos (ARIMA, GLM e Redes Neurais) com o intuito de avaliar seu desempenho com diferentes séries de dados. Foram considerados, para a avaliação dos resultados, a estacionariedade e a volatilidade das séries de dados utilizadas, duas medidas de erro, o volume de dados utilizados para o treinamento dos modelos e a quantidade de variáveis regressoras utilizadas para a previsão. Os resultados mostram uma maior consistência nos resultados obtidos com o método de Redes Neurais, não apresentando grandes erros em nenhuma das séries avaliadas nesse estudo. Constatou-se também que, quando existe uma grande quantidade de informação os modelos gerados tem um erro maior que quando treinados utilizando apenas dados mais recentes. Por fim, concluiu-se que, dentro das restrições desse estudo, Redes Neurais teve um desempenho superior aos demais métodos, mas que é necessário realizar outros estudos para explorar outros métodos e parâmetros

Abstract: Among the innumerable existing predictive methods determine which one is the most appropriate is not an easy task and, with the market demand turning faster and exigent, that choice should be made fastest and assertive as possible. This paper intends to compare three different forecast methods (ARIMA, GLM and Neural Network) in order to appraise their performance with different data series. For the results analysis this paper considerate the stationarity and volatility of the data series, two different error measures, the amount of data considered for the training and the number of explanatory variables in the models. The results shows that the Neural Network method tends to be more stable than the other two, due to the absence of large errors in the prediction of the analyzed series. In addition, it was found out that the big amount of information given to train the models provoke bigger errors in the prediction than the models trained using latest information. Finally, considering the restrains of this paper, the Neural Network models had a superior performance than the other methods, but further studies are necessary in behalf of the countless number of prediction methods and parameters existent