Comparação entre métodos de redes neurais artificiais para predição de preços de petróleo

Abstract

Resumo : O presente trabalho, de abordagem quantitativa, se propõe a investigar e desenvolver duas Redes Neurais Artificiais (RNAs) para a previsão de preços do petróleo, uma das commodities mais essenciais nos mercados globais. Por meio da revisão de literatura, optou-se pelo desenvolvimento das arquiteturas Multi Layer Perceptron (MLP) e Long Short Term Memory (LSTM). A primeira RNA adota uma estrutura de rede neural feedforward, enquanto a segunda utiliza uma rede neural recorrente para capturar padrões temporais complexos nos dados. A coleta e tratamento dos dados de preços do petróleo são discutidos em detalhes, juntamente com o processo de treinamento, teste e avaliação de desempenho das RNAs. Os resultados da previsão são comparados entre si para avaliação do melhor modelo para predição, levando em consideração o Erro Quadrático Médio. Os resultados demonstram a eficácia das RNAs na previsão de preços do petróleo, destacando as vantagens das RNAs recorrentes na captura de relações temporais. Este trabalho contribui para a compreensão do uso de RNAs na previsão de preços do petróleo e oferece percepções valiosas para investidores, empresas e órgãos reguladores que dependem de previsões precisas de preços de petróleo em seus processos de tomada de decisão

Abstract : This qualitative study aims to investigate and develop two Artificial Neural Networks (ANNs) for predicting oil prices, one of the most crucial commodities in global markets. Through a literature review, the architectures chosen for development are the Multi Layer Perceptron (MLP) and the Long Short Term Memory (LSTM). The first ANN adopts a feedforward neural network structure, while the second employs a recurrent neural network to capture complex temporal patterns in the data. Data collection and preprocessing of oil price data are discussed in detail, along with the training, testing, and performance evaluation processes of the ANNs. The prediction results are compared to determine the best model for forecasting. The findings demonstrate the effectiveness of ANNs in oil price prediction, highlighting the advantages of recurrent ANNs in capturing temporal relationships. This work contributes to understanding the use of ANNs in oil price prediction and provides valuable insights for investors, businesses, and regulatory authorities reliant on accurate oil price forecasts for their decision-making processes