Sie sind auf Seite 1von 87

HEITOR ANDR KIRSTEN

COMPARAO ENTRE OS MODELOS HOLT-


WINTERS E REDES NEURAIS PARA PREVISO
DE SRIES TEMPORAIS FINANCEIRAS










CURITIBA
2009
Dissertao apresentada ao Programa de Ps-
Graduao em Engenharia de Produo e Sistemas
da Pontifcia Universidade Catlica do Paran como
requisito parcial para obteno do ttulo de Mestre
em Engenharia de Produo e Sistemas.

ii

HEITOR ANDR KIRSTEN







COMPARAO ENTRE OS MODELOS HOLT-
WINTERS E REDES NEURAIS PARA PREVISO
DE SRIES TEMPORAIS FINANCEIRAS











CURITIBA
2009
Dissertao apresentada ao Programa de Ps-
Graduao em Engenharia de Produo e Sistemas da
Pontifcia Universidade Catlica do Paran como
requisito parcial para obteno do ttulo de Mestre em
Engenharia de Produo e Sistemas.

rea de Concentrao: Automao e Controle de
Processos.

Orientador: Prof. Dr. Leandro dos Santos Coelho
iii









Kirsten, Heitor Andr

Comparao entre os modelos Holt-Winters e redes neurais para previso
de sries temporais financeiras. Curitiba, 2009. 87p.

Dissertao Pontifcia Universidade Catlica do Paran. Programa de Ps-
Graduao em Engenharia de Produo e Sistemas.

1. Previso 2. Sries temporais financeiras 3. Holt-Winters 4. Redes
neurais. I.Pontifcia Universidade Catlica do Paran. Centro de Cincias Exatas
e de Tecnologia. Programa de Ps-Graduao em Engenharia de Produo e
Sistemas












iv

Agradecimentos
Deus, por me dar o talento necessrio para todos os meus objetivos.

Aos meus pais, Ivo Kirsten e Liseta Teresinha Holdefer, que de alguma forma ou de
outra me proporcionaram os meios necessrios para chegar at aqui.

minha esposa, Fabiane Genovai Kirsten, por ter tido uma enorme pacincia e
carinho comigo em todos os momentos de privao devido este longo trabalho.

Ao meu orientador, Leandro dos Santos Coelho, que me deu a chance de fazer este
trabalho e que me ajudou de forma incalculvel a finaliz-lo.

Aos demais parentes, professores e amigos que, de alguma forma, ajudaram na
realizao deste.














v

Sumrio

Agradecimentos ............................................................................................................. iv
Lista de Figuras ............................................................................................................ vii
Lista de Tabelas ............................................................................................................. ix
Lista de Abreviaturas ...................................................................................................... x
Resumo .......................................................................................................................... xi
Abstract ......................................................................................................................... xii
Captulo 1 - Introduo ................................................................................................. 13
1.1. Justificativa da pesquisa .................................................................................... 15
1.2. Definio do problema de pesquisa ................................................................... 18
1.3. Objetivo ............................................................................................................. 18
1.4. Descrio da proposta ........................................................................................ 18
1.5. Contribuio da pesquisa ................................................................................... 19
1.6. Organizao da dissertao ............................................................................... 19
Captulo 2 - Modelos de previso ................................................................................. 20
2.1. Modelo Holt-Winters ......................................................................................... 22
2.2. Mdia mvel centrada com sazonalidade .......................................................... 25
2.3. Redes neurais artificiais ..................................................................................... 27
2.3.1 Perceptron de mltiplas camadas ................................................................ 33
2.3.2. Funo de base radial ................................................................................. 36
2.4. ndices de desempenho ...................................................................................... 40
2.4.1. Medidas estatsticas padres (ME, MAE, MSE e MAPE) ......................... 41
Captulo 3 - Metodologia .............................................................................................. 43
3.1. Caracterizao da pesquisa ................................................................................ 43
3.2. Sries Temporais ............................................................................................... 44
3.2.1. Mackey-Glass ............................................................................................. 44
3.2.2. ndice Bovespa ........................................................................................... 46
3.2.3. ndice Dow Jones ....................................................................................... 47
3.2.4. ndice Nasdaq ............................................................................................. 49
3.3. Modelos de previso .......................................................................................... 50
vi

3.4. ndices de desempenho ...................................................................................... 50
3.5. Aplicao da previso ........................................................................................ 50
Captulo 4 - Apresentao e Anlise dos Resultados ................................................... 52
4.1. Simulaes para a sada do sistema Mackey-Glass ........................................... 52
4.1.1. Previso com MMC com ndice de sazonalidade ....................................... 52
4.1.2. Previso usando o mtodo Holt-Winters .................................................... 53
4.1.3. Previso usando RNs-MLP ........................................................................ 54
4.1.4. Previso usando RNs-RBF ......................................................................... 56
4.1.5. Comentrios sobre os resultados da sada do sistema Mackey-Glass ........ 57
4.2. Simulaes para a srie Ibovespa ...................................................................... 58
4.2.1. Previso com mdia mvel centrada com ndice de sazonalidade ............. 58
4.2.2. Previso usando o mtodo Holt-Winters .................................................... 59
4.2.3. Previso usando RNs-MLP ........................................................................ 61
4.2.4. Previso usando RNs-RBF ......................................................................... 62
4.2.5. Comentrios sobre os resultados da srie Ibovespa ................................... 63
4.3. Simulaes para a srie Dow Jones ................................................................... 64
4.3.1. Previso com mdia mvel centrada com ndice de sazonalidade ............. 64
4.3.2. Previso usando o mtodo Holt-Winters .................................................... 65
4.3.3. Previso usando RNs-MLP ........................................................................ 66
4.3.4. Previso usando RNs-RBF ......................................................................... 67
4.3.5. Comentrios sobre os resultados da srie Dow Jones ................................ 69
4.4. Simulaes para a srie Nasdaq......................................................................... 70
4.4.1. Previso com mdia mvel centrada com ndice de sazonalidade ............. 70
4.4.2. Previso usando o mtodo Holt-Winters .................................................... 71
4.4.3. Previso usando RNs-MLP ........................................................................ 72
4.4.4. Previso usando RNs-RBF ......................................................................... 73
4.4.5. Comentrios sobre os resultados da srie Nasdaq ...................................... 74
4.5. Sntese conclusiva ............................................................................................. 75
Captulo 5 - Concluso ................................................................................................. 77
Referncias Bibliogrficas ............................................................................................ 80
vii

Lista de Figuras
Figura 2.1 Estrutura bsica de um neurnio artificial. Adaptado de Santos (2005). ............. 29
Figura 2.2 Padres linearmente separveis ........................................................................... 33
Figura 2.3 Exemplo de estrutura de uma rede neural MLP ................................................... 34
Figura 2.4 Estrutura bsica de uma rede neural RBF. Adaptado de Santos (2005). ............. 38
Figura 3.1 Sada do sistema Mackey-Glass ........................................................................... 45
Figura 3.2 Srie temporal do ndice Bovespa utilizada neste trabalho .................................. 47
Figura 3.3 Srie temporal do ndice Dow Jones .................................................................... 48
Figura 3.4 Srie temporal do ndice Nasdaq utilizada neste trabalho ................................... 49
Figura 4.1 Previso da sada do sistema Mackey-Glass usando o modelo MMC com
ndice de sazonalidade e o erro quadrtico dos segmentos de validao e teste ...................... 53
Figura 4.2 Previso da sada do sistema Mackey-Glass usando o modelo Holt-Winters e
o erro quadrtico dos segmentos de validao e teste .............................................................. 54
Figura 4.3 Previso de sada do sistema Mackey-Glass usando RN-MLP e o erro
quadrtico dos segmentos de validao e teste ......................................................................... 55
Figura 4.4 Previso da sada do sistema Mackey-Glass usando RN-RBF e o erro
quadrtico dos segmentos de validao e teste ......................................................................... 56
Figura 4.5 Previso da srie Ibovespa usando o modelo MMC com ndice de
sazonalidade e o erro quadrtico dos segmentos de validao e teste ...................................... 59
Figura 4.6 Previso da srie Ibovespa usando o modelo Holt-Winters e o erro quadrtico
dos segmentos de validao e teste........................................................................................... 60
Figura 4.7 Previso da srie Ibovespa usando RN-MLP e o erro quadrtico dos
segmentos de validao e teste ................................................................................................. 61
Figura 4.8 Previso da srie Ibovespa usando RN-RBF e o erro quadrtico dos segmentos
de validao e teste ................................................................................................................... 62
Figura 4.9 Previso da srie Dow Jones usando o modelo MMC com ndice de
sazonalidade e o erro quadrtico dos segmentos de validao e teste ...................................... 64
viii

Figura 4.10 Previso da srie Dow Jones usando o modelo Holt-Winters e o erro
quadrtico dos segmentos de validao e teste ......................................................................... 66
Figura 4.11 Previso da srie Dow Jones usando RN-MLP e o erro quadrtico dos
segmentos de validao e teste ................................................................................................. 67
Figura 4.12 Previso da srie Dow Jones usando RN-RBF e o erro quadrtico dos
segmentos de validao e teste ................................................................................................. 68
Figura 4.13 Previso da srie Nasdaq usando o modelo MMC com ndice de
sazonalidade e o erro quadrtico dos segmentos de validao e teste ...................................... 70
Figura 4.14 Previso da srie Nasdaq usando o modelo Holt-Winters e o erro quadrtico
dos segmentos de validao e teste........................................................................................... 71
Figura 4.15 Previso da srie Nasdaq usando RN-MLP e o erro quadrtico dos
segmentos de validao e teste ................................................................................................. 72
Figura 4.16 Previso da srie Nasdaq usando RN-RBF e o erro quadrtico dos segmentos
de validao e teste ................................................................................................................... 73











ix

Lista de Tabelas
Tabela 2.1 Dados para exemplo do mtodo Holt-Winters. Adaptado de Makridakis et al.
(1998). ...................................................................................................................................... 24
Tabela 2.2 Dados para exemplo da mdia mvel centrada com ndice de sazonalidade.
Fonte: Tubino (2000) ................................................................................................................ 26
Tabela 2.3 Funes de ativao. Adaptado de Cortez (1997) e Santos (2005). .................... 30
Tabela 2.4 Principais funes de base radial. Fonte: Santos (2005). .................................... 37
Tabela 2.5 Algoritmos de aprendizagem para ajuste de parmetros livres. Adaptado de
Castro (2001). ........................................................................................................................... 39
Tabela 3.1. Distribuio das amostras para cada segmento .................................................. 51
Tabela 4.1 ndices de desempenho para a previso da sada do sistema Mackey-Glass
usando RN-MLP ....................................................................................................................... 55
Tabela 4.2 ndices de desempenho para a sada do sistema da sada do sistema Mackey-
Glass usando RN-RBF ............................................................................................................. 57
Tabela 4.3 Comparativo dos resultados para a sada do sistema Mackey-Glass ................... 57
Tabela 4.4 ndices de desempenho para a previso da srie Ibovespa usando RN-MLP...... 61
Tabela 4.5 ndices de desempenho para a previso da srie Ibovespa usando RN-RBF ...... 63
Tabela 4.6 Comparativo dos resultados para a srie Ibovespa .............................................. 63
Tabela 4.7 ndices de desempenho para a previso da srie Dow Jones usando RN-MLP .. 67
Tabela 4.8 ndices de desempenho para a previso da srie Dow Jones usando RN-RBF ... 68
Tabela 4.9 Comparativo dos resultados para a srie Dow Jones ........................................... 69
Tabela 4.10 ndices de desempenho para a previso da srie Nasdaq usando RN-MLP ...... 73
Tabela 4.11 ndices de desempenho para a previso da srie Nasdaq usando RN-RBF ....... 74
Tabela 4.12 Comparativo dos resultados para a srie Nasdaq .............................................. 74

x

Lista de Abreviaturas
ARIMA AutoRegressive Integrated Moving Average
ARMA AutoRegressive Moving Average
DAX Deutscher Aktien Index
GARCH Generalized AutoRegressive Conditional Heteroskedasticity
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error
ME Mean Error
MLP MultiLayer Perceptron
MMC Mdia Mvel Centrada
MPE Mean Percentage Error
MSE Mean Squared Error
PE Percentage Error
RBF Radial Basis Function
RN Rede Neural
SARIMA Seasonal AutoRegressive Integrated Moving Average












xi

Resumo
A previso de sries temporais um problema que tem recebido especial ateno dos
pesquisadores nos ltimos anos. Prever o futuro, e em especial o comportamento de sries
temporais, fundamental em anlises e apoio tomada de decises, e continua sendo um
desafio para a estatstica e a computao. O Holt-Winters um modelo de previso
exponencial, conhecido por lidar com elementos de tendncia e sazonalidade de uma srie
temporal. As redes neurais tm se mostrado grandes ferramentas na aplicao de previses de
sries temporais, bem como sua capacidade de paralelismo e no-linearidade chamam a
ateno para sua utilizao. O perceptron a forma mais simples de uma rede neural, porm,
com capacidade apenas para trabalhar com tarefas lineares. A rede neural MultiLayer
Perceptron surge para tratar os problemas no lineares. As redes neurais de funes de base
radial so de uma classe de redes neurais com uma camada oculta, onde cada neurnio
ativado por uma funo de base radial, de onde derivado seu nome. Os neurnios na camada
oculta fornecem um conjunto de funes no-lineares, de base radial, que constituem uma
base arbitrria para os padres de entrada. Neste contexto este trabalho se prope a realizar
um comparativo de alguns modelos lineares e no-lineares para a previso um passo a frente
de trs sries temporais distintas, tentando encontrar qual modelo se adapta melhor a qual
srie temporal. Os modelos comparados so o de mdia mvel centrada (MMC) com ndice
de sazonalidade, Holt-Winters, rede neural perceptron de mltiplas camadas e rede neural
funo de base radial. Quanto s sries temporais, o objetivo comparar sries diferentes,
porm dentro da rea de finanas: ndices Bovespa, Dow Jones e Nasdaq, alm da sada do
sistema Mackey-Glass, para ser utilizada como benchmark.

Palavras-Chave: Previso, sries temporais, Holt-Winters, redes neurais, mercado
financeiro.



xii

Abstract
The time series forecasting is a problem that has received special attention from
researchers in recent years. Predict the future, and in particular the behavior of time series, is
essential to analyze and support decision making, and remains a challenge for statistics and
computing. The Holt-Winters model is a kind of exponential estimator, known for dealing
with time series elements of trend and seasonality. The neural networks have been major tools
in the application of time series forecasts, and its capacity for parallelism and nonlinearity
draw attention to their use. The perceptron is the simplest form of a neural network, however,
it is able to work only with linear tasks. The MultiLayer Perceptron neural network is to treat
the nonlinear problems. The neural network of radial basis functions are of a class of neural
networks with one hidden layer, where each neuron is activated by a function of radial basis
from which it derived its name. The neurons in the hidden layer provide a set of nonlinear
functions of radial base, which constitute a basis for arbitrary patterns of entry. In this context
this study is to present a comparison of some linear and nonlinear forecasting models for one
step ahead of three different time series, trying to find which model fits best to which time
series. The models are compared to the centered moving average with index of seasonality,
Holt-Winters, the multi-layered perceptron neural network and radial basis function neural
network. As for time series, the goal is to compare different series, but within the finance
area: Bovespa, Dow Jones and Nasdaq index. Besides that, the output chaotic system
Mackey-Glass is used as a benchmark.

Keywords: Forecasting, time series, Holt-Winters, neural networks, financial market.






Captulo 1
Introduo
Uma srie temporal uma coleo de observaes feitas seqencialmente ao longo do
tempo. Uma caracterstica importante deste tipo de dado que as observaes vizinhas so
dependentes umas das outras. Enquanto para modelos de regresso a ordem no importa, para
as sries temporais essa ordem crucial. Ehlers (2007) menciona algumas reas do
conhecimento onde surgem sries temporais, tais como economia (preos dirios de aes,
taxa mensal de desemprego, produo industrial), medicina (eletrocardiograma, eletro
encefalograma), epidemiologia (nmero mensal de novos casos de meningite), metereologia
(precipitao pluviomtrica, temperatura diria, velocidade do vento), entre outros.
Outras caractersticas inerentes das sries temporais so que a ordem temporal das
observaes deve ser levada em considerao, pelas observaes serem correlacionadas torna-
se difcil a anlise e tcnicas mais especficas so necessrias, tendncias e sazonalidade
podem se tornar difceis de estimar ou remover, a seleo de modelos pode ser complicada e
torna-se mais difcil de lidar com outliers e observaes discrepantes, dada sua natureza
seqencial.
Freqentemente existe uma diferena de tempo entre um evento ou necessidade
iminente e a ocorrncia desse evento ou necessidade. Esta diferena de tempo a principal
razo para prever e planejar. A previso uma importante ajuda para um planejamento
eficiente e eficaz (MAKRIDAKIS et al., 1998).
A previso de sries temporais um problema que tem recebido especial ateno dos
pesquisadores nos ltimos anos. Prever o futuro, e em especial o comportamento de sries
temporais, fundamental em anlises e tomada de decises, e continua sendo um desafio para
a estatstica e a computao (ABELM, 1994).
14

Esta idia que a previso serve como meio de determinar base para o apoio tomada
de deciso j vinha de Morettin e Toloi (1987), que qualificavam as previses como sendo
simples e intuitivas ou complexas e quantitativas. O primeiro grupo necessita de pouca ou
nenhuma anlise, enquanto o segundo grupo j necessita de uma quantidade considervel de
anlise dos dados.
As previses tambm podem ser dividas em dois enfoques, segundo Morettin e Toloi
(1987), onde o primeiro baseado em alguma teoria para construir o modelo, enquanto no
segundo o modelo obtido diretamente dos dados disponveis, sendo este segundo enfoque
chamado de estatstico ou de sries temporais. este segundo enfoque o utilizado neste
trabalho.
Estes dois enfoques so conhecidos como previses qualitativas e quantitativas,
respectivamente.
As previses quantitativas so possveis quando, segundo Makridakis, et al. (1998), a
informao sobre o passado est disponvel, essa informao pode ser quantificada de forma
numrica e pode-se considerar que alguns padres que aconteceram no passado iro se repetir
no futuro.
Quando se trata de previso qualitativa, os dados do passado no so tratados da
mesma forma como na previso quantitativa. As entradas dependem do mtodo especfico
selecionado e so em sua maioria produto de julgamento e conhecimento acumulado. Esse
tipo de previso requer freqentemente entrada de pessoas especialmente treinadas.
Outra preocupao na previso de sries temporais determinar quo bem um modelo
se adaptou srie histrica. Neste contexto, a acuracidade tida como um dos principais
critrios para a seleo de um modelo de previso. A acuracidade se refere quo bem um
modelo de previso capaz de reproduzir os dados de uma srie temporal j conhecidos. A
acuracidade pode ser determinada atravs de vrias medidas, tais como Mean Error (ME,
Erro Mdio), Mean Absolute Error (MAE, Erro Mdio Absoluto), Mean Squared Error
(MSE, Erro Quadrtico Mdio), Mean Absolute Percentage Error (MAPE, Erro Percentual
Mdio Absoluto) e R
2
(MAKRIDAKIS et al., 1998).


15

1.1. Justificativa da pesquisa
O fato de que a previso de sries temporais um problema que tem recebido especial
ateno, dado que fundamental na anlise e tomada de decises, como j constatado por
Abelm (1994) e Morettin e Toloi (1987), chamou a ateno por suas dificuldades e
complexidades.
A verdade que vrios trabalhos j estudaram a comparao entre os modelos de
previso para uma srie temporal, como Souza (2005a), Falco (2005) e Lima (2004); ou
vrias sries temporais, como Teixeira (2003), Cortez (1997) e Cortez (2002). No entanto, a
vasta quantidade de possibilidades para fazer a previso de uma srie temporal e as vrias
concluses encontradas pelos autores faz com que se justifique a pesquisa comparativa entre
alguns dos modelos mais populares encontrados, como o Holt-Winters e as redes neurais.
Uma parte dos trabalhos encontrados que pesquisaram esses dois modelos para a previso de
sries temporais so relacionados a seguir.
Ehlers (2007), em seu trabalho, fez uma anlise detalhada sobre as sries temporais.
A previso de sries temporais, em todas as suas etapas, teve uma reviso de literatura
realizada por Gooijer e Hyndman (2006).
Sobre o modelo Holt-Winters (WINTERS, 1960), os autores a seguir fizeram os
estudos que se seguem.
Lopes (2002) aplicou diversos mtodos exponenciais em comparao com mtodos de
mdias mveis para previso de estoque de peas para automveis e concluiu que os mtodos
exponenciais tm vantagem sobre mtodos mais simples, como o de mdias mveis.
Barbiero (2003) aplicou os modelos SARIMA (seasonal autoregressive integrated
moving average), Regresso com erros ARMA (autoregressive moving average) e Holt-
Winters em dados sobre a demanda de diversos produtos da empresa Correios. Encontrou que
os modelos SARIMA e regresso com erros ARMA eram os que mais se aproximavam da
realidade.
Barbosa (2005) estudou a aplicao de mdias mveis e mtodos exponenciais quando
aplicados em dados da demanda do lcool. Encontrou que as mdias mveis geravam um
menor erro quadrtico do que os mtodos exponenciais (incluindo Holt-Winters) e que,
usando o MSE como indicador de desempenho, a previso usando mdia mvel apresentou o
melhor resultado.
16

Souza (2005a) encontrou que a previso da demanda por energia eltrica no estado de
Santa Catarina atravs de redes neurais pode ser melhorada, ou at mesmo substituda, por um
modelo usando Holt-Winters e regresso dinmica, atravs da mdia ponderada das previses
encontradas. Souza et al. (2004) tambm concluiu apropriado o uso do modelo Holt-Winters e
regresso dinmica para a previso da demanda de energia eltrica consumida por indstrias
no estado de Santa Catarina.
Souza (2005b) comparou a previso de preos das commodities cana-de-acar, acar
e lcool, quando utilizados modelos exponenciais, mdias mveis, Holt-Winters e outros.
Descobriu que o mtodo Holt-Winters era o que melhor se adaptava para aquelas sries em
especfico, e que a previso gerada era acurada.
Souza (2007) identificou que a previso de curto prazo da demanda de energia eltrica
de um determinado distribuidor no sudeste do Brasil, quando utilizada uma variao do
modelo Holt-Winters, possvel ter um ganho sobre a utilizao do modelo Holt-Winters
tradicional. A variao Holt-Winters com mltiplos ciclos, proposta por Taylor (2003), pode
manipular sries temporais com duas sazonalidades (uma diria e outra semanal, por
exemplo).
Miranda (2007) props a utilizao de uma variao do modelo Holt-Winters para a
previso de vrios passos frente em uma srie temporal de alta freqncia de energia
eltrica, utilizando entradas exgenas de feriados e temperatura. Comparando o modelo
proposto com um modelo ingnuo, o modelo proposto apresentou resultado melhor.
Sobre previso utilizando redes neurais, pode-se destacar as literaturas a seguir.
Zhang et al. (1998) fizeram uma reviso do estado da arte das redes neurais aplicadas
previso.
Zhang (2001) fez uma investigao da capacidade de utilizao de redes neurais na
previso de sries temporais lineares, tendo como resultado que as redes neurais se mostraram
competentes para a realizao desse tipo de previso.
Zhang e Qi (2005) estudaram a aplicao de redes neurais em sries temporais com
sazonalidade e tendncia. Fizeram uma comparao entre um modelo Box-Jenkins e as redes
neurais, o resultado encontrado foi que as redes neurais no conseguem capturar tendncia e
sazonalidade de forma efetiva e tratando a sazonalidade e a tendncia antes da utilizao das
redes neurais mostrou-se ser uma forma efetiva de resolver o problema.
17

Braga (2006) verificou a correlao de outros ndices com o ndice Bovespa e o
impacto disso na previso do preo de fechamento utilizando redes neurais e o modelo
GARCH (Generalized Autoregressive Conditional Heteroskedasticity). Concluiu que os
resultados utilizando redes neurais so motivadores e indicam a possibilidade de se utilizar a
soluo. A previso gerada pelo modelo GARCH serviu como entrada para a previso da rede
neural, porm no houve ganho de performance com isso.
Freitas (2007) analisou os modelos ARMA-GARCH e redes neurais, quando usados
para fazer previso das sries temporais de taxa de cambio brasileira e da umidade em
microclima. Encontrou que os modelos de redes neurais radial basis function (RBF, funo de
base radial) eram satisfatrios para ambas as sries temporais, j o modelo ARMA-GARCH
se adaptou melhor a srie de taxa de cmbio e no obteve previso satisfatria para a srie de
microclima.
Zou et al. (2007) comparou a performance do modelo ARIMA (autoregressive
integrated moving average), redes neurais e uma combinao de modelos lineares para a
previso de preos do alimento em gro no mercado chins, encontrando como o melhor
modelo as redes neurais.
Santos et al. (2007) analisaram a diferena entre os modelos de redes neurais
MultiLayer Perceptron (MLP, perceptron multicamadas), redes neurais RBF, sistemas
nebulosos, ARMA e ARMA-GARCH no que tange a acuracidade da previso para uma srie
temporal de taxa de cambio real/dlar. A concluso foi que os modelos no lineares (redes
neurais e sistemas nebulosos) conseguiram um melhor desempenho do que os modelos
lineares (ARMA e ARMA-GARCH).
Selim (2009) comparou a regresso hedonic com redes neurais para a previso dos
preos de casas na Turquia. Dada a caracterstica no-linear da srie o autor observou que o
modelo de redes neurais conseguiu um desempenho melhor do que a regresso hedonic.
Amjady e Farshid (2008) propuseram um modelo hbrido de redes neurais e
algoritmos evolucionrios para a previso de carga de energia eltrica para o mdio prazo. O
modelo foi testado com dados de energia eltrica do Ir e dados de teste da European Network
on Intelligent Technologies obtendo resultados satisfatrios.
Hamzaebi (2008) props uma estrutura de redes neurais para melhorar o desempenho
de previses de sries temporais com sazonalidade. Naquele trabalho comparou a estrutura
sugerida com outras estruturas de redes neurais e encontrou que quando a srie temporal tem
18

uma sazonalidade acentuada a estrutura proposta obtm desempenho melhor do que estruturas
tradicionais, porm se a sazonalidade fraca o desempenho o mesmo das outras estruturas
comparadas.
Considerando todos os estudos apresentados, pode-se notar que diferentes resultados
foram encontrados e que o tema da previso de sries temporais, apesar de no ser vago, ainda
desperta dvidas e hipteses, justificando assim o objetivo deste trabalho.

1.2. Definio do problema de pesquisa
Separando-se os resultados por cada srie temporal, qual modelo de previso, dentre
os escolhidos nesta pesquisa, consegue gerar uma previso um passo a frente melhor que os
demais?

1.3. Objetivo
O objetivo geral deste trabalho a comparao de alguns modelos lineares e no-
lineares para a previso um passo a frente de trs sries temporais distintas, tentando
encontrar qual modelo se adapta melhor a qual srie temporal.
Os modelos comparados so o de mdia mvel centrada (MMC) com ndice de
sazonalidade, Holt-Winters, rede neural perceptron de mltiplas camadas e rede neural funo
de base radial.
Quanto s sries temporais, o objetivo comparar sries diferentes, porm dentro da
rea de finanas: ndices Bovespa, Dow Jones e Nasdaq, alm da srie temporal Mackey-
Glass, para ser utilizada como benchmark.
Os objetivos especficos so:
i) Entender o conceito e implementar cada modelo de previso comparado;
ii) Conhecer as caractersticas de cada srie temporal estudada; e
iii) Identificar e analisar o melhor modelo de previso, linear ou no-linear, para
cada srie temporal.

1.4. Descrio da proposta
Prope-se para esta dissertao um estudo comparativo entre os modelos de previso
MMC com ndice de sazonalidade, Holt-Winters, RN-MLP e RN-RBF; aplicados as sries
temporais Mackey-Glass e ndices Bovespa, Dow Jones e Nasdaq.
19


1.5. Contribuio da pesquisa
Este trabalho contribui no aspecto de ajudar a elucidar qual modelo de previso pode
se adequar melhor para as sries temporais financeiras. Acaba contribuindo tambm para as
comparaes dos modelos lineares com os modelos no-lineares de previso. um diferencial
deste trabalho a comparao do modelo Holt-Winters com as RNs-MLP e RNs-RBF para a
previso de sries financeiras.

1.6. Organizao da dissertao
A organizao do restante deste trabalhou deu-se da seguinte forma: no captulo 2 est
apresentada a fundamentao terica dos modelos de previso de MMC com ndice de
sazonalidade, Holt-Winters, RNs-MLP e RNs-RBF, bem como uma breve introduo sobre
sries temporais. No captulo 3 encontra-se a caracterizao da pesquisa, as sries temporais
escolhidas, os modelos escolhidos, os ndices de desempenho escolhidos e tambm a
metodologia aplicada para gerar previses para as sries temporais usando os modelos
escolhidos. No captulo 4 so apresentados os resultados das aplicaes dos modelos de
previses, separados por srie temporal, bem como comentrios sobre o desempenho de cada
mtodo para cada srie temporal. Por fim, o captulo 5 traz as concluses encontradas pela
pesquisa, as limitaes do trabalho e as sugestes para trabalhos futuros.







20

Captulo 2
Modelos de previso
Segundo Gaither e Frazier (2002), uma srie temporal um conjunto de valores
observados medidos ao longo de perodos sucessivos de tempo.
Para Corrar e Thephilo (2004), uma srie temporal um conjunto de observaes
seqenciais de determinada varivel, expressas numericamente, obtidas em perodos regulares
de tempo. A disponibilidade dos dados que condiciona a formatao das sries. O analista
deve cuidar para que as observaes sejam dispostas em pontos eqidistantes no tempo,
obtendo, dessa forma, sries temporais discretas.
Os autores supracitados tambm explicam que o grfico de uma srie temporal deve
ser traado de maneira que o tempo seja representado no eixo das abscissas (eixo x), por meio
de valores discretos seqenciados. E no eixo das ordenadas (eixo y), dispem-se os valores da
varivel de interesse. Mesmo que seja possvel representar a escala de tempo em campos
alfanumricos (por exemplo: ano1, bim2) em ferramentas de planilha eletrnica, necessrio
representar essa escala de tempo com campos numricos, cuja distncia entre eles seja
homognea.
Corrar e Thephilo (2004) complementam mencionando que a principal caracterstica
de uma srie temporal, que a torna distinta de uma amostra aleatria simples, a vinculao
das observaes com o fator tempo.
Quanto aos componentes de uma srie temporal, pode-se elencar:
i) Tendncia: , frequentemente, o componente mais importante de uma srie
temporal. Consiste no movimento de direo geral que cobre um longo perodo
de tempo e reflete as mudanas nos dados ocorridas de modo bastante
consistente e gradual. A tendncia observada, por exemplo, nos indicadores
21

econmicos, preo de aes, etc. (CORRAR; THEPHILO, 2004). Seguindo a
mesma linha, Tubino (2000) entende que tendncia consiste num movimento
gradual de longo prazo, direcionando os dados.
ii) Variaes cclicas: Consistem em variaes que apresentam movimentos
regulares em torno da reta ou da curva de tendncia. Referem-se s oscilaes de
longo prazo perodos de um ano ou mais. Os ciclos podem ser ou no
peridicos, isto , podem ou no seguir padres anlogos, depois de intervalos
de tempos iguais. (CORRAR; THEPHILO, 2004). Davis et al (2001)
complementam: os fatores cclicos so mais difceis de se determinar, j que
tanto o perodo considerado, quanto a causa do ciclo, podem no ser conhecidos.
Por exemplo: eleies polticas, guerra, condies econmicas ou presso
psicolgica.
iii) Variaes sazonais: So variaes cclicas de curto prazo (menos de um ano).
Referem-se a movimentos de padres regulares ou repetidos em torno da linha
de tendncia, em que os dados de uma srie temporal parecem obedecer a
perodos como meses, semanas, dias, etc. (CORRAR, THEPHILO, 2004).
iv) Variaes irregulares: Referem-se aos deslocamentos espordicos das sries
temporais. Decorre, normalmente, de causas naturais ou sociais provocadas por
eventos imprevisveis e no peridicos, chamados de rudos, como, por exemplo:
enchentes, greves, eleies, etc. (CORRAR, THEPHILO, 2004). Segundo
Tubino (2000) as variaes irregulares so alteraes na demanda passada
resultantes de fatores excepcionais, como greves ou catstrofes climticas, que
no podem ser previstos e, por tanto, nem includos no modelo.
Alm dos quatro itens propostos por Corrar e Thephilo, Tubino (2000) coloca mais
um componente (que comum a outros autores): a variao aleatria.
Davis et al (2001) ensinam que as variaes aleatrias so causadas por eventos
casuais. E que quando todos os componentes da srie temporal conhecidos so subtrados da
demanda total, o que sobra uma parte remanescente inexplicvel da demanda. Se no for
possvel identificar a causa da mesma, esta presumida como puramente aleatria.
Na seqncia sero descritos os modelos de previso Holt-Winters, MMC com ndice
de sazonalidade, RNs-MLP e RNs-RBF.

22

2.1. Modelo Holt-Winters
Corrar e Thephilo (2004) explicam que Holt-Winters um mtodo destinado ao
tratamento de sries temporais que apresentam tendncia e sazonalidade. Operando de forma
semelhante ao mtodo de Holt, o mtodo de Winters incorpora parmetros adicionais para o
tratamento da sazonalidade da srie.
Resumindo, o modelo Holt-Winters, segundo Lewis (1997), assume que uma demanda
baseada em tendncia e sazonalidade composta dos seguintes elementos:
i) um elemento de nvel, estacionrio, que no exibe tendncia ou sazonalidade,
mas que pode incluir alguma variao aleatria;
ii) um elemento de tendncia, em adio ao elemento de nvel;
iii) um elemento de sazonalidade em adio ao elemento de tendncia e nvel.
Makridakis et al. (1998) apresenta as seguintes frmulas do modelo Holt-Winters:
Nvel: ) )( 1 (
1 1

+ + =
t t
s t
t
t
b L
S
Y
L o o (2.1)
Tendncia:
1 1
) 1 ( ) (

+ =
t t t t
b L L b | | (2.2)
Sazonalidade:
s t
t
t
t
S
L
Y
S

+ = ) 1 ( (2.3)
Previso:
m s t t t m t
S m b L F
+ +
+ = ) (
,
(2.4)
onde
t
L : elemento nvel para o perodo t;
t
b : elemento tendncia para o perodo t;
t
S : elemento sazonalidade para o perodo t;
m t
F
+
: valor da previso para o perodo m;
t
Y : valor observado no perodo t;
s: intervalo de tempo da sazonalidade;
m: nmero do perodo previsto;
: constante de ajuste do nvel;
: constante de ajuste da tendncia;
: constante de ajuste da sazonalidade.
Sendo que 1 0 s so , 1 0 s s | e 1 0 s s .
23

No modelo Holt-Winters existe a necessidade de iniciar os valores de nvel, tendncia
e sazonalidade para aplicar as equaes (2.1), (2.2), (2.3) e (2.4).
Sobre a gerao dos valores de nvel, tendncia e sazonalidade, Makridakis et al.
(1998) menciona que, para determinar os valores da sazonalidade necessrio pelo menos um
perodo sazonal de dados histricos completo. Enquanto isso, os valores iniciais do nvel e da
tendncia so iniciados no perodo s. O nvel pode ser iniciado com a mdia da primeira poca
sazonal, conforme a equao apresentada a seguir:
). (
1
2 1 s s
Y Y Y
s
L + + + = (2.5)
Nota-se que o nvel uma mdia mvel de ordem s, com o intuito de retirar o efeito da
sazonalidade. Para iniciar o elemento da tendncia, Makridakis et al. (1998) usa duas pocas
sazonais, e expe a seguinte equao:
.
1
2 2 1 1
(


+ +

=
+ + +
s
Y Y
s
Y Y
s
Y Y
s
b
s s s s s
s
(2.6)
Cada termo uma estimativa da tendncia sobre uma sazonalidade completa. Para o
valor inicial da tendncia faz-se uma mdia de todos os termos.
A seguir, encontra-se o valor da sazonalidade para os primeiros perodos da poca
sazonal. Esse ndice encontrado dividindo-se os primeiros valores observados pelo valor
inicializado do elemento nvel, tal que:
s
L
Y
S
1
1
= ,
s
L
Y
S
2
2
= , ... , .
s
s
s
L
Y
S = (2.7)
Makridakis et al. (1998) ainda coloca que existem vrios outros meios de iniciar esses
valores, como o caso de Corrar e Thephilo (2004) que explicam que primeiro deve-se
iniciar os ndices sazonais da primeira poca sazonal tal que:
.
) (
1
2 1 s
t
t
Y Y Y
s
Y
S
+ + +
=

(2.8)
Depois, para iniciar o primeiro elemento do nvel deve-se dividir o valor observado no
perodo s pelo ndice sazonal do mesmo perodo s. A tendncia iniciada com valor zero.
Martins e Laugeni (2005) sugerem, diferentemente dos outros autores citados acima,
iniciar o valor do nvel igual ao valor observado do mesmo perodo, a tendncia iniciada com
valor zero e o ndice da sazonalidade com valor unitrio.
24

A forma de iniciar os valores de nvel, tendncia e sazonalidade, proposta por
Makridakis et al. (1998), foi a utilizada neste exemplo e tambm neste trabalho.
Aps iniciar os valores de nvel, tendncia e sazonalidade, a ordem a ser seguida para
encontrar os valores dos elementos para cada um dos perodos a seguinte:
i) calcular o elemento nvel;
ii) calcular o valor da tendncia; e
iii) calcular o ndice da sazonalidade.
Quando todos os perodos estiverem com os valores preenchidos usa-se a equao
(2.4) para determinar os valores projetados.
O exemplo da aplicao do mtodo Holt-Winters pode ser observado na tabela 2.1.
Tabela 2.1 Dados para exemplo do mtodo Holt-Winters. Adaptado de Makridakis et al. (1998).
Perodo
t
Valor
observado
t
Y
Nvel
t
L
Tendncia
t
b
Sazonalidade
t
S
Valor
previsto
t
F
Perodo
previsto
m
1 362 0,953
2 385 1,013
3 432 1,137
4 341 380,00 9,75 0,897
5 382 398,99 10,26 0,953 371,29
6 409 404,68 10,01 1,013 414,64
7 498 433,90 11,07 1,137 471,43
8 387 433,70 10,45 0,897 399,30
9 473 487,20 12,83 0,953 423,11
10 513 505,21 13,11 1,013 506,60
11 582 513,08 12,82 1,137 589,26
12 474 527,80 12,93 0,897 471,93
13 544 565,65 14,31 0,953 515,12
14 582 575,42 14,06 1,013 587,59
15 681 597,33 14,49 1,137 670,14
16 557 619,12 14,89 0,897 549,03
17 628 654,74 16,04 0,953 603,98
18 707 693,01 17,27 1,013 679,60
19 773 685,35 15,89 1,137 807,47
20 592 667,10 14,00 0,897 629,27
21 627 662,26 12,96 0,953 648,84
22 725 708,40 14,80 1,013 684,10
23 854 746,22 16,07 1,137 822,16
24 661 741,17 14,90 0,897 684,05
25 0,953 720,26 1
26 1,013 781,12 2
27 893,41 3
28 718,59 4
29 777,04 5
30 841,50 6
25


No exemplo apresentado na tabela 2.1, os valores de o , | e que apresentaram o
menor MSE foram, respectivamente 0,822, 0,055 e 0. O exemplo de como iniciar os valores
de nvel, tendncia e sazonalidade, utilizando as equaes (2.5), (2.6) e (2.7),
respectivamente, conforme segue:
( ) , 380
2
1520
341 432 385 362
4
1
4 4 4
= = + + + = L L L
( ) , 75 , 9 39
4
1
4
341 387
4
432 498
4
385 409
4
362 382
4
1
4 4 4
= =
(

= b b b

953 , 0
380
362
1 1
= = S S , 013 , 1
380
385
2 2
= = S S , 137 , 1
380
432
3 3
= = S S e
. 897 , 0
380
341
4 4
= = S S

importante ressaltar que no exemplo demonstrado na tabela 2.1 o tamanho da
sazonalidade (s) de 4.
Pode-se observar o clculo para encontrar a previso do perodo 27:
. 41 , 893 137 , 1 ) 87 , 785 ( 137 , 1 ) 3 90 , 14 17 , 741 (
3 24 3 24 3 24
= = + =
+ + +
F F F
Observa-se que a complexidade aumenta quando uma seqncia de dados histricos
apresenta tendncia e sazonalidade, isso acaba exigindo melhores e complexos modelos para
tratar essa juno de elementos. O modelo Holt-Winters uma boa escolha quando se trata do
exposto.

2.2. Mdia mvel centrada com sazonalidade
De acordo com Martins e Laugeni (2005), existem diversos mtodos para a
realizao de previses quando o consumo sazonal. Um dos mais utilizados o mtodo do
coeficiente sazonal.
Tubino (2000) lembra que a sazonalidade caracteriza-se pela ocorrncia de variaes,
para cima e para baixo, a intervalos regulares nas sries temporais da demanda. Deve existir
uma razo plausvel para a ocorrncia, e posterior repetio, destas variaes.
De acordo com Corrar e Thephilo (2004), para a captao dos efeitos das variveis
sazonais, podemos calcular ndices sazonais, que fornecem o valor percentual mdio das
observaes nas estaes sazonais observadas. Esse procedimento gera um ajuste na projeo
26

da tendncia, aumentando sua acurcia, porque considera os impactos causados por valores
sazonais ao longo de toda a srie.
Tubino (2000) menciona que a forma mais simples de considerar a sazonalidade nas
previses da demanda consiste em empregar o ltimo dado da demanda, no perodo sazonal
em questo, e assum-lo como previso.
Na tabela 2.2 pode ser encontrado um exemplo, onde a demanda o nmero de
refeies servidas por dia de semana.

Tabela 2.2 Dados para exemplo da mdia mvel centrada com ndice de sazonalidade. Fonte: Tubino (2000)
Dia Demanda Mdia mvel
centrada
ndice de
sazonalidade
Segunda-feira 50
Tera-feira 55
Quarta-feira 52
Quinta-feira 56 443/7 = 63,28 56/63,28 = 0,88
Sexta-feira 65 448/7 = 64 65/64 = 1,01
Sbado 80 443/7 = 63,28 80/63,28 = 1,26
Domingo 85 449/7 = 64,14 85/64,14 = 1,32
Segunda-feira 55 443/7 = 63,28 55/63,28 = 0,86
Tera-feira 50 448/7 = 64 50/64 = 0,78
Quarta-feira 58 443/7 = 63,28 58/63,28 = 0,91
Quinta-feira 50 438/7 = 62,57 50/62,57 = 0,79
Sexta-feira 70 435/7 = 62,14 70/62,14 = 1,12
Sbado 75 435/7 = 62,14 75/62,14 = 1,20
Domingo 80 431/7 = 61,57 80/61,57 = 1,29
Segunda-feira 52 441/7 = 63 52/63 = 0,82
Tera-feira 50 436/7 = 62,28 50/62,28 = 0,80
Quarta-feira 54 446/7 = 63,71 54/63,71 = 0,84
Quinta-feira 60 456/7 = 65,14 60/65,14 = 0,92
Sexta-feira 65 454/7 = 64,85 65/64,85 = 1,00
Sbado 85 457/7 = 65,28 85/65,28 = 1,30
Domingo 90 458/7 = 65,42 90/65,42 = 1,37
Segunda-feira 50
Tera-feira 53
Quarta-feira 55

Para calcular o ndice de sazonalidade Tubino (2000) explica que dividindo-se o
valor da demanda no perodo pela mdia mvel centrada neste perodo. O perodo empregado
para o clculo da mdia mvel o ciclo da sazonalidade. Quando se dispe de dados
suficientes, calculam-se vrios ndices para cada perodo e tira-se uma mdia.
De acordo com Tubino (2000), quando o ciclo da sazonalidade for um nmero par,
por exemplo, 12 meses, com o centro dos dados caindo no meio de um perodo, primeiro
27

calcula-se a mdia mvel centrada. A seguir, corrigem-se estes valores para que coincidam
com os perodos analisados, fazendo a mdia de dois valores descentrados corresponderem a
um valor centrado.
Com os valores obtidos na tabela 2.2 pode-se calcular o ndice de sazonalidade para
cada dia da semana como a mdia dos ndices encontrados:
I
seg
= (0,86 + 0,82)/2 = 0,84
I
ter
= (0,78 + 0,80)/2 = 0,79
I
qua
= (0,91 + 0,84)/2 = 0,87
I
qui
= (0,88 + 0,79 + 0,92)/3 = 0,86
I
sex
= (1,01 + 1,12 + 1,00)/3 = 1,04
I
sb
= (1,26 + 1,20 + 1,30)/3 = 1,25
I
dom
= (1,32 + 1,29 + 1,37)/3 = 1,32.
Este o ndice que dever ser usado sobre a ltima mdia mvel para encontrar a
previso da demanda. Seguindo o mtodo, o clculo da previso para o prximo dia da
semana pode ser obtido conforme demonstrado:
27 , 56 86 , 0 43 , 65
7
55 53 50 90 85 65 60
= =
|
.
|

\
| + + + + + +
=
qui qui qui qui
F F I F .
Caso a previso seja de vrios passos frente o valor previsto entra no clculo da
mdia mvel, enquanto a observao mais antiga deixa a equao.

2.3. Redes neurais artificiais
As redes neurais artificiais, originalmente desenvolvidas para mimetizar sistemas
neurais biolgicos bsicos (o crebro humano, basicamente), so compostas por um nmero
de elementos simples de processamento interconectados denominados neurnios. (ZHANG et
al., 1998). Estes elementos simples, os neurnios, so, segundo Haykin (2001),
implementados utilizando-se componentes eletrnicos ou atravs de simulao por
programao em um computador digital.
A motivao para a utilizao de redes neurais artificiais vem do conhecimento que o
crebro processa informaes de uma maneira diferente de um computador digital tradicional,
sendo esse um computador altamente complexo, no-linear e paralelo.


28

Uma rede neural inspirada no crebro humano em dois aspectos:
i) o conhecimento adquirido atravs de um processo de aprendizagem, com
informaes do prprio ambiente;
ii) o peso de cada sinapse do neurnio representa o conhecimento adquirido
(HAYKIN, 2001).
Abelm (1994) ressalta que embora o neurnio artificial no tenha algumas
caractersticas do neurnio biolgico, tais como atraso de tempo, efeito de sincronismo e
modulao de freqncia, os neurnios artificiais possuem atributos semelhantes aos
neurnios biolgicos e que em essncia o funcionamento do neurnio biolgico foi absorvido.
Cortez (2002) menciona que as redes neurais artificiais tm caractersticas nicas, no
encontradas em outros mtodos:
i) aprendizagem e generalizao, que diz respeito a conseguir descrever o todo a
partir de algumas partes;
ii) processamento maciamente paralelo, fazendo com que tarefas complexas sejam
realizadas em um curto espao de tempo.
O neurnio a unidade principal para uma rede neural artificial e sua estrutura bsica
apresentada na figura 2.1. Assim como o neurnio biolgico, o neurnio artificial apresenta
divises e similaridades com o neurnio biolgico:
i) Sinapses: representa a conexo de um neurnio com outro ou a conexo entre
um valor de entrada e o neurnio. Para cada sinapse atribudo um peso (ou
fora), sendo que toda informao que passa pela sinapse multiplicada por esse
peso, fazendo com que o conjunto de pesos represente a inteligncia ou a
memria de uma determinada rede neural. A influncia de um neurnio sobre
outro o produto da sada do neurnio antecessor com o peso da sinapse que os
conecta (SOTO, 1999). Haykin (2001) coloca que diferente do crebro humano,
o neurnio artificial aceita pesos sinpticos tanto negativos como positivos.
ii) Somador: faz a somatria da multiplicao de cada valor de entrada pelo
respectivo peso sinptico. Aps a somatria ainda existe a opo de aplicar o
bias sobre o resultado obtido.
iii) Funo de ativao: o resultado da somatria do passo anterior passado como
entrada em uma funo de ativao, que tem o objetivo de limitar a amplitude da
sada. Segundo Haykin (2001), normalmente o intervalo de sada, depois da
29

funo de ativao, pode ser escrito como intervalo unitrio fechado [0, 1] ou [-
1, 1]. Existem vrias funes de ativao para uma rede neural, entre elas a mais
usada, segundo Santos (2005), a funo sigmide, definida por uma funo
estritamente crescente que exibe um balanceamento adequado entre
comportamento linear e no-linear. A tabela 2.3 contm algumas funes de
ativao.
A figura 2.1 mostra a estrutura bsica de um neurnio artificial, que foi proposto
inicialmente por McCulloch e Pitts (1943), onde x
1
, x
2
e x
3
representam as entradas do
neurnio artificial, w
1
, w
2
e w
3
os pesos das sinapses, b
k
o nvel de bias. O valor da varivel v,
que a entrada da funo de ativao, o somatrio das entradas aps a multiplicao pelos
respectivos pesos (u) mais a aplicao do bias, antes de ser passado para a funo de ativao.
O resultado da funo de ativao a varivel y, a sada do neurnio.

Figura 2.1 Estrutura bsica de um neurnio artificial. Adaptado de Santos (2005).

Matematicamente podem-se formular as seguintes equaes:

=
=
n
i
i i
x w u
1
(2.9)
k
b u v + = (2.10)
) (v y = .
1
|
|
.
|

\
|
+ |
.
|

\
|
=

=
k
n
i
i i
b x w y (2.11)
A funo do bias aumentar ou diminuir o valor de entrada na funo de ativao. Se
o valor passado para a funo de ativao aumentado ou diminudo ento isso acaba
influenciando a funo de ativao no seu resultado. Este um recurso a mais para tentar
ajustar a sada obtida com a sada esperada.
Sada
Bias
b
k
E

(.)
v
x
1
1
x
2
1
x
3
1
w
1
1
w
2

w
3

y
Funo de ativao
Entradas
30

Tabela 2.3 Funes de ativao. Adaptado de Cortez (1997) e Santos (2005).
Nome Funo Domnio
Limiar

<
>
=
0 0
1 0
) (
v
v
v [0,1]
Linear
v v = ) ( ] + , [
Sigmide
) exp( 1
1
) (
av
v
+
=
[0,1]
Sigmide 1
1
) exp( 1
2
) (
+
=
av
v
[-1,1]
Sigmide 2
| | 1
) (
v
v
v
+
=
[-1,1]
Seno ) 2 mod sin( ) ( t v v =
[-1,1]
Cosseno ) 2 mod cos( ) ( t v v =
[-1,1]
Gaussiana
|
|
.
|

\
|
=
2
) (
2
x
e v [-1,1]
Saturao

<
e
+ >
=
1 0
] 1 , 1 [
1 0
) (
v
v v
v
v [-1,1]
Tangente hiperblica
v v
v v
e e
e e
v

= ) ( [-1,1]

A arquitetura de uma rede neural artificial composta de pelo menos trs camadas, os
neurnios das camadas intermedirias e da camada de sada, os ns de entrada, o tipo de
conexo de cada camada e a topologia da rede. O neurnio, que seria a menor unidade da rede
neural, compe as camadas intermedirias e de sada. Cada camada intermediria e de sada
tem pelo menos um neurnio, sendo que pelo menos duas camadas esto sempre presentes em
uma rede neural: a camada de entrada e a camada de sada. Existe a possibilidade de camadas
intermedirias sejam adicionadas para permitir que a gerao da sada seja atravs de uma
funo contnua e no-linear das entradas.
As redes neurais so ferramentas computacionais flexveis em um ambiente dinmico.
Elas tm capacidade de aprender rapidamente padres complexos e tendncias presentes nos
dados e de se adaptar rapidamente s mudanas, caractersticas essas que so desejveis em se
tratando de predio de sries temporais (CASTRO, 2001).
Essa habilidade de realizar previses para sries temporais, reconhecimento de
padres, entre outras aplicaes das redes neurais s possvel por causa do processo de
aprendizagem sobre o ambiente que ela est inserida. Haykin (2001) entende que esse
31

processo de aprender a partir do ambiente em que a rede neural est inserida e melhorar seu
desempenho atravs da aprendizagem tem importncia primordial.
Aprender, neste caso, est relacionado a encontrar os melhores valores para os pesos
sinpticos de cada neurnio, bem como o melhor valor para o nvel de bias. J o processo de
aprendizagem diz respeito busca desses melhores valores. Cada nova iterao nesse
processo de aprendizagem altera os valores dos pesos sinpticos e do nvel de bias, tornando a
rede mais inteligente.
Santos (2005) resume o processo de aprendizagem: deve-se encontrar o ajuste de
peso sinptico e do nvel de bias que produzam o menor nvel de erro entre a resposta
desejada e a resposta estimada pela rede (no caso de uma srie temporal) ou a melhor
fronteira de separao (deciso) entre dois padres presentes em um conjunto de dados.
Basicamente existem dois paradigmas de aprendizagem:
i) aprendizagem supervisionada: necessita dos valores de entrada e suas
respectivas sadas esperadas. A cada iterao desse conjunto de entradas e sadas
encontrado um valor de erro, utilizado para corrigir os pesos sinpticos e nveis
de bias;
ii) aprendizagem no-supervisionada: somente os valores de entrada so esperados.
Para este caso a rede tenta descobrir padres nos valores de entrada atravs de
identificao de regularidades estatsticas. Dessa forma a rede neural
automaticamente adapta os pesos sinpticos para representar e agrupar os
padres de entrada com caractersticas semelhantes.
Haykin (2001) lista algumas propriedades das redes neurais:
i) no linearidade: um neurnio pode ser linear ou no linear. Quando a RN
constituda de conexes entre neurnios no lineares, ela mesma no linear.
Esta propriedade torna-se mais importante se o mecanismo gerador das entradas
da rede for inerentemente no linear (como o caso de um sinal de voz).
ii) Mapeamento de entrada-saida: diz respeito a forma de aprendizagem com um
professor ou supervisionada. quando a RN treinada com um conjunto de
dados de entrada e os respectivos dados de sada, fazendo com que os pesos
sinpticos sejam acertados de forma a criar um mapeamento entre os dados de
entrada e os dados esperados de sada.
32

iii) Adaptabilidade: as RNs tm uma capacidade inata de adaptar os pesos sinpticos
de acordo com modificaes no meio ambiente. Desta forma, uma rede pode ser
facilmente retreinada caso haja alguma alterao no ambiente operacional.
Tambm possvel que os pesos sejam reajustados em tempo real, para o caso
de ambientes no-estacionrios.
iv) Resposta a evidncias: no contexto de classificao de padres, uma RN pode
ser projetada para fornecer informao no somente sobre qual melhor padro
particular selecionar, mas tambm sobre a confiana ou crena na deciso
tomada.
v) Informao contextual: o conhecimento representado pela prpria estrutura e
estado de ativao de uma RN. Cada neurnio da rede potencialmente afetado
pela atividade de todos os outros neurnios na rede. Conseqentemente, a
informao contextual tratada naturalmente pela RN.
vi) Tolerncia a falhas: uma RN, quando implementada na forma fsica (em
hardware), tem o potencial de ser inerentemente tolerante a falhas, ou capaz de
realizar computao robusta, no sentido que seu desempenho de degrada
suavemente sob condies de operao adversas.
vii) Implementao em Very Large Scale Integration: a natureza maciamente
paralela de uma RN a faz ser potencialmente rpida na computao de certas
tarefas. Esta mesma caracterstica torna uma RN adequada para implementao
utilizando tecnologia de integrao em escala muito ampla.
viii) Uniformidade de anlise e projeto: a mesma noo utilizada em todos os
domnios envolvendo a aplicao de RNs.
ix) analogia neurobiolgica: o projeto de uma RN motivado pela analogia com o
crebro: uma prova que o processamento paralelo tolerante a falhas no
somente possvel mas tambm rpido e poderoso.
A construo de um modelo de redes neurais artificiais envolve desde a modelagem
adequada at as transformaes utilizadas para transmitir os dados a ela e os mtodos
utilizados para interpretar os resultados obtidos. Esses trs aspectos (modelagem,
transformaes e interpretao) so fundamentais na utilizao das redes neurais artificiais
para, no somente, mas tambm, previso de preos (BRESSAN, 2004).
33

Nas prximas sees so detalhadas as RNs perceptron multicamadas e funo de
base radial.

2.3.1 Perceptron de mltiplas camadas
Rosenblatt (1958) props o perceptron como primeiro modelo para aprendizagem com
um professor. Segundo Haykin (2001), o perceptron a forma mais simples de uma rede
neural usada para a classificao de padres denominados linearmente separveis. O
perceptron de uma nica camada consiste de um nico neurnio com pesos sinpticos e bias.
O procedimento de aprendizagem pode ser o desenvolvido pelo prprio Rosenblatt (1958,
1962), no entanto esse modelo de perceptron de um nico neurnio limitado a realizar
classificao de padres com apenas duas classes. A figura 2.2 mostra um exemplo de classes
linearmente separveis.
Para resolver o problema de padres no linearmente separveis necessrio adicionar
mais camadas na estrutura do perceptron.

Figura 2.2 Padres linearmente separveis


A figura 2.3 mostra a estrutura bsica de uma rede neural MLP, com uma camada de
entrada, duas camadas ocultas e uma camada de sada. Esta mesma estrutura pode ser
representada na forma de equao, segundo Santos (2005), conforme apresentada na equao
(2.12),
.
1 1
)

+
|
|
.
|

\
|
+ =

= =
m
i
s
n
j
j j ij i i s
b b w w y (2.12)
x
1
x
2
34

Santos (2005) define trs aspectos bsicos do projeto de uma rede neural MLP:
i) a determinao do nmero de camadas ocultas;
ii) a determinao do nmero de neurnio em cada uma das camadas; e
iii) a especificao dos pesos sinpticos que interconectam os neurnios nas
diferentes camadas da rede neural.

Figura 2.3 Exemplo de estrutura de uma rede neural MLP


Segundo Haykin (2001), a camada oculta no faz parte nem da entrada ou sada da
rede. A camada oculta e seus neurnios so responsveis por fazer a rede aprender tarefas
complexas extraindo progressivamente as caractersticas significativas dos padres de
entrada.
No entanto, segundo De Castro e De Castro (2001), uma desvantagem que no h
regras determinadas para especificar o nmero de camadas ocultas, to pouco para determinar
o nmero de neurnios em cada camada. Outra desvantagem relacionada s redes neurais
MLP diz respeito ao alto grau de conectividade da rede, que impede que se extraiam as regras
ou o vetor de pesos utilizado. Esta ltima restrio faz com que as redes neurais sejam
classificadas, s vezes, de modelos caixa-preta.
Segundo Santos (2005), as etapas do error backpropagation (retropropagao do
erro), proposto por Rumelhart et al. (1986), so:
i) iniciar aleatoriamente os pesos das sinapses da rede neural;
1 1 1
2 2 2
k l m
Camada de
entrada
Camada
oculta 1
Camada
oculta 2
Camada de
sada
y
1
y
2
y
m
x
1
x
2
x
n
35

ii) apresentar rede o conjunto de treinamento constitudo das entradas e das sadas
desejadas;
iii) calcular a sada da rede neural, propagando a sada dos neurnios de cada
camada da rede neural para os neurnios da prxima camada, passando por suas
respectivas funes de ativao;
iv) especificar as sadas desejadas e calcular os erros das camadas;
v) ajustar os pesos da RN, baseando-se nos valores de erro, comeando pelas
unidades de sada e propagando-se em direo primeira camada oculta;
vi) repetir as etapas (iv) e (v) at que o erro obtido apresente um valor de tolerncia
aceitvel (critrio de parada de treinamento);
vii) utilizar um conjunto de validao e/ou teste para analisar o desempenho da rede.
Algumas deficincias do algoritmo retropropagao do erro so discutidas por Guerra
e Coelho (2002) e Krose e van der Smagt (1996), onde eles apontam que este algoritmo tem
uma baixa velocidade de aprendizado e um acentuado custo computacional por conseqncia,
alm da possibilidade do algoritmo convergir para mnimos locais sem que o mnimo global
seja atingido.
A alternativa para as deficincias apontadas a utilizao do algoritmo proposto por
Levenberg e Marquardt, chamado de algoritmo Levenberg-Marquardt (Levenberg, 1944;
Marquardt, 1963). Esse algoritmo utiliza a segunda derivada da superfcie (taxa de mudana
da curvatura) em detrimento da primeira derivada (a curvatura). Segundo Guerra e Coelho
(2002), esse algoritmo uma alternativa vivel ao tradicional algoritmo de retropropagao
do erro. As etapas podem ser separadas da seguinte forma:
i) iniciar a rede neural MLP e apresentar todas as entradas e sadas;
ii) calcular a resposta da rede neural;
iii) calcular a soma dos erros quadrticos;
iv) calcular a matriz Jacobiana;
v) resolver a equao Gauss-Newton para a atualizao dos pesos sinpticos (w);
vi) parar quando um nmero de pocas foi realizado ou quando a soma do erro
quadrtico (MSE, mean squared error) encontrado est menor de um valor pr-
determinado.
Freitas e Souza (2002) apontam um problema intrnseco da rede neural MLP, o
overfitting, que quando a rede especializa-se nos padres de treinamento e perde sua
36

capacidade de generalizao. sugerida a tcnica de early stopping para contornar o
problema, que consiste em treinar a rede neural com uma determinada amostra de dados,
denominada grupo de treinamento, e validar o desempenho da rede, periodicamente,
utilizando outra amostra de dados chamada de grupo de validao. Se os resultados obtidos
com a validao atingirem um nvel satisfatrio, o treinamento interrompido. Existe ainda
outro grupo de dados para avaliar se a rede neural capaz de solucionar o problema, chamado
grupo de teste.

2.3.2. Funo de base radial
As RNs-RBF so de uma classe de redes neurais com uma camada oculta, onde cada
neurnio ativado por uma funo de base radial, de onde derivado seu nome. Os neurnios
na camada oculta fornecem um conjunto de funes no-lineares, de base radial, que
constituem uma base arbitrria para os padres de entrada (SANTOS, 2005).
Esse tipo de rede foi originalmente desenvolvido para interpolao de dados em
espaos multidimensionais, conforme diz Castro (2001). Esse problema pode ser formulado
pela seguinte equao:
), (
i i
u F y = (2.13)
onde y
i
um conjunto de escalares e u
i
um conjunto de vetores. Desta forma, se a funo
F(.) for definida analiticamente ela pode mapear valores do vetor u
i
que no pertenciam ao
conjunto original de treinamento, no conjunto de escalares y
i
. Para que a funo F(u
i
) seja
uma soluo analtica ela pode ser definida da seguinte forma:
( ), ) (
1
2

=
=
n
i
i i
u u w u F (2.14)
onde w
i
um coeficiente (o peso da conexo neste caso) e ( )
2
i
u u representa uma funo
radial. Existindo n funes radiais, o centro de cada funo dado por u
i
. Desta forma,
i
u u representa a distncia Euclidiana entre o centro de cada funo radial (u
i
) e do vetor
de entrada (u). Uma lista das principais funes de base radial apresentada na tabela 2.4.
Haykin (2001) explica que quanto menor a distncia Euclidiana entre o vetor de
entrada e o centro de um neurnio da camada oculta, maior a similaridade entre os dois.
por isso que, por exemplo, o resultado de uma funo radial gaussiana alto quando a
37

distncia euclidiana maior, assim como o resultado baixo quando a distncia Euclidiana
menor.
O parmetro o das funes de base radial vai determinar quo rapidamente o
resultado da funo radial usada se aproxima de zero medida que a distncia euclidiana
aumenta. De Castro e De Castro (2001) entendem que, na funo gaussiana, o parmetro o
corresponde ao desvio padro da respectiva funo, sendo que o desvio padro mede o
espalhamento dos dados em torno do centro da funo.

Tabela 2.4 Principais funes de base radial. Fonte: Santos (2005).
Lmina spline fina
0 , log ) (
2
> |
.
|

\
|
= o
o o

i i
u u u u
u
Multi-quadrtica
0 , ) ( ) (
2 2
> + = o o
i
u u u
Multi-quadrtica inversa
0 ,
) (
1
) (
2 2
>
+
= o
o

i
u u
u
Gaussiana
0 ,
2
) (
exp ) (
2
2
>
|
|
.
|

\
|
= o
o

i
u u
u

Antes de Broomhead e Lowe (1988), as tentativas de utilizao de uma RN-RBF
usavam tantas funes de base radial quantos fossem os padres dos dados apresentados
camada de entrada da rede neural, com o objetivo de uma aproximao mais exata. No
entanto isso ocasionava um alto custo computacional para a utilizao da rede, alm do
problema de interpolao exata, indesejvel em aproximao de funes. Broomhead e Lowe
(1988) sugeriram ento que uma RN-RBF tivesse menos funes de base radial na camada
oculta do que o nmero de vetores de entrada, aumentando assim a generalizao e
diminuindo o custo computacional.
Na sua forma mais bsica, as RNs-RBF so compostas por trs camadas: camada de
entrada, camada oculta e camada de sada. A primeira camada, de entrada, tem o objetivo de
receber os sinais do ambiente exterior e pass-los para a prxima camada. A segunda camada,
a camada oculta, formada por um conjunto de neurnios, sendo que cada neurnio
associado a um vetor de parmetros denominado de centro. Cada neurnio calcula a distncia
Euclidiana entre o respectivo centro e o valor passado pela camada de entrada com base em
uma funo de base radial. Como a funo de base radial no-linear, como a funo
gaussiana, a camada oculta passa a ser no-linear. A terceira camada a camada de sada, que
38

a resposta linear do mapeamento feito pela camada oculta. um mapeamento linear dos
valores no-lineares da camada oculta. A figura 2.4 mostra a estrutura bsica de uma RN-RBF
(PAIVA, 1999).
A sada de uma rede neural RBF, usando uma funo gaussiana na camada oculta,
pode ser expressa na equao (2.15), tal que
,
2
exp
1
2
2

=
|
|
.
|

\
|
|
|
.
|

\
|

=
n
i
i
i
u u
w y
o
(2.15)
onde w
i
o peso da sinapse entre a camada oculta e a camada de sada,
|
|
.
|

\
|

2
2
2
exp
o
i
u u
a
funo gaussiana presente na camada oculta e y representa a sada da rede.

Figura 2.4 Estrutura bsica de uma rede neural RBF. Adaptado de Santos (2005).


O processo de aprendizagem de uma RN-RBF a determinao dos parmetros livres
da rede: a varincia
2
i
o , os centros u
i
e os pesos sinpticos w
i
. Essa determinao deve ser
realizada de tal forma que a sada y seja a mais prxima da sada desejada.
Existem vrios algoritmos para atualizar cada parmetro livre de uma RN-RBF.
Santos (2005) e Castro (2001) citam como exemplo os algoritmos genticos, mapas de
Kohonen, algoritmo de mnimos quadrados ortogonais, filtro de Kalman, fuzzy c-means, k-
means, algoritmo de Moore-Penrose e Gradiente Estocstico.
39

importante ressaltar que o aprendizado de uma RN-RBF em parte no-
supervisionado e em parte supervisionado. Os centros dos neurnios da camada oculta so
determinados por mtodos como fuzzy c-means ou k-means, mtodos estes que no comparam
ou esperam uma qual seria a sada esperada para determinar o centro, sendo desta forma um
mtodo no supervisionado. Enquanto os pesos das sinapses que ligam a camada oculta
camada de sada so ajustados por algoritmos como mnimos quadrados em batelada, que
exige conhecer previamente qual ser a sada esperada, sendo desta forma um mtodo de
aprendizagem supervisionado.
A tabela 2.5 mostra quais algoritmos podem ser aplicados a quais parmetros livres.

Tabela 2.5 Algoritmos de aprendizagem para ajuste de parmetros livres. Adaptado de Castro (2001).
Varincia Centros Pesos sinpticos
Constante: por conhecimento
prvio e inferncia a partir do
conjunto de vetores de treino
Constante: por conhecimento
prvio e inferncia a partir do
conjunto de vetores de treino
Gradiente Estocstico.
Gradiente Estocstico. Clusterizao pelo
algoritmo k-means. No-
supervisionado.
Pseuda Inversa por
decomposio em valores
singulares.
p-nearest neighbor

A combinao desses mtodos para a determinao dos parmetros livres de uma RN-
RBF que vai ser o processo de aprendizagem da rede. Conforme Santos (2005), os mtodos
mais comumente utilizados para o ajuste dos parmetros livres so o k-means para o incio e
atualizao dos centros e o mnimos quadrados para atualizao dos pesos sinpticos. A
seguir descrito a utilizao do mtodo k-means e mnimos quadrados para ajuste dos centros
e pesos sinpticos, respectivamente. O algoritmo p-nearest neighbor, sugerido por Moody e
Darken (1989), usado para calcular a varincia de cada centro.
As etapas do procedimento k-means, segundo Santos (2005), so as seguintes:
i) escolher aleatoriamente a posio inicial dos M
ui
centros dos clusters (grupos)
para j=1,...,M
ui
, aleatoriamente, no conjunto de dados de entrada;
ii) para i=1,...,N, onde N o nmero de amostra do conjunto de dados, encontrar o
centro u
k
tal que a distncia do vetor de entrada x
i
seja mnima, ou seja,
{ }
j i k i
u x u x = min , para j=1,...,M
ui
e atribuir a amostra i para o cluster k;


40

iii) calcular a mdia dos pontos de dados pertencentes a cada cluster:

e
=
j
u i
i
j
j x
N
x
1
, para i=1,...,N, (2.16)
onde N
j
o nmero de amostras pertencente ao cluster j. O novo centro de cada
cluster ento atualizado como sendo a mdia de seus pontos de dados, ou seja,
j
j
x u = ;
iv) repetir as etapas (ii) e (iii) at que os centros dos clusters e a pertinncia
convirjam.
O algoritmo p-nearest neighbor usado para determinar a varincia
2
i
o das funes
de base radial. Depois de encontrados os centros de cada funo, o algoritmo p-nearest
neighbor calcula a largura das funes como sendo a mdia sobre todas as distncias
euclidianas entre o centro de cada unidade de processamento n
i
e o centro da unidade n
j
mais
prximo:
.
1
1

=
=
p
k
k j j
u u
p
o (2.17)
Para o ajuste dos pesos sinpticos usa-se o estimador de mnimos quadrados
ordinrios, onde a matriz de interpolao pode ser descrita da seguinte forma:
. y w = | (2.18)
E a equao (2.19) do estimador dos mnimos quadrados ordinrios aplicada para
ajustar os pesos sinpticos pode ento ser descrita como:
( ) .
1
y w
T
=

| | | (2.19)

2.4. ndices de desempenho
Para Makridakris et al. (1998) em muitos casos o termo acuracidade refere-se ao quo
bem um modelo de previso se adapta a dados que j eram conhecidos, no entanto, para o
consumidor das previses, acuracidade representa o quo bem um modelo consegue
minimizar os erros de uma previso onde os dados ainda no so conhecidos.
Existe uma variedade de tcnicas para testar a acuracidade de um modelo de previso.
Nesta seo sero apresentadas algumas dessas tcnicas.
41

2.4.1. Medidas estatsticas padres (ME, MAE, MSE e MAPE)
Makridakris et al. (1998) explica que o erro definido pela diferena entre uma
observao no tempo t e a previso para o mesmo tempo t. Chega-se seguinte equao:
.
t t t
F Y e = (2.20)
Normalmente F
t
calculado usando-se os valores de Y
1
at Y
t-1
, para os casos onde
apenas um valor de previso gerado chama-se de previso de um passo frente. O erro
tambm recebe o nome de erro da previso de um passo frente.
Para os casos onde existe previso para n perodos frente e tambm n observaes
frente, podero ser calculados n valores de erro, um para cada perodo. Para ambos os casos as
seguintes equaes de estatstica padro podem ser definidas:
Mean Error (ME, Erro Mdio) ,
1
1

=
=
n
t
t
e
n
(2.21)
Mean Absolute Error (MAE, Erro Mdio Absoluto) ,
1
1

=
=
n
t
t
e
n
e (2.22)
Mean Squared Error (MSE, Erro Mdio Quadrtico) .
1
1
2

=
=
n
t
t
e
n
(2.23)
A medida de acuracidade dessas estatsticas depende da escala dos dados utilizada,
desta maneira no facilitando a comparao entre sries temporais de diferentes reas ou
diferentes perodos.
Para comparar a acuracidade entre duas diferentes sries temporais ou intervalos de
tempo necessrio usar uma medida do erro relativa ou percentual.
Primeiramente define-se um erro percentual atravs da seguinte equao:
Percentage Erro (PE, Erro Percentual) . 100
|
|
.
|

\
|
=
t
t t
Y
F Y
(2.24)
A partir da equao (2.24) podem-se definir outras duas equaes utilizadas:
Mean Percentage Error (MPE, Erro Mdio Percentual) ,
1
1

=
=
n
t
t
PE
n
e (2.25)
Mean Absolute Percentage Error (MAPE, Erro Mdio Percentual Absoluto)

=
=
n
t
t
PE
n
1
1
. (2.26)
importante ressaltar que quando a srie temporal contm observaes de valor zero
no possvel calcular o erro percentual, isso devido diviso na equao (2.24).
42

Gujarati (2006) entende que o coeficiente R
2
vai dar uma idia da qualidade do
ajustamento entre a linha de regresso e o conjunto de dados. Aplicando-se nas sries
temporais pode-se dizer que quo bem os valores estimados se ajustam na srie observada.
O R
2
pode ser obtido atravs da equao (2.27).
.
) (
)

(
1
1
2
1
2
2

=
=

=
n
t
t
n
t
t t
Y Y
Y Y
R (2.27)
















43

Captulo 3
Metodologia
Neste captulo apresentada caracterizao da pesquisa, as sries temporais
escolhidas, os modelos de previso escolhidos, os ndices de desempenho e a metodologia
como foram aplicados os modelos de previso nas sries temporais.

3.1. Caracterizao da pesquisa
Segundo JUNG (2004), as pesquisas cientficas podem ser classificadas quanto
natureza, objetivos, procedimentos, fonte de referncias, alm de ambiente e tempo de
aplicao.
Em relao natureza, esta pesquisa enquadra-se como tecnolgica (JUNG, 2004),
uma vez que conhecimentos bsicos so aplicados e novos conhecimentos so gerados como
resultado do processo de pesquisa.
Quanto aos objetivos, esta pesquisa apresenta-se como explicativa. As pesquisas
explicativas, segundo JUNG (2004), visam identificao dos fatores que contribuem para a
ocorrncia dos fenmenos ou variveis que afetam o processo.
Referente aos procedimentos, essa pesquisa caracteriza-se como operacional. Segundo
JUNG (2004), a pesquisa operacional tem por princpio a investigao de forma sistemtica
e racional dos processos envolvidos e utiliza ferramentas estatsticas e mtodos matemticos
para obteno da melhor soluo. Dessa forma, observa-se que essa pesquisa utiliza anlises
estatsticas e mtodos matemticos para a avaliao dos resultados.
Com relao fonte de referncias, essa pesquisa bibliogrfica, pois segundo JUNG
(2004), a pesquisa bibliogrfica procura identificar as diferentes contribuies existentes na
44

literatura sobre o tema. Neste estudo, revisa-se a literatura a respeito de mtodos lineares e
no-lineares de previso de sries temporais.
O ambiente de aplicao desta pesquisa laboratorial. A pesquisa em laboratrio,
segundo JUNG (2004), caracteriza-se pela possibilidade de se controlar as variveis que
possam interferir no experimento.
Alm disso, o fato de utilizar os preos de fechamento dos ndices Bovespa, Dow
Jones e Nasdaq dentro de um intervalo de tempo determinado, no caso entre Janeiro de 1995 e
Agosto de 2008, faz com que esta pesquisa seja caracterizada quanto ao tempo de aplicao
como longitudinal (JUNG, 2004).

3.2. Sries Temporais
As sries financeiras escolhidas foram:
- Ibovespa;
- Dow Jones; e
- Nasdaq.
Alm disso, a srie temporal Mackey-Glass foi selecionada a fim de servir como
problema-teste.
A escolha dos ndices baseou-se na importncia que todos eles tm no cenrio
econmico nacional e internacional. Cada srie temporal apresentada detalhadamente nas
prximas sees.
As sries temporais financeiras dos ndices Bovespa, Dow Jones e Nasdaq passaram
por uma normalizao nos dados a fim de deixar os valores de cada srie dentro do intervalo
de 0 e 1. Procedimento necessrio para ser possvel a utilizao de modelos de redes neurais
na previso. Para tanto cada srie passou por uma transformao independente, onde todos os
valores da srie foram divididos pelo valor mais alto da srie. Importante tambm ressaltar
que os ndices de desempenho foram calculados com base nos valores reais das sries.

3.2.1. Mackey-Glass
A sada do sistema Mackey e Glass (1977) um dos estudos de caso mais conhecidos
e utilizados na identificao de sistemas e previses de sries temporais. Entre os vrios
autores que j usaram esta srie, pode-se relacionar Jones et al (1990), Hsieh (1990), Gmez-
45

Ramrez et al (2007), Billings e Hong (1998), Paiva (1999), Bon e Crucianu (2002) e
Jang(2003).
O sistema Mackey-Glass um sistema catico. Um sistema catico tambm
conhecido como sistema dinmico, que pode ser definido, segundo Alligood (2000), como um
conjunto de estados possveis, juntamente com uma regra que determina o estado presente em
termos do estado passado, significando que o mesmo deve ser determinstico. Ser
determinstico poder determinar o estado presente unicamente baseado no estado passado.
Outra caracterstica dos sistemas dinmicos que eles so altamente sensveis s condies
iniciais.
A sada do sistema Mackey-Glass foi gerada nos mesmos moldes de Jang (1993). A
equao diferencial com atraso (3.1) foi usada para tanto. A equao dada por:
) ( 1 , 0
) ( 1
) ( 2 , 0
) (
10
t x
t x
t x
t x
+

=
t
t
(3.1)
Onde t representa o tempo e t o parmetro da srie catica. Para obter os valores da
sada do sistema a cada ponto inteiro foi aplicado o mtodo Runge-Kutta de quarta ordem
para encontrar uma soluo numrica para a equao (4.1). O passo de tempo utilizado foi
0,1, a condio inicial x(t) = 1,2, t = 17 e x(t) foi gerado para 999 0 s s x . Foi tambm
assumido x(t) = 0 quando t < 0. A figura 3.1 apresenta a sada do sistema Mackey-Glass.

Figura 3.1 Sada do sistema Mackey-Glass


Desta forma uma srie temporal com 2000 amostras foi gerada, tendo-se selecionado
apenas as amostras do tempo t 118 at 1117, ficando a srie temporal com apenas 1000
amostras.
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 100 200 300 400 500 600 700 800 900 1000
S
a

d
a
Amostras
Estimao Valid. Teste
46

3.2.2. ndice Bovespa
Segundo a Bovespa (2008), o ndice Bovespa o mais importante indicador do
desempenho mdio das cotaes do mercado de aes brasileiro. Sua relevncia advm do
fato do ndice Bovespa retratar o comportamento dos principais papis negociados na
Bovespa e tambm de sua tradio, pois o ndice manteve a integridade de sua srie histrica
e no sofreu modificaes metodolgicas desde sua implementao em 1968.
O ndice Bovespa representa o valor atual, em moeda corrente, de uma carteira terica
de aes constituda em 02/01/1968 (valor-base: 100 pontos), a partir de uma aplicao
hipottica
1
. Supe-se no ter sido efetuado nenhum investimento adicional desde ento,
considerando-se somente os ajustes efetuados em decorrncia da distribuio de proventos
pelas empresas emissoras (tais como reinverso de dividendos recebidos e do valor apurado
com a venda de direitos de subscrio, e manuteno em carteira das aes recebidas em
bonificao). Dessa forma, o ndice reflete no apenas as variaes dos preos das aes, mas
tambm o impacto da distribuio dos proventos, sendo considerado um indicador que avalia
o retorno total de suas aes componentes.
Confivel e com uma metodologia de fcil acompanhamento pelo mercado, o ndice
Bovespa representa fielmente o comportamento mdio das principais aes transacionadas, e
o perfil das negociaes vista observadas nos preges da Bovespa.
A finalidade bsica do ndice Bovespa a de servir como indicador mdio do
comportamento do mercado. Para tanto, sua composio procura aproximar-se o mais
possvel da real configurao das negociaes vista (lote-padro) na Bovespa.
Em termos de liquidez, as aes integrantes da carteira terica do ndice Bovespa
respondem por mais de 80% do nmero de negcios e do volume financeiro verificados no
mercado vista (lote-padro) da Bovespa.
A Bovespa responsvel pela gesto, clculo, difuso e manuteno do ndice
Bovespa.

1
Segundo a Bovespa (2008), o ndice sofreu, unicamente para efeito de divulgao e sem prejuzo de
sua metodologia de clculo, as seguintes adequaes: 1 diviso por 100, em 03/10/1983; 2 diviso por 10, em
02/12/1985; 3 diviso por 10, em 29/08/1988; 4 diviso por 10, em 14/04/1989; 5 diviso por 10, em
12/01/1990; 6 diviso por 10, em 28/05/1991; 7 diviso por 10, em 21/01/1992; 8 diviso por 10,em
26/01/1993; 9 diviso por 10, em 27/08/1993; 10 diviso por 10, em 10/02/1994; 11 diviso por 10, em
03/03/1997.
47

A figura 3.2 apresenta a srie temporal do ndice Bovespa de 01/01/1995 at
31/12/2008.

Figura 3.2 Srie temporal do ndice Bovespa utilizada neste trabalho


Para fazer a coleta dos dados utilizou-se a base de dados do site de finanas da Yahoo:
www.finance.yahoo.com.
Foram coletados os dados relativos ao ndice Bovespa a partir da data 01/01/1995 at
a data 31/12/2008. A periodicidade dos dados diria e o preo utilizado o de fechamento.
Os dias onde no houve prego, como feriados e fins de semana, foram removidos do
universo.
Desta maneira o universo compreendido pelos dias onde houve negociao entre o
dia 01/01/1995 at o dia 31/12/2008, totalizando um montante de 3462 amostras.
A data de incio em 01/01/1995 foi escolhida devido ao fato do plano Real ter entrado
em vigor no ano anterior e alterado drasticamente a economia brasileira.

3.2.3. ndice Dow Jones
Segundo DowJones (2009), o ndice Dow Jones o mais difundido em jornais, na
televiso e na internet. Tambm foi o primeiro ndice a ser publicado nos Estados Unidos da
Amrica, ganhando fama depois da segunda guerra mundial, quando todas as atenes se
voltaram para o desempenho excepcional da bolsa de valores norte americana. Alm do fator
da longevidade, outros dois fatores contribuem para sua popularidade: o ndice fcil de
0
10000
20000
30000
40000
50000
60000
70000
80000
0 500 1000 1500 2000 2500 3000 3500
P
r
e

o
Amostras
Estimao Valid. Teste
48

entender para a maioria das pessoas e representa com confiabilidade a tendncia bsica do
mercado.
Ainda segundo DowJones (2009), o ndice composto por 30 empresas atualmente.
Sendo dois teros das empresas indstrias manufatureiras e de bens de consumo. As empresas
restantes representam servios financeiros, de entretenimento, tecnologia da informao e
outros setores.
Para fazer a coleta dos dados utilizou-se a base de dados do site de finanas da Yahoo:
www.finance.yahoo.com.
Foram coletados os dados relativos ao ndice Dow Jones (^DJIA) a partir da data
01/01/1995 at a data 31/12/2008. A periodicidade dos dados diria e o preo utilizado o
de fechamento. Os dias onde no houve prego, como feriados e fins de semana, foram
removidos do universo.
A figura 3.3 apresenta a srie temporal do ndice Dow Jones de 01/01/1995 at
31/12/2008.

Figura 3.3 Srie temporal do ndice Dow Jones


O conjunto de dados compreendido pelos dias, onde houve negociao entre o dia
01/01/1995 at o dia 31/12/2008, totalizando um montante de 3526 amostras.
As datas de incio em 01/01/1995 e fim em 31/12/2008 foram escolhidas com base na
srie temporal do ndice Bovespa.


0
2000
4000
6000
8000
10000
12000
14000
16000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Estimao Valid. Teste
49

3.2.4. ndice Nasdaq
Segundo a Nasdaq (2009), o ndice NASDAQ Composite compreende todas as aes
comuns listadas na bolsa de valores NASDAQ, domsticas ou internacionais. O ndice foi
lanado no ano de 1971 com o valor base 100 e, atualmente, inclui mais de 3000 empresas,
quase todas da rea de tecnologia e biotecnologia. O ndice representa a maior bolsa de
valores eletrnica do mundo.
Para fazer a coleta dos dados utilizou-se a base de dados do site de finanas da Yahoo:
www.finance.yahoo.com.
Foram coletados os dados relativos ao ndice NASDAQ Composite (^IXIC) a partir da
data 01/01/1995 at a data 31/12/2008. A periodicidade dos dados diria e o preo utilizado
o de fechamento. Os dias onde no houve prego, como feriados e fins de semana, foram
removidos do conjunto de dados.
A figura 3.4 apresenta a srie temporal do ndice Nasdaq de 01/01/1995 at
31/12/2008.

Figura 3.4 Srie temporal do ndice Nasdaq utilizada neste trabalho


Desta maneira, o universo compreendido pelos dias onde houve negociao entre o
dia 01/01/1995 at o dia 31/12/2008, totalizando um montante de 3526 amostras.
As datas de incio em 01/01/1995 e fim em 31/12/2008 foram escolhidas com base na
srie temporal do ndice Bovespa.


0
1000
2000
3000
4000
5000
6000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Estimao Valid. Teste
50

3.3. Modelos de previso
Os modelos de previso escolhidos foram:
- Mdia mvel centrada com ndice de sazonalidade;
- Holt-Winters;
- Rede neural MLP; e
- Rede neural RBF.
Essa escolha baseou-se em modelos de previses j conhecidos do autor (MMC com
ndice de sazonalidade e Holt-Winters) e modelos comumente utilizados em outros trabalhos
de previso, sendo para sries financeiras ou no (RN-MLP e RN-RBF).

3.4. ndices de desempenho
A fim de comparar os resultados dos modelos de previso para cada srie temporal,
foram selecionados trs ndices normalmente utilizados para anlise de desempenho: MSE,
MAPE e R
2
.

3.5. Aplicao da previso
O software MATLAB, da MathWorks, foi utilizado para a codificao dos modelos de
previso bem como para a gerao dos resultados, grficos e posteriores clculos dos ndices
de desempenho. De uma forma geral, um script desenvolvido especialmente para esta
pesquisa lia os dados das sries temporais, que j tinham sido coletados em suas respectivas
fontes em um passo anterior, e aplicava os modelos de previso, armazenando os resultados
em arquivos. Em seguida, os melhores parmetros para cada modelo de previso eram
apresentados na tela, bem como os ndices de desempenho encontrados para aqueles
parmetros.
As sries temporais foram dividas em trs segmentos:
- Estimao, a fim de usar para a estimao dos modelos: 80% dos dados da
amostra;
- Validao, usado para encontrar o menor erro usando o modelo encontrado no
segmento de estimao: 10% dos dados da amostra; e
- Teste, usado para avaliar a capacidade de generalizao e acuracidade do
modelo encontrado: 10% dos dados da amostra.
51

Essa diviso ocorreu de forma seqencial, considerando a ordem das observaes da
srie temporal, ou seja, a estimao teve amostras do incio da srie at 80%, os 10%
seguintes foram usados para validao e os 10% finais foram usados para teste. A tabela 3.1
mostra qual foi a distribuio de cada segmento para cada srie temporal.

Tabela 3.1. Distribuio das amostras para cada segmento
Srie Temporal Estimao Validao Teste
Mackey-Glass 1 at 800 801 at 900 901 at 1000
ndice Bovespa 1 at 2770 2771 at 3116 3117 at 3462
ndice Dow Jones 1 at 2821 2822 at 3174 3175 at 3526
ndice NASDAQ 1 at 2821 2822 at 3174 3175 at 3526

O script desenvolvido em MATLAB estimava o modelo com dados do primeiro
segmento, a estimao. Em seguida fazia a previso para o prximo segmento, o de validao,
e gerava os ndices de desempenho s para o segmento de validao. Os melhores parmetros
do modelo encontrados usando o segmento de validao eram ento utilizados para gerar a
previso do segmento de teste.
Para os modelos de RNs a defasagem a ser usada funcionava como entradas na RN.
Assim, quando o parmetro dizia defasagem de 3 significa dizer que a rede recebia 3 entradas,
uma para cada defasagem: entrada 1, observao no t-1; entrada 2, observao no t-2; e,
entrada 3, observao no t-3. Onde t o tempo da iterao atual para a previso um passo
frente. Apenas as entradas relacionadas defasagem participaram do conjunto de entradas dos
modelos de RNs.
Os resultados ento foram ento analisados, tabulados e apresentados no captulo 4.
52

Captulo 4
Apresentao e Anlise dos Resultados


4.1. Simulaes para a sada do sistema Mackey-Glass
A sada do sistema Mackey-Glass foi escolhida para servir de comparativo entre os
mtodos validados neste trabalho e outros mtodos anteriormente estudados por outros
autores.

4.1.1. Previso com MMC com ndice de sazonalidade
Para a previso usando MMC com ndice de sazonalidade foram testadas
sazonalidades de tamanho 1 at 400, sendo que a melhor sazonalidade encontrada para o
perodo de estimao foi de 1. A figura 4.1 apresenta a previso da sada do sistema Mackey-
Glass usando o modelo MMC com ndice de sazonalidade e tambm apresenta o erro
quadrtico para o segmento de validao e teste da mesma srie.
Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 1.
Visto que os valores estimados na fase de estimao foram igualados aos valores
observados da mesma fase, os ndices de desempenho para esta fase no so considerados.
Na fase de validao, os valores do MSE, MAPE e R
2
foram, respectivamente, 1,0937
x 10
-3
, 3,287300% e 0,99763.
Na fase de teste os valores do MSE, MAPE e R
2
foram, respectivamente, 1,0669
x 10
-3
, 3,311100% e 0,97949.

53

Figura 4.1 Previso da sada do sistema Mackey-Glass usando o modelo MMC com ndice de sazonalidade e o
erro quadrtico dos segmentos de validao e teste



4.1.2. Previso usando o mtodo Holt-Winters
Para a previso da sada do sistema Mackey-Glass usando Holt-Winters foram
estimadas sazonalidades de tamanho 1 at 400, sendo que para cada sazonalidade estimada os
parmetros o , | e foram testados independentemente com valores entre 0 e 1 a um passo
de 0,1 a cada etapa. A figura 4.2 apresenta a previso da sada do sistema Mackey-Glass
usando o modelo Holt-Winters e tambm apresenta o erro quadrtico para o segmento de
validao e teste da mesma srie.
Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade obtida foi de 234, enquanto os
parmetros o , | e encontrados foram, respectivamente, 1, 1 e 0,2.

0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 100 200 300 400 500 600 700 800 900 1000
S
a

d
a
Amostras
Observado
Estimado
Estimao Valid. Teste
0
0,001
0,002
0,003
0,004
0,005
0,006
0 20 40 60 80 100 120 140 160 180 200
E
r
r
o

Amostras
Validao Teste
54

Figura 4.2 Previso da sada do sistema Mackey-Glass usando o modelo Holt-Winters e o erro quadrtico dos
segmentos de validao e teste



Visto que os valores estimados na fase de estimao foram igualados aos valores
observados da mesma fase, os ndices de desempenho para esta fase no so considerados.
Na fase de validao os valores do MSE, MAPE e R
2
foram, respectivamente, 8,2605
x 10
-7
, 0,082254% e 0,99999.
Na fase de teste os valores do MSE, MAPE e R
2
foram, respectivamente, 6,3728
x 10
-3
, 2,956700% e 0,87748.

4.1.3. Previso usando RNs-MLP
Foram realizadas previses para a sada do sistema Mackey-Glass, usando RN-MLP,
variando a defasagem de 1 at 10 e o nmero de neurnios na camada oculta de 1 at 25. O
mtodo de treinamento foi o Levenberg-Marquardt. A funo de ativao da camada oculta
foi usada a sigmide e da camada de sada a linear. Foram 100 pocas de treinamento para
cada iterao (defasagem por nmero de neurnios). A figura 4.3 apresenta o resultado da
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 100 200 300 400 500 600 700 800 900 1000
S
a

d
a
Amostras
Observado
Estimado
Estimao Valid. Teste
0
0,1
0,2
0,3
0 20 40 60 80 100 120 140 160 180 200
E
r
r
o

Amostras
Validao Teste
55

melhor previso encontrada usando RN-MLP para o sistema Mackey-Glass e tambm
apresenta o erro quadrtico para o segmento de validao e teste da mesma srie.

Figura 4.3 Previso de sada do sistema Mackey-Glass usando RN-MLP e o erro quadrtico dos segmentos de
validao e teste



Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 5 e o melhor nmero de neurnios na camada oculta foi
de 15.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.1.
Tabela 4.1 ndices de desempenho para a previso da sada do sistema Mackey-Glass usando RN-MLP
Fase MSE MAPE R
2

Estimao 1,1801 x 10
-7
0,026584% 0,99999
Validao 1,0033 x 10
-7
0,025015% 0,99999
Teste 6,4306 x 10
-8
0,020844% 0,99999

0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 100 200 300 400 500 600 700 800 900 1000
S
a

d
a
Amostras
Observado
Estimado
Estimao Valid. Teste
0
0,5
1
1,5
2
0 20 40 60 80 100 120 140 160 180 200
E
r
r
o


(
x

1
0
-
6
)
Amostras
Validao Teste
56

4.1.4. Previso usando RNs-RBF
Foram realizadas previses para a sada do sistema Mackey-Glass, usando RN-RBF,
variando a defasagem de 1 at 50 e o nmero de centros de 2 at 50. Os spreads das funes
da ativao da RN-RBF foram variados entre 1, 0,1, 0,01 e 0,001. Neste caso, a funo de
base radial adotada foi a Gaussiana. O ajuste dos centros foi realizado pelo mtodo k-means e
o ajuste dos pesos atravs do algoritmo de mnimos quadrados em batelada.
A figura 4.4 apresenta o resultado da melhor previso encontrada usando RN-RBF
para a sada do sistema Mackey-Glass e tambm apresenta o erro quadrtico para o segmento
de validao e teste da mesma srie.

Figura 4.4 Previso da sada do sistema Mackey-Glass usando RN-RBF e o erro quadrtico dos segmentos de
validao e teste



Foi buscado o menor MSE variando-se a defasagem e o nmero de centros para a fase
de validao da srie temporal. Desta forma, o melhor valor para a defasagem foi de 24 e o
melhor nmero de centros foi de 21. O spread que apresentou o melhor resultado foi 1.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.2.
0
0,2
0,4
0,6
0,8
1
1,2
1,4
1,6
0 100 200 300 400 500 600 700 800 900 1000
S
a

d
a
Amostras
Observado
Estimado
Estimao Valid. Teste
0
0,5
1
1,5
2
0 20 40 60 80 100 120 140 160 180 200
E
r
r
o


(
x

1
0
-
5
)
Amostras
Validao Teste
57

Tabela 4.2 ndices de desempenho para a sada do sistema da sada do sistema Mackey-Glass usando RN-RBF
Fase MSE MAPE R
2

Estimao 2,8395 x 10
-6
0,152370% 0,99995
Validao 1,6646 x 10
-6
0,116250% 0,99999
Teste 1,5106 x 10
-6
0,108780% 0,99997

4.1.5. Comentrios sobre os resultados da sada do sistema Mackey-Glass
A tabela 4.3 apresenta, de forma tabulada, os resultados de cada modelo, para cada
segmento da sada do sistema.

Tabela 4.3 Comparativo dos resultados para a sada do sistema Mackey-Glass
ndice de
desempenho
MMC com
ndice de
sazonalidade
Holt-Winters RN-MLP RN-RBF
Estimao
MSE 1,1801 x 10
-7
2,8395 x 10
-6

MAPE 0,026584% 0,152370%
R
2
0,99999 0,99995
Validao
MSE 1,0937 x 10
-3
8,2605 x 10
-7
1,0033 x 10
-7
1,6646 x 10
-6

MAPE 3,287300% 0,082254% 0,025015% 0,116250%
R
2
0,99763 0,99999 0,99999 0,99999
Teste
MSE 1,0669 x 10
-3
6,3728 x 10
-3
6,4306 x 10
-8
1,5106 x 10
-6

MAPE 3,311100% 2,956700% 0,020844% 0,108780%
R
2
0,97949 0,87748 0,99999 0,99997

Conforme citado anteriormente, a sada do sistema Mackey-Glass foi selecionada por
servir de benchmark em vrios estudos j realizados, e neste trabalho tem o sentido de
posicionar os mtodos selecionados de acordo com outros trabalhos realizados.
Dentre os modelos apresentados o que teve o pior resultado geral foi o modelo linear
de mdias mveis com ndice de sazonalidade. possvel perceber que quase no houve
diferena entre a fase de validao e a fase teste, pois os valores dos trs ndices analisados
ficaram muito prximos. Esta pouca variao se deve ao fato de que a melhor sazonalidade
encontrada para o modelo de MMC foi de 1, fazendo com que o valor estimado fosse igual ao
valor observado no t-1. No que diz respeito ao modelo linear Holt-Winters, durante a fase de
validao, que onde o processo tenta encontrar o menor MSE, possvel observar que ficou
em segundo lugar, com resultado inferior apenas para a RN-MLP, por uma estreita margem, e
superando at mesmo a RN-RBF. No entanto, a fase de teste acabou ficando to ruim quanto
58

o outro modelo linear estudado, o de mdias mveis. possvel entender desta forma que o
modelo Holt-Winters, para esta srie, foi eficiente em estimar os parmetros para um
segmento conhecido da srie, porm no se saiu bem quando o mesmo modelo foi aplicado
em dados no conhecidos durante a estimao.
Ainda sobre o modelo Holt-Winters, possvel perceber atravs da figura 4.2 que
quando o modelo foi aplicado na fase de teste os valores estimados ficaram longe dos valores
observados em alguns momentos, enquanto em outros momentos os valores estimados
acabaram ficando muito prximos dos valores observados. Isso explica porque o MSE do
modelo Holt-Winters maior que do modelo MMC com ndice de sazonalidade, enquanto
que o MAPE do modelo MMC com ndice de sazonalidade maior que o do modelo Holt-
Winters.
No que dizem respeito aos modelos no-lineares, ambos mantiveram o mesmo
desempenho durante a fase de estimao, validao e teste, mostrando a capacidade de
generalizao desses modelos na sada do sistema Mackey-Glass. Por fim, o melhor modelo
encontrado foi o da RN-MLP, que alm de ser melhor que a RN-RBF nas trs fases, ainda
obteve um resultado melhor na fase de teste do que na fase de validao, onde o processo
procurava pelo menor MSE.

4.2. Simulaes para a srie Ibovespa

4.2.1. Previso com mdia mvel centrada com ndice de sazonalidade
Para a previso usando mdia mvel centrada com ndice de sazonalidade foram
testadas sazonalidades de tamanho 1 at 400, sendo que a melhor sazonalidade encontrada
para o perodo de estimao foi de 1. A figura 4.5 apresenta a previso da srie temporal do
ndice Bovespa usando MMC com ndice de sazonalidade e tambm apresenta o erro
quadrtico para o segmento de validao e teste da mesma srie.
Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 1.

59

Figura 4.5 Previso da srie Ibovespa usando o modelo MMC com ndice de sazonalidade e o erro quadrtico
dos segmentos de validao e teste



Dado que na fase de estimao os valores foram igualados aos valores observados da
mesma fase, os ndices de desempenho para esta fase no so considerados. Observa-se, no
entanto, que os valores do MSE, MAPE e R
2
encontrados para a fase de validao foram,
respectivamente, 427324,18, 1,1586% e 0,99994. Para a fase de teste os valores do MSE,
MAPE e R
2
foram, respectivamente, 2057891,19, 2,0992% e 0,98119.

4.2.2. Previso usando o mtodo Holt-Winters
Para a previso da srie Ibovespa usando Holt-Winters foram estimadas sazonalidades
de tamanho 1 at 400, sendo que para cada sazonalidade estimada os parmetros o , | e
foram testados independentemente com valores entre 0 e 1 a um passo de 0,1 a cada etapa. A
figura 4.6 apresenta a previso da srie temporal do ndice Bovespa usando o modelo Holt-
Winters e tambm apresenta o erro quadrtico para o segmento de validao e teste da mesma
srie.
0
10000
20000
30000
40000
50000
60000
70000
80000
0 500 1000 1500 2000 2500 3000 3500
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
0 100 200 300 400 500 600
E
r
r
o


(
x

1
0
7
)
Amostras
Validao Teste
60

Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 1, enquanto os
parmetros o , | e encontrados foram, respectivamente, 0,8, 0 e 0,6.

Figura 4.6 Previso da srie Ibovespa usando o modelo Holt-Winters e o erro quadrtico dos segmentos de
validao e teste



Uma vez que os valores estimados na fase de estimao foram igualados aos valores
observados da mesma fase, os ndices de desempenho para esta fase no so considerados. J
para a fase de validao os valores do MSE, MAPE e R
2
foram, respectivamente, 423746,24,
1,1480% e 0,99994. Enquanto para a fase de teste os valores do MSE, MAPE e R
2
foram,
respectivamente, 2064644,51, 2,1094% e 0,98113.



0
10000
20000
30000
40000
50000
60000
70000
80000
0 500 1000 1500 2000 2500 3000 3500
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
0 100 200 300 400 500 600
E
r
r
o


(
x

1
0
7
)
Amostras
Validao Teste
61

4.2.3. Previso usando RNs-MLP
Foram realizadas previses para a srie Ibovespa, usando RN-MLP, variando a
defasagem de 1 at 10 e o nmero de neurnios na camada oculta de 1 at 25. O mtodo de
treinamento foi o Levenberg-Marquardt. A funo de ativao da camada oculta foi usada a
sigmide e da camada de sada a linear. Foram 100 pocas de treinamento para cada iterao
(defasagem por nmero de neurnios). A figura 4.7 apresenta a previso da srie temporal do
ndice Bovespa usando RN-MLP e tambm apresenta o erro quadrtico para o segmento de
validao e teste da mesma srie.

Figura 4.7 Previso da srie Ibovespa usando RN-MLP e o erro quadrtico dos segmentos de validao e teste



Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 8 e o melhor nmero de neurnios na camada oculta foi
de 1. Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.4.
Tabela 4.4 ndices de desempenho para a previso da srie Ibovespa usando RN-MLP
Fase MSE MAPE R
2

Estimao 83178,33 1,6818% 0,99850
Validao 455112,73 1,2059% 0,99994
Teste 2406968,44 2,3217% 0,97800
0
10000
20000
30000
40000
50000
60000
70000
80000
0 500 1000 1500 2000 2500 3000 3500
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
0 100 200 300 400 500 600
E
r
r
o


(
x

1
0
7
)
Amostras
Validao Teste
62

4.2.4. Previso usando RNs-RBF
Foram realizadas previses para a srie Ibovespa, usando RN-RBF, variando a
defasagem de 1 at 50 e o nmero de centros de 2 at 50. Os spreads das funes da ativao
da RN-RBF foram variados entre 1, 0,1, 0,01 e 0,001. A funo de base radial usada foi a
Gaussiana. O ajuste dos centros foi realizado pelo mtodo k-means e o ajuste dos pesos
atravs do algoritmo de mnimos quadrados. A figura 4.8 apresenta a previso da srie
temporal do ndice Bovespa usando RN-RBF e tambm apresenta o erro quadrtico para o
segmento de validao e teste da mesma srie.

Figura 4.8 Previso da srie Ibovespa usando RN-RBF e o erro quadrtico dos segmentos de validao e teste



Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 1 e o melhor nmero de centros foi de 2. O spread que
apresentou o melhor resultado foi 0,001.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.5.
0
10000
20000
30000
40000
50000
60000
70000
80000
0 500 1000 1500 2000 2500 3000 3500
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
0 100 200 300 400 500 600
E
r
r
o


(
x

1
0
7
)
Amostras
Validao Teste
63

Tabela 4.5 ndices de desempenho para a previso da srie Ibovespa usando RN-RBF
Fase MSE MAPE R
2

Estimao 83908,26 1,6941% 0,99849
Validao 425509,17 1,1558% 0,99994
Teste 2060447,57 2,0981% 0,98117

4.2.5. Comentrios sobre os resultados da srie Ibovespa
A comparao entre os ndices de desempenho de cada modelo estudado para a srie
Ibovespa apresentada na tabela 4.6.

Tabela 4.6 Comparativo dos resultados para a srie Ibovespa
ndice de
desempenho
MMC com
ndice de saz.
Holt-Winters RN-MLP RN-RBF
Estimao
MSE 83178,33 83908,26
MAPE 1,6818% 1,6941%
R
2
0,99850 0,99849
Validao
MSE 427324,18 423746,24 455112,73 425509,17
MAPE 1,1586% 1,1480% 1,2059% 1,1558%
R
2
0,99994 0,99994 0,99994 0,99994
Teste
MSE 2057891,19 2064644,51 2406968,44 2060447,57
MAPE 2,0992% 2,1094% 2,3217% 2,0981%
R
2
0,98119 0,98113 0,978 0,98117

Para a fase de estimao, vlido fazer o comparativo apenas entre os modelos no-
lineares, visto que os modelos lineares tiveram seus valores estimados igualados aos valores
observados.
A RN-MLP obteve uma pequena vantagem sobre a RN-RBF na fase de estimao, em
todos os ndices de desempenho.
Na fase de validao o modelo Holt-Winters foi o que obteve o melhor resultado nos
ndices MSE e MAPE. Todos os modelos obtiveram o mesmo ndice R
2
. interessante
perceber que nesta fase o modelo RN-MLP foi o que obteve o pior resultado, ficando com
uma diferena de mais de 4% para os ndices MSE e MAPE dos outros modelos, entre eles os
lineares.
Para a fase de teste, o modelo MMC com ndice de sazonalidade apresentou o melhor
MSE e o melhor R
2
. O modelo RN-RBF apresentou o melhor MAPE. interessante observar
que a diferena entre o MAPE da RN-RBF e do MMC com ndice de sazonalidade foi
64

extremamente baixo. Para esta fase a RN-MLP apresentou o pior resultado para todos os
ndices de desempenho, sendo quase 10% a diferena para o terceiro pior ndice MAPE e 15%
para o terceiro pior ndice MSE.
possvel concluir que, mesmo a RN-MLP tendo estimado melhor o modelo durando
a fase de estimao, este modelo provou no ser to eficiente na fase de validao onde o
melhor modelo foi o Holt-Winters. No entanto, a fase de teste com dados fora da amostra,
apresentou o modelo MMC com ndice de sazonalidade como melhor resultado.

4.3. Simulaes para a srie Dow Jones

4.3.1. Previso com mdia mvel centrada com ndice de sazonalidade
Para a previso usando MMC com ndice de sazonalidade foram testadas
sazonalidades de tamanho 1 at 400, sendo que a melhor sazonalidade encontrada para o
perodo de estimao foi de 1.

Figura 4.9 Previso da srie Dow Jones usando o modelo MMC com ndice de sazonalidade e o erro
quadrtico dos segmentos de validao e teste



0
2000
4000
6000
8000
10000
12000
14000
16000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
2
4
6
8
10
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
5
)
Amostras
Validao Teste
65

A figura 4.9 apresenta a previso da srie temporal do ndice Dow Jones usando o
modelo MMC com ndice de sazonalidade e tambm apresenta o erro quadrtico para o
segmento de validao e teste da mesma srie.
Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 1.
Os ndices de desempenho para a fase de estimao no foram considerados visto que
os valores estimados nesta fase foram igualados aos valores observados. Durante a fase de
validao os valores do MSE, MAPE e R
2
encontrados foram, respectivamente, 7476,20,
0,50123% e 0,99994. E Para a fase de teste os valores do MSE, MAPE e R
2
obtidos foram,
respectivamente, 44932,00, 1,40340% e 0,98362.

4.3.2. Previso usando o mtodo Holt-Winters
Para a previso da srie Dow Jones usando Holt-Winters foram estimadas
sazonalidades de tamanho 1 at 400, sendo que para cada sazonalidade estimada os
parmetros o , | e foram testados independentemente com valores entre 0 e 1 a um passo
de 0,1 a cada etapa. A figura 4.10 apresenta a previso da srie temporal do ndice Dow Jones
usando o modelo Holt-Winters e tambm apresenta o erro quadrtico para o segmento de
validao e teste da mesma srie.
Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 20, enquanto os
parmetros o , | e encontrados foram, respectivamente, 0,9, 0 e 0,3.
Visto que os valores estimados na fase de estimao foram igualados aos valores
observados da mesma fase, os ndices de desempenho para esta fase no so considerados.
Para a fase de validao os valores do MSE, MAPE e R
2
foram, respectivamente, 7334,74,
0,50302% e 0,99994. Na fase de teste os valores do MSE, MAPE e R
2
foram,
respectivamente, 44779,36, 1,41650% e 0,98367.

66

Figura 4.10 Previso da srie Dow Jones usando o modelo Holt-Winters e o erro quadrtico dos segmentos de
validao e teste



4.3.3. Previso usando RNs-MLP
Foram realizadas previses para a srie Dow Jones, usando RN-MLP, variando a
defasagem de 1 at 10 e o nmero de neurnios na camada oculta de 1 at 25. O mtodo de
treinamento foi o Levenberg-Marquardt. A funo de ativao da camada oculta foi usada a
sigmide e da camada de sada a linear. Foram 100 pocas de treinamento para cada iterao
(defasagem por nmero de neurnios). A figura 4.11 apresenta a previso da srie temporal
do ndice Dow Jones usando RN-MLP e tambm apresenta o erro quadrtico para o segmento
de validao e teste da mesma srie.

0
2000
4000
6000
8000
10000
12000
14000
16000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
2
4
6
8
10
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
5
)
Amostras
Validao Teste
67

Figura 4.11 Previso da srie Dow Jones usando RN-MLP e o erro quadrtico dos segmentos de validao e
teste



Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 5 e o melhor nmero de neurnios na camada oculta foi
de 4.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.7.
Tabela 4.7 ndices de desempenho para a previso da srie Dow Jones usando RN-MLP
Fase MSE MAPE R
2

Estimao 9388,04 0,77159% 0,99781
Validao 9390,53 0,60935% 0,99992
Teste 46305,46 1,44310% 0,98312

4.3.4. Previso usando RNs-RBF
Foram realizadas previses para a srie Dow Jones, usando RN-RBF, variando a
defasagem de 1 at 50 e o nmero de centros de 2 at 50. Os spreads das funes da ativao
da RN-RBF foram variados entre 1, 0,1, 0,01 e 0,001. A funo de base radial usada foi a
Gaussiana. O ajuste dos centros foi realizado pelo mtodo k-means e o ajuste dos pesos
0
2000
4000
6000
8000
10000
12000
14000
16000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
2
4
6
8
10
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
5
)
Amostras
Validao Teste
68

atravs do algoritmo de mnimos quadrados. A figura 4.12 apresenta a previso da srie
temporal do ndice Dow Jones usando RN-RBF e tambm apresenta o erro quadrtico para o
segmento de validao e teste da mesma srie.

Figura 4.12 Previso da srie Dow Jones usando RN-RBF e o erro quadrtico dos segmentos de validao e
teste



Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 1 e o melhor nmero de centros foi de 8. O spread que
apresentou o melhor resultado foi 0,001.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.8.
Tabela 4.8 ndices de desempenho para a previso da srie Dow Jones usando RN-RBF
Fase MSE MAPE R
2

Estimao 9543,65 0,78137% 0,99777
Validao 7468,81 0,50233% 0,99994
Teste 44901,99 1,40390% 0,98363


0
2000
4000
6000
8000
10000
12000
14000
16000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
2
4
6
8
10
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
5
)
Amostras
Validao Teste
69

4.3.5. Comentrios sobre os resultados da srie Dow Jones
A tabela 4.9 apresenta os ndices de desempenho de cada modelo estudado para a srie
Dow Jones.
Tabela 4.9 Comparativo dos resultados para a srie Dow Jones
ndice de
desempenho
MMC com
ndice de saz.
Holt-Winters RN-MLP RN-RBF
Estimao
MSE 9388,04 9543,65
MAPE 0,77159% 0,78137%
R
2
0,99781 0,99777
Validao
MSE 7476,20 7334,74 9390,53 7468,81
MAPE 0,50123% 0,50302% 0,60935% 0,50233%
R
2
0,99994 0,99994 0,99992 0,99994
Teste
MSE 44932,00 44779,36 46305,46 44901,99
MAPE 1,40340% 1,4165% 1,4431% 1,40390%
R
2
0,98362 0,98367 0,98312 0,98363

Na fase de estimao da srie Dow Jones o mtodo RN-MLP obteve um melhor
resultado do que a RN-RBF, porm a diferena foi pequena.
O modelo Holt-Winters obteve o melhor valor para o MSE na fase de validao,
enquanto o modelo de MMC com ndice de sazonalidade apresentou o melhor MAPE.
interessante ressaltar que a diferena entre os modelos Holt-Winters, MMC com ndice de
sazonalidade e RN-RBF encontrada para o MAPE e o MSE foi de menos de 3%, enquanto o
modelo RN-MLP ficou longe dos outros modelos apresentando uma diferena em torno de
20%. No que diz respeito ao ndice R
2
apenas a RN-MLP ficou um pouco abaixo dos demais,
no deixando de estar muito prximo dos outros, que empataram.
Na fase de teste, os modelos ficaram mais prximos uns dos outros, fazendo com que
a diferena entre os maiores e os menores valores encontrados para o MSE, MAPE e R
2

ficasse em menos de 1%, com exceo da RN-MLP que apresentou diferena de 3% para o
melhor colocado. De qualquer forma, o modelo MMC com ndice de sazonalidade obteve
melhor MAPE, enquanto o modelo Holt-Winters obteve o melhor MSE e o melhor R
2
.



70

4.4. Simulaes para a srie Nasdaq

4.4.1. Previso com mdia mvel centrada com ndice de sazonalidade
Para a previso usando mdia mvel centrada com ndice de sazonalidade foram
testadas sazonalidades de tamanho 1 at 400, sendo que a melhor sazonalidade encontrada
para o perodo de estimao foi de 1. A figura 4.13 apresenta a previso da srie temporal do
ndice Nasdaq usando o modelo MMC com ndice de sazonalidade e tambm apresenta o erro
quadrtico para o segmento de validao e teste da mesma srie.

Figura 4.13 Previso da srie Nasdaq usando o modelo MMC com ndice de sazonalidade e o erro quadrtico
dos segmentos de validao e teste



Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 1.
Durante a fase de estimao os valores estimados foram igualados aos valores
observados desta mesma fase, por isso os ndices de desempenho para esta fase no so
considerados. Na fase de validao os valores do MSE, MAPE e R
2
obtidos foram,
0
1000
2000
3000
4000
5000
6000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
4
5
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
4
)
Amostras
Validao Teste
71

respectivamente, 458,50, 0,68805% e 0,99993. Enquanto na fase de teste os valores do MSE,
MAPE e R
2
foram, respectivamente, 2054,64, 1,60710% e 0,98513.

4.4.2. Previso usando o mtodo Holt-Winters
Para a previso da srie Nasdaq usando Holt-Winters foram estimadas sazonalidades
de tamanho 1 at 400, sendo que para cada sazonalidade estimada os parmetros o , | e
foram testados independentemente com valores entre 0 e 1 a um passo de 0,1 a cada etapa. A
figura 4.14 apresenta a previso da srie temporal do ndice Nasdaq usando o modelo Holt-
Winters e tambm apresenta o erro quadrtico para o segmento de validao e teste da mesma
srie.

Figura 4.14 Previso da srie Nasdaq usando o modelo Holt-Winters e o erro quadrtico dos segmentos de
validao e teste



Considerando o MSE como ndice de desempenho da fase de validao e buscando o
menor valor para este ndice, a melhor sazonalidade encontrada foi de 10, enquanto os
parmetros o , | e encontrados foram, respectivamente, 0,9, 0 e 0,3.
0
1000
2000
3000
4000
5000
6000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
4
5
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
4
)
Amostras
Validao Teste
72

Os valores estimados na fase de estimao foram igualados aos valores observados da
mesma fase, portanto os ndices de desempenho para esta fase no foram considerados. Na
fase de validao os valores do MSE, MAPE e R
2
obtidos foram, respectivamente, 453,59,
0,68990% e 0,99993. Enquanto na fase de teste os valores do MSE, MAPE e R
2
obtidos
foram, respectivamente, 2081,37, 1,62590% e 0,98493.

4.4.3. Previso usando RNs-MLP
Foram realizadas previses para a srie Nasdaq, usando RN-MLP, variando a
defasagem de 1 at 10 e o nmero de neurnios na camada oculta de 1 at 25. O mtodo de
treinamento foi o Levenberg-Marquardt. A funo de ativao da camada oculta foi usada a
sigmide e da camada de sada a linear. Foram 100 pocas de treinamento para cada iterao
(defasagem por nmero de neurnios). A figura 4.15 apresenta a previso da srie temporal
do ndice Nasdaq usando RN-MLP e tambm apresenta o erro quadrtico para o segmento de
validao e teste da mesma srie.

Figura 4.15 Previso da srie Nasdaq usando RN-MLP e o erro quadrtico dos segmentos de validao e teste



0
1000
2000
3000
4000
5000
6000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
4
5
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
4
)
Amostras
Validao Teste
73

Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 3 e o melhor nmero de neurnios na camada oculta foi
de 18.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.10.
Tabela 4.10 ndices de desempenho para a previso da srie Nasdaq usando RN-MLP
Fase MSE MAPE R
2

Estimao 1796,83 1,22590% 0,99712
Validao 448,45 0,67599% 0,99993
Teste 2052,35 1,59980% 0,98514

4.4.4. Previso usando RNs-RBF
Foram realizadas previses para a srie Nasdaq, usando RN-RBF, variando a
defasagem de 1 at 50 e o nmero de centros de 2 at 50. Os spreads das funes da ativao
da RN-RBF foram variados entre 1, 0,1, 0,01 e 0,001. A funo de base radial usada foi a
Gaussiana. O ajuste dos centros foi realizado pelo mtodo k-means e o ajuste dos pesos
atravs do algoritmo de mnimos quadrados.
Figura 4.16 Previso da srie Nasdaq usando RN-RBF e o erro quadrtico dos segmentos de validao e teste



0
1000
2000
3000
4000
5000
6000
0 400 800 1200 1600 2000 2400 2800 3200 3600
P
r
e

o
Amostras
Observado
Estimado
Estimao Valid. Teste
0
1
2
3
4
5
0 100 200 300 400 500 600 700
E
r
r
o


(
x

1
0
4
)
Amostras
Validao Teste
74

A figura 4.16 apresenta a previso da srie temporal do ndice Nasdaq usando RN-
RBF e tambm apresenta o erro quadrtico para o segmento de validao e teste da mesma
srie.
Foi buscado o menor MSE para a fase de validao da srie temporal. Desta forma, o
melhor valor para a defasagem foi de 1 e o melhor nmero de centros foi de 5. O spread que
apresentou o melhor resultado foi 1.
Os ndices de desempenho encontrados para esses dois parmetros so apresentados na
tabela 4.11.
Tabela 4.11 ndices de desempenho para a previso da srie Nasdaq usando RN-RBF
Fase MSE MAPE R
2

Estimao 1895,60 1,23110% 0,99697
Validao 457,40 0,68530% 0,99993
Teste 2060,65 1,60930% 0,98508

4.4.5. Comentrios sobre os resultados da srie Nasdaq
A tabela 4.12 apresenta os ndices de desempenho de cada modelo estudado para a
srie Nasdaq.

Tabela 4.12 Comparativo dos resultados para a srie Nasdaq
ndice de
desempenho
MMC com
ndice de saz.
Holt-Winters RN-MLP RN-RBF
Estimao
MSE 1796,83 1895,60
MAPE 1,22590% 1,23110%
R
2
0,99712 0,99697
Validao
MSE 458,50 453,59 448,45 457,40
MAPE 0,68805% 0,68990% 0,67599% 0,68530%
R
2
0,99993 0,99993 0,99993 0,99993
Teste
MSE 2054,64 2081,37 2052,35 2060,65
MAPE 1,60710% 1,62590% 1,59980% 1,60930%
R
2
0,98513 0,98493 0,98514 0,98508

Para esta srie temporal o modelo RN-MLP obteve o melhor desempenho em todos os
ndices, para todas as trs fases da previso.
Esta srie, no entanto, apresenta uma caracterstica diferente das demais estudadas:
existe uma grande variao de preo entre a amostra 1000 e a 2000. Tal variao referente
bolha das empresas ponto com nos Estados Unidos, e pouco foi sentido nas outras bolsas
75

estudadas neste trabalho. Ao analisar os parmetros encontrados pelos modelos, percebe-se
que o modelo RN-MLP conseguiu identificar melhor a srie usando mais neurnios na
camada oculta do que quando aplicado a outras sries temporais estudadas. O mesmo no
aconteceu com a RN-RBF, que acabou encontrando o melhor modelo com defasagem igual a
1 e nmero de centros igual a 5.

4.5. Sntese conclusiva
Esta seo tem o objetivo de apresentar os resultados das previses geradas pelos
modelos para as sries em questo. Inicialmente uma descrio de cada srie apresentada a
fim de deixar o leitor a par das caractersticas mais importantes.
Ao analisar as sries financeiras estudadas possvel observar que existiram perodos
de crise, onde a variao de preo foi mais brusca. Esses perodos foram entre a amostra 1000
e 2000, que representa a crise das empresas pontocom, e mais atualmente, das ltimas 500
amostras at o final da srie, caracterizada pela crise mundial desencadeada pelo subprime
americano. Tambm possvel perceber que a primeira crise, das empresas pontocom,
afetou fortemente o ndice Nasdaq, enquanto teve certa influncia no ndice Dow Jones e foi
praticamente imperceptvel no ndice Ibovespa. A segunda crise que foi possvel observar,
desencadeada pelo subprime, afetou fortemente o ndice Ibovespa e o ndice Dow Jones,
enquanto no foi to forte para o ndice Nasdaq.
A sada do sistema Mackey-Glass foi usada como benchmark, onde, considerando a
fase de teste e o MSE como ndice de desempenho, o melhor modelo de previso foi a RN-
MLP. O modelo Holt-Winters foi o pior modelo de previso para esta srie, enquanto a RN-
RBF e o modelo MMC com ndice de sazonalidade acabaram ficando em segundo e terceiro
lugares, respectivamente.
Para as sries financeiras, Ibovespa, Dow Jones e Nasdaq, o modelo RN-MLP sempre
superou o modelo RN-RBF na fase de estimao. Na fase de validao o modelo RN-MLP
voltou a ser o melhor para a srie Nasdaq, porm no apresentou resultado satisfatrio para a
srie Dow Jones e Ibovespa. Enquanto isso os modelos MMC com ndice de sazonalidade e
Holt-Winters dividiram a liderana para as sries Dow Jones e Ibovespa.
Na fase de teste, onde foram utilizados dados fora da amostra, o modelo RN-MLP foi
novamente o melhor para a srie Nasdaq. O modelo Holt-Winters obteve o melhor MSE e R
2

para a srie Dow Jones enquanto o modelo MMC com ndice de sazonalidade superou a RN-
76

RBF como melhor MAPE para esta mesma srie. Na srie Ibovespa o modelo MMC com
ndice de sazonalidade superou os outros modelos nos ndices MSE e R
2
, enquanto o modelo
RN-RBF superou os demais no ndice MAPE.
Os mtodos, tanto lineares quanto no lineares, se alternaram como os melhores
mtodos entre uma srie analisada e outra. Considerando somente as sries financeiras, e as
fases de validao e teste, o modelo RN-MLP obteve o melhor desempenho para srie
Nasdaq, os modelos Holt-Winters, MMC com ndice de sazonalidade e RN-RBF dividiram a
liderana para srie Dow Jones, e por fim os modelos lineares suplantaram os modelos no-
lineares na srie Ibovespa.
Uma possvel explicao para o modelo RN-MLP ter sido, comparativamente com os
outros modelos estudados, melhor para a srie Nasdaq, mediano para a srie Dow Jones e
ruim para a srie Ibovespa que as amostras da fase de teste fazem parte de uma crise, onde
os preos mudam abruptamente, e que durante a fase de estimao somente a srie Nasdaq
apresenta-se fortemente afetada por algum tipo de crise. Desta forma a possvel explicao
que a RN-MLP aprendeu com a crise durante a fase de estimao e pode ter um desempenho
melhor na fase de teste, onde outra crise estava em andamento.
Esta mesma idia pode ser usada para explicar o porqu um mtodo linear simples,
como o MMC com ndice de sazonalidade, obteve melhor desempenho que um no-linear
mais complexo, como foi o caso da srie Ibovespa. Como a primeira crise praticamente no
afetou esta srie, nenhum dos modelos mais complexos conseguiu prever com mais acurcia o
que estava acontecendo na fase de teste.






77

Captulo 5
Concluso
Freqentemente existe uma diferena de tempo entre um evento ou necessidade
iminente e a ocorrncia desse evento ou necessidade. Esta diferena de tempo a principal
razo para prever e planejar. A previso uma importante ajuda para um planejamento
eficiente e eficaz (MAKRIDAKIS et al., 1998).
A previso de sries temporais um problema que tem recebido especial ateno dos
pesquisadores nos ltimos anos. Prever o futuro, e em especial o comportamento de sries
temporais, fundamental em anlises e tomada de decises, e continua sendo um desafio para
abordagens baseadas em estatstica e computao (ABELM, 1994).
Com esta viso que a previso de sries temporais fundamental em anlises e
tomadas de decises este trabalho teve como objetivo principal a comparao de alguns
modelos de previso, tanto lineares quanto no-lineares, para algumas sries temporais da
rea financeira, com foco num horizonte de curtssimo prazo, ou seja, previses de um passo
frente.
Foram utilizadas trs sries temporais financeiras e um sistema com comportamento
catico para servir de benchmark com outros trabalhos. O sistema Mackey-Glass foi escolhida
para servir de benchmark devido sua utilizao para o mesmo fim em outros trabalhos. Nas
sries financeiras o ndice Ibovespa, o ndice Dow Jones e o ndice Nasdaq foram escolhidas
como estudo de caso. Todas tiveram o mesmo perodo, de 1 de Janeiro de 1995 at 31 de
Dezembro de 2008, utilizado. No entanto, o nmero de amostras acabou variando entre 3462
para a srie do Ibovespa e 3526 para as sries Dow Jones e Nasdaq.
O desempenho dos modelos estudados foi analisado pelos ndices de desempenho
MSE, MAPE e R
2
.
78

Os modelos de previso lineares estudados foram o de MMC com ndice de
sazonalidade e o Holt-Winters. Sendo o primeiro modelo mais simples e o segundo modelo
mais robusto e tambm mais utilizado em outros trabalhos. No que diz respeito aos modelos
no-lineares dois modelos de redes neurais foram escolhidos, a RN-MLP e a RN-RBF.
Os modelos foram submetidos a uma busca pelos melhores parmetros, sendo cada
srie temporal tratada separadamente. Para cada parmetro de cada modelo foi fixado uma
faixa de valores e todas as combinaes de parmetros foram testadas para encontrar o MSE,
que indicou qual foi o melhor conjunto de parmetros usados.
Os mtodos, tanto lineares quanto no lineares, se alternaram como os melhores
mtodos entre uma srie analisada e outra. Considerando somente as sries financeiras, e as
fases de validao e teste, o modelo RN-MLP obteve o melhor desempenho para srie
Nasdaq, os modelos MMC com ndice de sazonalidade e Holt-Winters dividiram a liderana
para srie Dow Jones, e por fim os modelos lineares suplantaram os modelos no-lineares na
srie Ibovespa.
O modelo RN-MLP foi, comparativamente com os outros modelos estudados, melhor
para a srie Nasdaq, mediano para a srie Dow Jones e ruim para a srie Ibovespa. Uma
possvel resposta para esse comportamento que as amostras da fase de teste fazem parte de
uma crise, onde os preos mudam bruscamente, e que durante a fase de estimao somente a
srie Nasdaq apresenta-se fortemente afetada por algum tipo de crise. Desta forma, a RN-
MLP aprendeu com a crise durante a fase de estimao e pode apresentar um desempenho
melhor na fase de teste, onde outra crise estava em andamento.
Esta mesma linha tambm explicaria o motivo de um mtodo linear simples, como o
MMC com ndice de sazonalidade, obter melhor desempenho que um no-linear mais
complexo, como foi o caso da srie Ibovespa. Como a primeira crise praticamente no afetou
esta srie, nenhum dos modelos mais complexos conseguiu prever com mais acurcia o que
estava acontecendo na fase de teste.
Para trabalhos futuros, algumas modificaes que seria interessante considerar:
adicionar um componente de tendncia no modelo MMC com ndice de sazonalidade;
adicionar um segundo componente de sazonalidade no modelo Holt-Winters, o chamado ciclo
duplo; utilizar mais de uma camada oculta na RN-MLP, bem como outras funes de ativao
do neurnio, a utilizao de outros mtodos de treinamento alm do Levenberg-Marquardt e a
adio de uma varivel de entrada com o valor da tendncia; no modelo RN-RBF o teste de
79

outras funes radiais, como multi quadrtica, bem como outros mtodos de treinamento e
deteco de centros. Para as sries temporais tambm seria interessante estudar as mesmas
sries com freqncias maiores, como 15 minutos e 1 hora, ao invs de final do dia. Alm de
tudo isso, possvel que a utilizao do volume negociado e os preos de abertura e mdia
possam direcionar a resultados melhores de previso.

80

Referncias Bibliogrficas
ABELM, A. J. G. Redes neurais artificiais na previso de sries temporais. 1994.
Dissertao de Mestrado, Ps-Graduao em Engenharia Eltrica, PUCRJ, Rio de
Janeiro, RJ.

ALLIGOOD, R. T.; SAUER, T. D.; YORKE, J. A. Chaos: an introduction to Dynamical
Systems. New York, NY, USA: Springer, 2000.

AMJADY, N.; FARSHID K.. Mid-term load forecasting of power systems by a new
prediction method. Energy Conversion and Management, doi:
10.1016/j.enconman.2008.04.008, 2008.

AN, T.; URECHE-RANGAU L.; GAMBET J.; BOUVEROT J. Robust outlier detection
for Asia-Pacific stock index returns. Journal of International Financial Markets,
Institutions and Money, vol. 18, n. 4, pp. 326-343, 2008.

BARBIERO, C. C. M. Sries temporais: um estudo de previso para a receita
operacional da ECT Empresa Brasileira de Correios e Telgrafos. 2003. Dissertao
(Mestrado em Engenharia de Produo), Universidade Federal de Santa Catarina,
Florianpolis, SC.

BARBOSA, A. Anlise da demanda do lcool utilizando os mtodos de suavizao
exponencial. 2005. Monografia (Graduao em Estatstica), Departamento de
Estatstica, Universidade Estadual de Maring, Maring, PR.

BILLINGS, S.; HONG, X. Dual-orthogonal radial basis function networks for nonlinear
time series prediction. Neural Networks, vol. 11, n.3, pp. 479-493. 1998.

81

BON, R.; CRUCIANU, M. Multi-step-ahead Prediction with Neural Networks: a
review. In: Approches Connexionnistes en Sciences conomiques et en Gestion, pp.
97-106. Boulogne sur Mer, Frana, 2002.

BOVESPA. ndice Bovespa. 2008. Disponvel em: < http://www.bovespa.com.br/
Mercado/RendaVariavel/Indices/FormConsultaApresentacaoP.asp?Indice=Ibovespa>,
acessado em 24/08/2008.

BRAGA, P. C. A. S. Previso do IBOVESPA utilizando modelos hbridos. 2006.
Dissertao de Mestrado, Programa de Ps-Graduao de Engenharia Eltrica,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, RJ.

BRESSAN, A. A. Tomada de deciso em futuros agropecurios com modelos de previso
de sries temporais. Revista de Administrao de Empresas. vol. 3, n. 1, Art. 9,
jan./jun. 2004. So Paulo, SP: Fundao Getlio Vargas, 2004.

BROOMHEAD, D.; LOWE, D. Multivariable functional interpolation and adaptative
networks. Complex Systems, vol. 2, n. , pp. 321355, 1988.

CASTRO, M. C. F. Predio no-linear de sries temporais usando redes neurais RBF
por decomposio em componentes principais. 2001. Tese de Doutorado, Programa
de Ps-Graduao em Engenharia Eltrica, Faculdade de Engenharia Eltrica e
Computao, UNICAMP, Campinas, SP.

CORRAR, L. J.; THEPHILO, C. R. Pesquisa operacional para deciso em contabilidade
e administrao: contabilometria. So Paulo, SP: Atlas, 2004.

CORTEZ, P. A. R. Algoritmos genticos e redes neuronais na previso de sries
temporais. 1997. Dissertao (Mestrado em Informtica), Departamento de
Informtica, Universidade do Minho, Braga, Portugal.

82

CORTEZ, P. A. R. Modelos inspirados na natureza para previso de sries temporais.
2002. Tese (Doutorado em Informtica), Departamento de Informtica, Universidade do
Minho, Guimares, Portugal.

DAVIS, M.; AQUILANO, N.; CHASE, R. Fundamentos da administrao da produo.
Porto Alegre, RS: Bookman, 2001.

DE CASTRO, F., DE CASTRO, M. Redes neurais artificiais. Porto Alegre, RS: Pontifcia
Universidade Catlica do Rio Grande do Sul, 2001.

DOWJONES. Dow Jones industrial average Overview. 2009. Disponvel em: <
http://www.djaverages.com/?view=industrial&page=overview>, acessado em
25/06/2009.

EHLERS, R.S. Anlise de sries temporais. Disponvel em
<http://leg.ufpr.br/~ehlers/notas>. 2007. Acesso em: 20/07/2008.

FALCO, G. P. Tcnicas univariadas aperfeioadas para a previso de curtssimo prazo a
partir de dados horrios. 2005. Dissertao (Mestrado em Engenharia Eltrica),
Programa de Ps-Graduao em Engenharia Eltrica, PUCRJ, Rio de Janeiro, RJ.

FREITAS, A. A. C. de. Previso de sries temporais via seleo de variveis,
reconstruo dinmica, ARMA-GARCH e redes neurais artificiais. 2007. Tese
(Doutorado em Engenharia Eltrica), Faculdade de Engenharia Eltrica e de
Computao, UNICAMP, Campinas, SP.

FREITAS, S., SOUZA, A. Utilizao de um modelo baseado em redes neurais para a
precificao de opes. In: Encontro Nacional de Administrao ENANPAD. Anais
do XX Encontro Nacional de Administrao ENANPAD. Salvador, BA, 2002.

GAITHER, N.; FRAZIER, G.. Administrao da produo e operaes. So Paulo:
Thomson, 2002. 598 p.
83


GMEZ-RAMREZ, E.; NAJIM, K.; IKONEN, E. Forecasting time series with a new
architecture for polynomial artificial neural network. Applied Soft Computing, vol.
7, n. 4, pp. 1209-1216. 2007.

GOOIJER, J. G.; HYNDMAN, R. J. 25 years of time series forecasting. International
Journal of Forecasting, vol. 22, n. 3, pp. 443-473, 2006.

GUERRA, F., COELHO, L. S.. Identificao de sistema dinmico catico usando rede
neural perceptron multicamadas. In: Simpsio Sul-brasileiro de Matemtica e
Informtica. Curitiba, 2002.

GUJARATI, D. N. Econometria Bsica. Rio de Janeiro, RJ: Elsevier, 2006.

HAMZAEBI, C. Improving artificial neural networks performance in seasonal time
series forecasting. Information Sciences, vol. 178, n. 23, pp. 4550-4559. 2008.

HAYKIN, S. Redes neurais: princpios e prtica. 2. Ed. Porto Alegre, RS: Bookman, 2001.

HSIEH, D. Chaos and Nonlinear Dynamics: Application to Financial Markets. Journal of
Finance, vol. 46, n. 5, pp. 1839-1916. 1990.

JANG, J. S. R. ANFIS: Adaptive network-based fuzzy inference system. IEEE
Transactions on Systems, Man and Cybernetics, vol. 23, n. 3, pp. 665-685. 1993.

JONES, R. D.; LEE, Y. C.; BARNES, C. W.; FLAKE, G. W.; LEE, K.; LEWIS, P. S.; QIAN,
S. Function approximation and time series prediction with neural network.
Proceedings of the International Joint Conference on Neural Networks, vol. 1, pp. 649-
665. 1990.

JUNG, C. F. Metodologia Para a Pesquisa & Desenvolvimento. Rio de Janeiro, RJ: Axcel
Books do Brasil Editora, 2004.
84


LEVENBERG, K. A method for the solution of certain non-linear problems in least
squares. Quart. Applied Mathematics, vol. 2, n. 2, pp. 164-168, 1944.

LEWIS, C. D. Demand forecasting and inventory control: a computer aided learning
approach. New York, USA: John Wiley & Sons, 1997.

LIMA, F. G. Um mtodo de anlise e previso de sucesses cronolgicas unidimensionais
lineares e no-lineares. 2004. Tese (Doutorado em Administrao), Programa de Ps-
Graduao em Administrao, Universidade de So Paulo, So Paulo, SP.

LOPES, R. D. Previso de autopeas: estudo de caso em uma concessionria de veculos.
2002. Dissertao (Mestrado em Engenharia de Produo), Programa de Ps-Graduao
em Engenharia de Produo, Universidade Federal de Santa Catarina, Florianpolis,
SC.

MACKEY, M. C.; GLASS L. Oscillation and chaos in physiological control systems.
Science, vol. 197, n. 4300, pp. 287-289. 1977.

MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods
and applications. 3. ed. New York, USA: Wiley, 1998.

MARTINS, P. G.; LAUGENI, F. P. Administrao da produo. 2. ed. So Paulo, SP:
Saraiva, 2005.

MARQUARDT, D. W. An algorithm for least-squares estimation of nonlinear
parameters. SIAM Journal of Applied Mathematics. vol. 11, n. 2, pp. 431-441, 1963.

MCCULLOCH, W. S.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, vol. 5, n. 4, pp. 115-133. 1943.

85

MIRANDA, C. V. C. Previso de dados de alta freqncia para carga eltrica usando
Holt-Winters com dois ciclos. 2007. Dissertao de Mestrado, Departamento de
Engenharia Eltrica, Pontifcia Universidade Catlica do Rio de Janeiro, Rio de Janeiro,
RJ.

MOODY, J.; DARKEN, C. Fast learning in networks of locally-tuned processing units.
Neural Computation, vol.1, n. 2, pp. 281-294, 1989.

MORETTIN, P. A.; TOLOI, C. M. Sries temporais. 2. ed., So Paulo, SP: Atual, 1987.

NASDAQ. NASDAQ Composite Index Methodology. 2009. Disponvel em:
<http://www.nasdaqtrader.com/content/home/help/indexmethod/CompIndexMethod.pdf
>, acessado em 27/06/2009.

PAIVA, R. P. P. C. Identificao neuro-difusa: aspectos de interpretabilidade. 1999.
Dissertao (Mestrado em Engenharia Eltrica), Departamento de Engenharia
Informtica, Universidade de Coimbra, Coimbra, Portugal.

ROSENBLATT, F. The Perceptron: a probabilistic model for information storage and
organization in the brain. Psychological Review, vol. 65, n. 6, pp. 386-408, 1958.

RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning internal
representations by error propagation. Em: Parallel distributed processing MIT
Press, vol. 1, pp. 318-362, 1986.

SANTOS, A. A. P. Previso no-linear da taxa de cmbio real/dlar utilizando redes
neurais e sistemas nebulosos. 2005. Dissertao (Mestrado em Economia), Programa
de Ps-Graduao em Economia, Universidade Federal de Santa Catarina,
Florianpolis, SC.

86

SANTOS, A. A. P.; COSTA JUNIOR, N. C. A.; COELHO, L. S. Computational
intelligence approaches and linear models in case studies of forecasting exchange
rates. Expert Systems with Applications, vol. 33, n. 4, pp. 816-823, 2007.

SELIM, H.. Determinants of house prices in Turkey: hedonic regression versus artificial
neural network. Expert Systems with Applications, vol. 36, n. 2, pp. 2843-2852, 2009.

SOTO, C. P. Redes neurais temporais para o tratamento de sistemas variantes no tempo.
1999. Dissertao (Mestrado em Engenharia Eltrica), Departamento de Engenharia
Eltrica, PUCRJ, Rio de Janeiro, RJ.

SOUZA, A. L. C. Uso do Excel e do Crystal Ball Predictor para anlise e previso de
preos de commodities do setor sucroalcoleiro. 2005b. Monografia (Graduao em
Engenharia de Produo), Universidade Federal de Itajub, Itajub, MG.

SOUZA, G. P. Previso do consumo industrial de energia eltrica no estado de Santa
Catarina: uma aplicao da combinao de previses entre modelos univariados e
de regresso dinmica. 2005a. Dissertao (Mestrado em Engenharia de Produo),
Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de
Santa Catarina, Florianpolis, SC.

SOUZA, G. P. ; SAMOHYL, R. W. ; MEURER, R. Previso do consumo de energia
eltrica do setor industrial em Santa Catarina - um estudo comparativo entre
diferentes mtodos de previso atravs de suas discrepncias. In: XXXVI Simpsio
Brasileiro de Pesquisa Operacional - O Impacto da Pesquisa Operacional nas Novas
Tendncias Multidisciplinares, So Joo Del Rei, MG. 2004.

SOUZA, R. C. ; BARROS, M.; MIRANDA, C. V. C. Short term load forecasting using
double seasonal exponential smoothing and interventions to account for holidays
and temperature effects. In: TLAIO II - 2 do Taller Latino Iberoamericano de
Investigacin de Operaciones, Acapulco, Mxico. 2007.

87

TAYLOR, J. W. Exponential Smoothing with a damped multiplicative trend.
International Journal of Forecasting, vol. 19, n. 4, 715-725, 2003.

TEIXEIRA, L. C. A. Anlises do padro de resposta da freqncia cardaca pelos
mtodos de sries temporais e semiparamtrico e de sua variabilidade na
determinao do limiar de anaerobiose. 2003. Dissertao (Mestrado em
Bioengenharia), Programa de Ps-Graduao Interunidade Bioengenharia, Universidade
Federal de So Carlos, So Carlos, SP.

TUBINO, D. F.. Manual de planejamento e controle da produo. 2. ed., So Paulo, SP:
Atlas, 2000.

WINTERS, P. R. Forecasting sales by exponentially weighted moving averages.
Management Science, vol. 6, n. 3, pp. 324-342, 1960.

ZHANG, G. P. An investigation of neural networks for linear time-series forecasting.
Computers & Operations Research, vol. 28, n. 12, pp. 1183-1202, 2001.

ZHANG, G. P.; QI, M. Neural network forecasting for seasonal and trend time series.
European Journal of Operational Research, vol. 160, n. 2, pp. 501-514, 2005.

ZHANG, G; PATUWO, B. E.; HU, M.Y. Forecasting with artificial neural networks: the
state of the art. International Journal of Forecasting, Ohio, USA, vol. 14, n. 1, pp. 35-
62, 1998.

ZOU, H. F.; XIA, G. P.; YANG, F. T.; WANG, H. Y. An investigation and comparison of
artificial neural network and time series models for Chinese food grain price
forecasting. Neurocomputing, vol. 70, n. 16-18, pp. 2913-2923, 2007.

Das könnte Ihnen auch gefallen