$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Estatísticas | Formato DC|



Título: PROJETANDO PREÇOS DE COMMODITIES DE METAIS UTILIZANDO MÉTODOS DE MACHINE LEARNING EM UM AMBIENTE RICO EM DADOS
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Autor(es): INGO VAREJAO SECKELMANN

Colaborador(es):  ALVARO DE LIMA VEIGA FILHO - Orientador
Número do Conteúdo: 53810
Catalogação:  21/07/2021 Idioma(s):  PORTUGUÊS - BRASIL

Tipo:  TEXTO Subtipo:  TRABALHO DE FIM DE CURSO
Natureza:  PUBLICAÇÃO ACADÊMICA
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53810@1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53810@2
Referência DOI:  https://doi.org/10.17771/PUCRio.acad.53810

Resumo:
O projeto tem por objetivo aplicar métodos de Machine Learning (ML) a fim de obter ganhos de projeção quando comparados a modelos mais tradicionais. Os métodos de Machine Learning são capazes de operar com um número elevado de variáveis explicativas mesmo em uma situação em que há menos dados do que variáveis candidatas, o que não é possível, por exemplo, com modelos lineares. Um grande número de modelos foi testado especificamente para o mundo de commodities metálicas, como minério de ferro, aço e cobre, num horizonte de projeção mensal dentro de até 2 anos. Motivados por isso, reunimos um conjunto de dados com uma quantidade relevante de passado, dentre elas, instrumentos financeiros, taxa de câmbio e indicadores macroeconômicos, que foram classificadas em tabelas. As metodologias utilizadas em cada modelo também são explicitadas ao longo do relatório e, por último, discutimos as performances de projeção de cada modelo em horizontes distintos para o preço spot do cobre na London Metal Exchange (LME). Como veremos, o LASSO e o ElasticNet, dentre todos os modelos, foram os que melhores performaram na grande parte do horizontes. Importante ressaltar que o LASSO obteve um ganho significativo entre os modelos que utilizamos como benchmark, como o Random Walk e o Autoregressive, assim como contra modelos que, tradicionalmente, são utilizados para estimar preço futuro de séries financeiras heterocedásticas, como o ARCH e o GARCH. Seu método de seleção de variáveis provou-se robusto em diferentes janelas para cada horizonte de projeção, apresentando medidas de aderências, como RMSE e MAE, mais estáveis e menores ao longo da janela de projeção.

Descrição Arquivo
NA ÍNTEGRA  PDF
Logo maxwell Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui