$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
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: FORECASTING METAL COMMODITIES IN A DATA-RICH ENVIRONMENT USING MACHINE LEARNING METHODS
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):  PORTUGUESE - BRAZIL

Tipo:  TEXT Subtipo:  MONOGRAPH
Natureza:  SCHOLARLY PUBLICATION
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:
This project aims at applying Machine Learning (ML) methods in order to obtain forecasting gains in comparison to traditional models. The Machine Learning methods work with a high-dimension of variables even when there are more variables than historical data available, which is not possible for linear models. A big number of models were tested with metal commodities, such as the iron ore, steel and copper, in a monthly forecasting horizon up to two years. Motivated by that, we gathered a set of time series with a considerable amount of observations, including financial instruments, exchange rates and macroeconomic indicators, which were classified and displayed in tables. The methodologies used in each model are also explained in this work. Finally, we discuss the performance of each model in different forecasting horizons for the copper spot price in the London Metal Exchange (LME). As we will see, the LASSO and the Elastic Net models, in comparison to the others, presented the best performance among different forecasting horizons. Even further, the LASSO obtained a significant gain in comparison to the benchmark models Random Walk and Autoregressive, as well as the more traditional models for forecasting heteroskedastic financial time series, ARCH and GARCH. Its method of variable selection proved to be robust in different windows for each forecasting horizon, presenting smaller and more stable performance metrics, such as the RMSE, MAE and MAD along the forecasting windows.

Descrição Arquivo
COMPLETE  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