[en] FORECASTING METAL COMMODITIES IN A DATA-RICH ENVIRONMENT USING MACHINE LEARNING METHODS

[pt] PROJETANDO PREÇOS DE COMMODITIES DE METAIS UTILIZANDO MÉTODOS DE MACHINE LEARNING EM UM AMBIENTE RICO EM DADOS

[pt] INGO VAREJAO SECKELMANN

[pt] PREVISAO

[pt] MACHINE LEARNING

[pt] BIG DATA

[pt] COMMODITY

[pt] PRECOS DE COMMODITIES

[pt] PROJECAO

[pt] METAIS

[en] FORECASTING

[en] MACHINE LEARNING

[en] BIG DATA

[en] COMMODITY

[en] COMMODITIES PRICES

[en] PROJECTION

[en] METALS

[pt] 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.

[en] 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.

ALVARO DE LIMA VEIGA FILHO

2021-07-21

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53810@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=53810@2

https://doi.org/10.17771/PUCRio.acad.53810