Use este identificador para citar ou linkar para este item: https://repositorio.ufms.br/handle/123456789/3677
Tipo: Dissertação
Título: Revisão bibliométrica sobre modelagem e previsão do preço da soja: uma comparação entre os modelos ARIMAX, redes neurais e máquina de aprendizado extremo
Autor(es): BRUNO MATOS PORTO
Primeiro orientador: Matheus Wemerson Gomes Pereira
Resumo: Modelos de previsão são úteis nas predições de preços de commodities agrícolas e servem para a tomada de decisão dos produtores rurais, investidores, autoridades agrícolas e participantes do mercado. A lacuna científica sobre previsão do preço de commodities agrícolas foi identificada por meio da análise bibliométrica, que gerou resultados de parâmetros quantitativos da produção científica e mostrou as tendências sobre a temática, além disso, forneceu referências para os econometristas do campo da previsão de preços de commodities agrícolas. O problema de previsão foi modelar um conjunto de dados de preços mensais da soja em três estados: Paraná, Rio Grande do Sul e Mato Grosso. O objetivo geral foi avaliar os modelos autorregressivos integrados de médias móveis com variável exógena (ARIMAX), rede neural perceptron multicamada (MLP) e máquina de aprendizagem extrema (ELM). O modelo teórico da pesquisa foi a lei do preço único. Os conjuntos de treinamento e teste foram modelados com métodos ARIMAX, MLP e ELM. Posteriormente, são comparadas as previsões nos conjuntos de teste com indicadores de desempenho da previsão. A precisão da previsão dos métodos foram comparadas por meio de avaliações dos gráficos box plots e testes de variâncias dos erros de cada modelo, assim identificando se tiveram diferenças estatísticas significativas entre as métricas de erro geradas na previsão. Os resultados revelam que o ARIMAX é a melhor abordagem para prever os preços do Paraná, enquanto a MLP obteve o desempenho da previsão superior, para prever os preços do Rio Grande do Sul. Por fim, a MLP e ELM com a melhor acurácia entre as comparações das previsões de preços do Mato Grosso. As demais comparações não tiveram diferenças significativas (p > 0,05) entre as variâncias dos erros dos modelos de previsão. Desta análise, o estudo concluiu que, para previsão do preço da soja, os modelos de inteligência artificial (IA), em uma parte dos casos, não são superiores em comparação ao modelo estatístico ARIMAX.
Abstract: Forecasting models are useful in the prediction of prices commodity agriculture and serve for decision-making from rural producers, investors, agricultural authorities, and market participants. The scientific gap on price forecasting commodity agriculture was identified through bibliometric analysis, which generated results in quantitative parameters of scientific production and showed trends on the subject, in addition, provided references for econometrists in the field of agricultural price forecasting commodities agriculture. The forecasting problem was to model a set of monthly soybean price data in three states: Paraná, Rio Grande do Sul, and Mato Grosso. The general objective was to evaluate the models autoregressive integrated moving average with exogenous variable (ARIMAX), multilayer perceptron neural network (MLP), and extreme learning machine (ELM). The theoretical model of the research was the law of the single price. The training and test sets were modeled using methods ARIMAX, MLP, and ELM. Subsequently, the forecasting in the test sets is compared with forecast performance indicators. The forecast accuracy of the methods was compared through evaluations of the box plots and tests of variances of the errors of each model, thus identifying whether there were significant statistical differences between the error metrics generated in the forecast. The results reveal that ARIMAX is the best approach to forecast prices in Paraná, the MLP obtained the performance of the superior forecast, to predict prices from Rio Grande do Sul. Finally, MLP and ELM with the best accuracy among the comparisons from Mato Grosso's price forecasting. The other comparisons did not have significant differences (p> 0.05) between the variances of the errors of the forecast models. From this analysis, the study concluded that, for the prediction of soybean prices, artificial intelligence (AI) models, in some cases, are not superior in comparison to the statistical model ARIMAX.
Palavras-chave: Desempenho de previsão, Previsão de séries temporais, Commodity agrícola
País: Brasil
Editor: Fundação Universidade Federal de Mato Grosso do Sul
Sigla da Instituição: UFMS
Tipo de acesso: Acesso Aberto
URI: https://repositorio.ufms.br/handle/123456789/3677
Data do documento: 2021
Aparece nas coleções:Programa de Pós-graduação em Administração

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
versão final - Porto.pdf2,72 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.