[pt] Na previsão de séries temporais, alguns autores supõem que um método de previsão individual (por exemplo, um modelo ARIMA) produz resíduos (ou erros de previsão) semelhantes a um processo de ruído branco (imprevisível). No entanto, principalmente devido às estruturas de autodependência não mapeadas por um método preditivo individual, tal suposição pode ser facilmente violada na prática. Esta tese propõe um Previsor Híbrido Wavelet (PHW) que integra as seguintes técnicas: decomposição wavelet; modelos ARIMA; redes neurais artificiais (RNAs); combinação de previsões; programação matemática não linear e amostrador Bootstrap. Em termos gerais, o PHW proposto aqui é capaz de capturar, ao mesmo tempo, estruturas com autodependência linear por meio de uma combinação linear wavelet (CLW) de modelos ARIMA, (cujo ajuste numérico ótimo ocorre por programação matemática não linear) e não linear (usando uma RNA wavelet automática) exibidas pela série de tempo a ser predita. Diferentemente de outras abordagens híbridas existentes na literatura, as previsões híbridas produzidas pela PHW proposto levam em conta implicitamente, através da abordagem de decomposição wavelet, as informações oriundas da frequência espectral presentes na série temporal subjacente. Os resultados estatísticos mostram que a metodologia híbrida supracitada alcançou ganhos de precisão relevantes no processo preditivo de quatro séries de tempo diferentes bem conhecidas, quando se compara com outras meteorologistas competitivas. / [en] In time series analysis some authors presume that a single model (an ARIMA for instance) may yield white noise errors. However that assumption can be easily violated, especially in scenarios where unmapped auto dependency structures are present inside the series. With that being said, this thesis proposes a new approach called Hybrid Wavelet Predictor (HWP) which integrates the following techniques: Wavelet Decomposition, ARIMA models, Neural Networks (NN), Combined Prediction, Non-linear mathematical programming and Bootstrap Sampling. In a broad sense, the proposed HWP is able to capture not only the linear auto-dependent structures from ARIMA using linear wavelet combination (where its optimal numerical adjustment is made through non-linear mathematical programming), but also the non-linear structures by using Neural Network. Differently from others hybrid approaches known to date, the hybrid predictions given by HWP model take into account. Statistical tests show that the hybrid approach stated above increased the prediction s effectiveness by a significant amount when compared with four well known processes.

[pt] Esta tese consiste em três ensaios sobre previsão de inflação, com foco na inflação brasileira. No primeiro ensaio, examinamos a eficácia de vários métodos de previsão para prever a inflação, com foco na agregação de previsões desagregadas. Consideramos diferentes níveis de desagregação para a inflação e empregamos uma variedade de técnicas tradicionais de séries temporais, bem como modelos lineares e não lineares de aprendizado de máquina que lidam com um número grande de preditores. Para muitos horizontes de previsão, a agregação de previsões desagregadas performa tão bem quanto expectativas baseadas em coleta e modelos que geram previsões a partir do agregado. No geral, os métodos de aprendizado de máquina superam os modelos de séries temporais tradicionais em precisão preditiva, com excelente desempenho para os desagregados da inflação. Em nosso segundo ensaio, investigamos os potenciais benefícios de combinar previsões de inflação individuais ao propor uma correção para viés variável no tempo da média de previsões. Nossa análise inclui estimações empregando janelas rolantes e modelos em espaço de estados que usam a recursividade do filtro de Kalman. Obtivemos um bom desempenho de previsão para modelos baseados em janelas rolantes pequenas em horizontes de previsão curtos e intermediários, enquanto um modelo em espaço de estados obtem um desempenho um pouco pior do que os procedimentos baseados em janelas rolantes. No terceiro ensaio, usamos aprendizado supervisionado para gerar índices prospectivos baseados em tweets e notícias para inflação acumulada e investigamos se esses índices podem melhorar o desempenho da previsão de inflação. Nossos resultados indicam que os índices baseados em notícias fornecem ganhos preditivos significativos, principalmente para os horizontes de 3 e 12 meses à frente. Esses achados sugerem que a incorporação de mais fontes de informação do que apenas expectativas baseadas em opiniões de especialistas pode levar a previsões mais precisas. / [en] This dissertation consists of three essays concerning inflation forecasting, taking the Brazilian case as an application. In the first essay, we examine the effectiveness of several forecasting methods for predicting inflation, focusing on aggregating disaggregated forecasts. We consider different disaggregation levels for inflation and employ a range of traditional time series techniques, as well as linear and nonlinear machine learning (ML) models that deal with a larger number of predictors. For many forecast horizons, aggregation of disaggregated forecasts performs just as well as survey-based expectations and models generating forecasts directly from the aggregate. Overall, ML methods outperform traditional time series models in predictive accuracy, with outstanding performance in forecasting disaggregates. In our second essay, we investigate the potential benefits of combining individual inflation forecasts by proposing a time-varying bias correction for the average forecast. Our analysis includes estimations using both rolling windows and state-space models that use the recursiveness of the Kalman filter. We achieve good forecast performance for models based on small rolling windows for shorter and intermediate forecast horizons, while a state-space model performs slightly worse than procedures based on rolling windows. In the third essay, we use supervised learning to generate forward-looking indexes based on tweets and news articles for accumulated inflation and investigate whether these indexes can improve inflation forecasting performance. Our results indicate that news-based indexes provide significant predictive gains, particularly for 3- and 12-month-ahead horizons. These findings suggest that incorporating more information sources than just expectations based on experts opinions can lead to more accurate forecasts.

[pt] A presente pesquisa tem como foco o desenvolvimento de abordagens híbridas que combinam algoritmos de aprendizado de máquina baseados em conjuntos (ensembles) e técnicas de modelagem e previsão de séries temporais. A pesquisa também inclui o desenvolvimento de heurísticas inteligentes de seleção, isto é, procedimentos capazes de selecionar, dentre o pool de preditores originados por meio dos métodos de conjunto, aqueles com os maiores potenciais de originar previsões agregadas mais acuradas. A agregação de funcionalidades de diferentes métodos visa à obtenção de previsões mais acuradas sobre o comportamento de uma vasta gama de eventos/séries temporais. A tese está dividida em uma sequência de ensaios. Como primeiro esforço, propôsse um método alternativo de geração de conjunto de previsões, o que resultou em previsões satisfatórias para certos tipos de séries temporais de consumo de energia elétrica. A segunda iniciativa consistiu na proposição de uma nova abordagem de previsão combinando algoritmos de Bootstrap Aggregation (Bagging) e técnicas de regularização para se obter previsões acuradas de consumo de gás natural e de abastecimento de energia em diferentes países. Uma nova variante de Bagging, na qual a construção do conjunto de classificadores é feita por meio de uma reamostragem de máxima entropia, também foi proposta. A terceira contribuição trouxe uma série de inovações na maneira pela qual são conduzidas as rotinas de seleção e combinação de modelos de previsão. Os ganhos em acurácia oriundos dos procedimentos propostos são demonstrados por meio de um experimento extensivo utilizando séries das Competições M1, M3 e M4. / [en] This research focuses on the development of hybrid approaches that combine ensemble-based supervised machine learning techniques and time series methods to obtain accurate forecasts for a wide range of variables and processes. It also includes the development of smart selection heuristics, i.e., procedures that can select, among the pool of forecasts originated via ensemble methods, those with the greatest potential of delivering accurate forecasts after aggregation. Such combinatorial approaches allow the forecasting practitioner to deal with different stylized facts that may be present in time series, such as nonlinearities, stochastic components, heteroscedasticity, structural breaks, among others, and deliver satisfactory forecasting results, outperforming benchmarks on many occasions. The thesis is divided into a series of essays. The first endeavor proposed an alternative method to generate ensemble forecasts which delivered satisfactory forecasting results for certain types of electricity consumption time series. In a second effort, a novel forecasting approach combining Bootstrap aggregating (Bagging) algorithms, time series methods and regularization techniques was introduced to obtain accurate forecasts of natural gas consumption and energy supplied series across different countries. A new variant of Bagging, in which the set of classifiers is built by means of a Maximum Entropy Bootstrap routine, was also put forth. The third contribution brought a series of innovations to model selection and model combination in forecasting routines. Gains in accuracy for both point forecasts and prediction intervals were demonstrated by means of an extensive empirical experiment conducted on a wide range of series from the M- Competitions.