1 |
[pt] MODELAGEM HÍBRIDA WAVELET INTEGRADA COM BOOTSTRAP NA PROJEÇÃO DE SÉRIES TEMPORAIS / [en] MODELING HYBRID WAVELET INTEGRATED WITH BOOTSTRAP IN PROJECTION TEMPORAL SERIESRICARDO VELA DE BRITTO PEREIRA 31 March 2016 (has links)
[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.
|
2 |
[pt] ENSAIOS SOBRE PREVISÃO DE INFLAÇÃO: DESAGREGAÇÃO, COMBINAÇÃO DE PREVISÕES E DADOS NÃO ESTRUTURADOS / [en] ESSAYS CONCERNING INFLATION FORECASTING: DISAGGREGATION, COMBINATION OF FORECASTS, AND UNSTRUCTURED DATAGILBERTO OLIVEIRA BOARETTO 07 August 2023 (has links)
[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.
|
3 |
[en] GETTING THE MOST OUT OF THE WISDOM OF THE CROWDS: IMPROVING FORECASTING PERFORMANCE THROUGH ENSEMBLE METHODS AND VARIABLE SELECTION TECHNIQUES / [pt] TIRANDO O MÁXIMO PROVEITO DA SABEDORIA DAS MASSAS: APRIMORANDO PREVISÕES POR MEIO DE MÉTODOS DE ENSEMBLE E TÉCNICAS DE SELEÇÃO DE VARIÁVEISERICK MEIRA DE OLIVEIRA 03 June 2020 (has links)
[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.
|
Page generated in 0.1882 seconds