[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] Um modelo de previsão é uma ferramenta indispensável nos negócios, ajudando na tomada de decisões, seja a curto, médio ou longo prazo. Neste contexto, a implementação de técnicas de aprendizagem de máquina em modelos de previsão de séries temporais assume notória relevância, visto que o processamento da informação e a extração de conhecimento são cada vez mais exigidos de forma eficiente e dinâmica. Este trabalho desenvolve um modelo denominado Variable Step-Size evolving Participatory Learning with Kernel Recursive Least Squares, VS-ePL-KRLS, aplicado à previsão de preços do óleo diesel S500 e S10. O modelo apresentado demonstra uma melhor acurácia em comparação com os modelos análogos na literatura, sem perda de desempenho computacional para todas as séries temporais analisadas. / [en] A prediction model is an indispensable tool in business, helping to make decisions, whether in the short, medium, or long term. In this context, the implementation of machine learning techniques in time series forecasting models has a notorious relevance, as information processing and efficient and dynamic knowledge uncovering are increasingly demanded. This work develops a model called Variable Step-Size evolving Participatory Learning with Kernel Recursive Least Squares, VS-ePL-KRLS, applied to the forecast of weekly prices for S500 and S10 diesel oil, at the Brazilian level, for biweekly and monthly horizons. The presented model demonstrates a better accuracy compared with analogous models in the literature, without loss of computational performance for all time series analyzed.

[pt] Modelos de previsão cambial são frequentemente preteridos em relação a passeios aleatórios, porém o trabalho mostra que em certos casos, principalmente à médio e longo prazo, modelos simples de previsão cambial podem ser melhores do que passeio aleatório em países emergentes com câmbio livre. O trabalho também mostra que não há uma reversão do câmbio real à sua média de longo prazo e que seu movimento após um choque é feito quase todo pelo câmbio nominal. / [en] Foward looking exchange models are frequently deprecated when comparing to a random walk. This work notes that under certain cenarios, mostly at medium and long run, simple models can be more accurated than random walk for emerging countries with free floating exchange rates, though. This work also notes that there is no real exchange rate s mean-reverting at long run and that most of it s path, after a shock, is done via nominal exchange rate.

[pt] Por definição, a série temporal representa o comportamento de uma variável em função do tempo. Para o processo de previsão de séries, o modelo deve ser capaz de aprender a dinâmica temporal das variáveis para obter valores futuros. Contudo, prever séries temporais com exatidão é uma tarefa que vai além de escolher o modelo mais complexo, e portanto a etapa de análise é um processo fundamental para orientar o ajuste do modelo. Especificamente em problemas multivariados, o AutoMFIS é um modelo baseado na lógica fuzzy, desenvolvido para introduzir uma explicabilidade dos resultados através de regras semanticamente compreensíveis. Mesmo com características promissoras e positivas, este sistema possui limitações que tornam sua utilização impraticável em problemas com bases de dados com alta dimensionalidade. E com a presença cada vez maior de bases de dados mais volumosas, é necessário que a síntese automática de sistemas fuzzy seja adaptada para abranger essa nova classe de problemas de previsão. Por conta desta necessidade, a presente dissertação propõe a extensão do modelo AutoMFIS para a previsão de séries temporais com alta dimensionalidade, chamado de e-AutoMFIS. Apresentase uma nova metodologia, baseada em comitê de previsores, para o aprendizado distribuído de geração de regras fuzzy. Neste trabalho, são descritas as características importantes do modelo proposto, salientando as modificações realizadas para aprimorar tanto a previsão quanto a interpretabilidade do sistema. Além disso, também é avaliado o seu desempenho em problemas reais, comparando-se a acurácia dos resultados com as de outras técnicas descritas na literatura. Por fim, em cada problema selecionado também é considerado o aspecto da interpretabilidade, discutindo-se os critérios utilizados para a análise de explicabilidade. / [en] By definition, the time series represents the behavior of a variable as a time function. For the series forecasting process, the model must be able to learn the temporal dynamics of the variables in order to obtain consistent future values. However, an accurate time series prediction is a task that goes beyond choosing the most complex (or promising) model that is applicable to the type of problem, and therefore the analysis step is a fundamental procedure to guide the adaptation of a model. Specifically, in multivariate problems, AutoMFIS is a model based on fuzzy logic, developed not only to give accurate forecasts but also to introduce the explainability of results through semantically understandable rules. Even with such promising characteristics, this system has shown practical limitations in problems that involve datasets of high dimensionality. With the increasing demand formethods to deal with large datasets, it should be great that approaches for the automatic synthesis of fuzzy systems could be adapted to cover a new class of forecasting problems. This dissertation proposes an extension of the base model AutoMFIS modeling method for time series forecasting with high dimensionality data, named as e-AutoMFIS. Based on the Ensemble learning theory, this new methodology applies distributed learning to generate fuzzy rules. The main characteristics of the proposed model are described, highlighting the changes in order to improve both the accuracy and the interpretability of the system. The proposed model is also evaluated in different case studies, in which the results are compared in terms of accuracy against the results produced by other methods in the literature. In addition, in each selected problem, the aspect of interpretability is also assessed, which is essential for explainability evaluation.

[pt] O Brasil vem registrando a cada ano um crescimento expressivo no número de conexões de geração distribuída na rede de distribuição devido à concessão de incentivos governamentais que permitiu a difusão do uso de placas solares fotovoltaicas, fonte de geração de energia mais usada na geração distribuída no Brasil. Em sistemas elétricos com alta penetração de fontes intermitentes a previsão do comportamento da curva de carga tende a representar um grande desafio para os operadores do sistema devido à imprevisibilidade associada à geração de energia, podendo impactar diretamente no planejamento e operação da rede elétrica. Para lidar com esse desafio, este trabalho propõe uma metodologia de previsão de carga usando redes neurais recorrentes com arquitetura LSTM, considerando o impacto da mini e microgeração distribuída solar fotovoltaica conectada à rede de distribuição brasileira. São feitas previsões de carga do Sistema Interligado Nacional brasileiro e dos subsistemas que o integram, levando em conta um horizonte de curto prazo, de 24 horas, em intervalos horários, e um horizonte de médio prazo, de 60 meses, em intervalos mensais. Os resultados indicam que a metodologia pode ser uma ferramenta eficiente para a obtenção de previsões de carga podendo ser utilizada também para horizontes de previsão distintos dos apresentados neste trabalho. O MAPE encontrado para as previsões de curto prazo não passam de 2 por cento e para as previsões de médio prazo não passam de 3,5 por cento. / [en] Every year, Brazil has been registering a significant growth in the number of distributed generation connections in the distribution grid due to the granting of government incentives that allowed the use of solar photovoltaic panels to spread, the most used source of energy in distributed generation in Brazil. In electrical systems with high penetration of intermittent sources, the prediction of the behavior of the load curve tends to represent a great challenge for system operators due to the unpredictability associated with power generation, which can directly impact the planning and operation of the electrical grid. To deal with this challenge, this work proposes a load forecasting methodology using recurrent neural networks with LSTM architecture, considering the impact of the distributed photovoltaic solar generation connected to the Brazilian distribution grid. Load forecasts are made for the Brazilian National Interconnected System and for the subsystems that integrate it, taking into account a short-term horizon, of 24 hours, in hourly intervals, and a medium-term horizon, of 60 months, in monthly intervals. The results indicate that the methodology can be an efficient tool for obtaining load forecasts and can also be used for different forecast horizons than those presented in this work. The MAPE found for short-term forecasts is no more than 2 percent and for medium-term forecasts, no more than 3.5 percent.

[pt] A busca por modelos de avaliação cada vez mais precisos tem sido uma preocupação permanente no âmbito das finanças corporativas. No entanto, para que estes modelos gerem bons resultados, é preciso que estimativas do comportamento futuro de contas como receitas, custos, despesas e investimentos estejam bem avaliadas. Dentro deste contexto se insere a importância da previsão das taxas de crescimento. Elas dependem de diversos fatores, externos e internos à empresa e que são, muitas vezes, de extrema complexidade. Na tentativa de tornar esta estimativa mais objetiva, o presente trabalho procura avaliar a hipótese de que índices de mercado bastante utilizados pelos analistas financeiros, como preço de mercado da ação-lucro, preço de mercado da ação-valor patrimonial por ação e preço de mercado da ação - vendas, são capazes de fornecer indícios sobre o comportamento futuro das contas receita bruta, EBITDA e lucro operacional de empresas listadas na Bolsa de Valores de São Paulo (BOVESPA) durante o período 1994-2003. Através do teste estatístico não- paramétrico de Wilcoxon, o estudo fornece indícios de que a variável preço de mercado da ação - valor patrimonial por ação possui valores maiores para empresas de baixo crescimento e menores para empresas de médio e alto crescimento. Para as variáveis preço-lucro e preço-vendas não se observam diferenças significativas de valor entre os grupos de baixo, médio ou alto crescimento. / [en] The search for more accurate evaluation models has been a permanent activity within the field of corporative finances. A successful model must forecast, with a high degree of confidence and accuracy, the future behavior of incomes, costs, expenditures and investments. Companies´ growth rates are also important; they depend on several internal and external factors and their evaluation can be a very complex task. Our work evaluates critically some valuation ratios used by financial analysts like: price-to-earnings, market-to-book and price-to-sales ratios, in order to obtain useful information about the following itens future behavior: Gross Revenue, EBITDA and Operating Profit of companies listed at São Paulo Stock Exchange (BOVESPA) during the period 1994-2003. The Wilcoxon´s nonparametric test suggests: an inverse relationship between the market- to-book index to the registered companies growth rate and no noticeable relationship between price-to-earnings ratios and price-to-sales ratios to the same companies´ growth rate.

[pt] A previsão de produção é uma das etapas mais críticas do planejamento de curto prazo das empresas de exploração e produção de petróleo. O volume de petróleo que será produzido, denominado meta de produção, influencia diretamente todas as ações das empresas e tem crítico impacto em relação ao mercado. Percebe-se, portanto, a importância da aplicação de modelos que permitam considerar incertezas e avaliar o risco destas previsões. Esta modelagem estocástica tem sido realizada através de um modelo de simulação que considera quatro dimensões de variáveis: Potencial Produtivo Instalado, Entrada de Novos Poços, Parada Programada para Manutenção e Eficiência Operacional. Dentre as dimensões do modelo, a Entrada de Novos Poços é uma das mais sensíveis ao resultado final da previsão por apresentar grande incerteza. Desse modo, este trabalho tem por objetivo desenvolver um sistema de inferência fuzzy para prever a data de entrada em produção de poços de petróleo. O sistema é concebido integrado ao modelo de simulação visando aumentar a sua precisão. Os resultados mostram que o sistema de inferência fuzzy é aplicável à previsão da entrada de novos poços e que o seu uso eleva a acurácia das previsões de produção. / [en] Production forecasting is one of the most critical stages in short-term planning in upstream oil companies. The oil volume that will be produced, called production target, directly influences all companies actions and impact critically their market image. Therefore, it is noticed the importance of using models to consider uncertainties to evaluate production forecasting risks. This stochastic approach has been done through a simulation model which consider four dimensions of variables: installed production potential, new wells entry, scheduled maintenance program, and operational efficiency. Among those dimensions, the new wells entry is one of the most sensitive to the simulation results, because of its high degree of uncertainty. Thus, this work aims to develop a fuzzy inference system to forecast the new wells production start date. The system is designed integrated to the simulation model in order to increase its accuracy. The results show that the fuzzy inference system can be used to forecast wells production start date and its use increases oil production forecasting accuracy.

[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.

[pt] Séries Temporais que podem ser organizadas em níveis de acordo com, por exemplo, o tipo de produto, região geográfica, classe de consumo, dentre outros, são chamadas de Séries Temporais Hierárquicas (ou agrupadas, quando possuem mais de uma variável de agregação). Informações referentes à previsão destas séries são fundamentais para a tomada de decisão seja no nível gerencial ou operacional de todo tipo de negócio. Para atender a essas informações, são utilizadas técnicas de previsão hierárquica, que têm como foco reduzir os custos e melhorar a acurácia da previsão. O objetivo deste trabalho é estudar abordagens para agregar/desagregar previsões feitas para Séries Temporais Hierárquicas ou Agrupadas. Como resultado do trabalho destaca-se a apresentação das abordagens que representam o estado da arte em previsão hierárquica: Reconciliação Ótima (também chamada de Combinação Ótima) e Top-Down baseada na Proporção das Previsões. Ainda referente aos resultados destaca-se a análise das diversas técnicas de previsão hierárquica encontradas na literatura aplicadas a duas séries clássicas do contexto brasileiro: a série agrupada de consumo de energia elétrica agregada por região do país e classe de consumo, e a série hierárquica de demanda de transporte aéreo representada pela variável RPK (Revenue Passenger Kilometers). O desempenho preditivo das abordagens foi avaliado com base na métrica MAPE, e o teste de Diebold-Mariano foi aplicado para verificar se a diferença no desempenho das abordagens novas e tradicionais é significativa. / [en] Time Series which can be arranged in levels according to, for example, the type of product, geography, consumption class, among others, are called Hierarchical Time Series (or grouped, if they have more than one aggregation variable). Information relating these series prediction is fundamental for decision-making at the management or operational level of all types of business. To meet these information, hierarchical forecasting techniques are used, which are focused on reducing costs and improving the accuracy of prediction. The objective of this work is to study approaches to aggregate / disaggregate predictions for Hierarchical or Grouped Time Series. As a result of the work there is the presentation of the approaches that represent the state of the art hierarchical forecast: Optimal Reconciliation approach (also called the Optimal Combination) and Top-Down Forecast Proportions approach. Still on the results highlight the analysis of the various hierarchical forecasting techniques found in the literature applied to two classic series of the Brazilian context: a grouped series of electricity consumption aggregated by region of the country and consumer class, and the hierarchical series air transport demand represented by the variable RPK (Revenue Passenger Kilometers). The predictive performance of the approaches was evaluated based on the metric MAPE and the Diebold-Mariano test was used to verify that the difference in performance of new and traditional approaches is significant.

[pt] A previsão de carga é considerada uma poderosa ferramenta no controle e planejamento de sistemas elétricos. Um grande número de pesquisadores têm sugerido, recentemente, diversas técnicas para previsão de carga a curto prazo. Este trabalho estuda a aplicabilidade de modelos lineares. O trabalho pretende ser uma base para uma aplicação real de previsão. Os modelos foram desenvolvidos e testados com dados reais de carga de uma empresa de eletricidade situada no sudeste de Brasil. Todos os modelos são propostos para dados secionais, isto é, a série de carga de cada hora é estudada separadamte como uma série única. Esta abordagem evita a modelagem de padrões intra-dia (perfil da carga) complexos apresentados pela série de carga, que variam durante os dias da semana e nas estações. Três modelos são estudados, primeiro um modelo um modelo SARIMA ajustado por variáveis binárias DASARIMA, adotado como modelo de referência, o segundo um modelo em duas etapas que considera a existência de componentes determinísticos para modelar a tendência, a sazonalidade e os efeitos do calendário, denominado modelo autorregressivo sazonal em dois níveis - TLSAR; e o último um modelo de de memória longa generalizada ajustado por variáveis binárias - DAGLM. Os resultados dos ensaios mostraram que os modelos horários são bem apropriados para uma aplicação de previsão. Os erros de previsão, das duas últimas abordagens, são menores que os do modelo de referência, DASARIMA. O trabalho sugere que este tipo de modelos horários devem ser testados mais completamente a fim de fornecer uma opinião final sobre sua aplicabilidade. / [en] Load forecasting has been considered a powerful tool in managing and planning power systems. Several tecniques have been recently suggested for short-term load forecasting by a large number of researchers. This work studies the applicability of linear models in the area is intended to be a basis for a real forecasting application. The models were developed and tested on the real load data of a utility company located in the southeast of Brazil. All models are proposed for sectional data, that is, each hour's load is studied separately as a single series. This approach avoids modeling the intricate intra-day pattern (load profile) displayed by the load, wich varies throughout days of the week and seasons. Three models are studied, the first one a Dummy-Adjusted Seasonal Integrated Autoregressive Moving Average model - DASARIMA, acting as a benchmark, the second a two-step modeling that makes use of deterministic components to model trend, seasonality and calendar effects, called Two-Level Seasonal Autoregressive model - TLSAR; and the last one a Dummy-Adjusted Generalized Long Memory model - DAGLM. The test results showed that the hourly models are well suitable for forecasting application. The forecasting errors of the last two approaches were smaller than those of the DASARIMA benchmark. The work suggests that this kind of hourly models should be implemented in a through on-line testing in order to provide a final opinion on its applicability.