This thesis focuses on the relationship between short-term interest rate and stock prices. The main idea is that if interest-rate increases, it makes holding stocks less attractive relative to fixed income securities. Therefore, investors change the structure of their portfolios and switch capital from stocks to banks, which results in stock prices decrease. In our thesis, we apply GJR-GARCH-t-M model to study the impact of Czech interest rate (14-day PRIBOR) on the Prague Stock Exchange (the PX index). In contrast to the majority of research on this topic, we have found no impact of the PRIBOR rate on the PX index- neither on its mean nor on its volatility. We attribute the absence of a significant relationship to exceptional composition of the PX index. Furthermore, we have found that the recent crisis has significantly changed the behavior of the Czech stock market.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.

The goal of this project is to compare different machine learning algorithms ability to predict wind power output 48 hours in advance from earlier power data and meteorological wind speed predictions. Three different models were tested, two autoregressive integrated moving average (ARIMA) models one with exogenous regressors one without and one simple LSTM neural net model. It was found that the ARIMA model with exogenous regressors was the most accurate while also beingrelatively easy to interpret and at 1h 45min 32s had a comparatively short training time. The LSTM was less accurate, harder to interpretand took 14h 3min 5s to train. However the LSTM only took 32.7s to create predictions once the model was trained compared to the 33min13.7s it took for the ARIMA model with exogenous regressors to deploy.Because of this fast deployment time the LSTM might be preferable in certain situations. The ARIMA model without exogenous regressors was significantly less accurate than the other two without significantly improving on the other ARIMA model in any way

Submitted by (ana.araujo@ufrpe.br) on 2016-07-06T18:24:51Z No. of bitstreams: 1 Janilson Alves da Silva.pdf: 842304 bytes, checksum: 7b8a55eb0872b15792c1c68f9f36475b (MD5) / Made available in DSpace on 2016-07-06T18:24:51Z (GMT). No. of bitstreams: 1 Janilson Alves da Silva.pdf: 842304 bytes, checksum: 7b8a55eb0872b15792c1c68f9f36475b (MD5) Previous issue date: 2008-03-31 / The main objective of this work is to use models ARIMA to adjust the estimates of growth in height of leucaena ( emph () Leucaena leucocephala (Lam.) de Wit.) Agreste of Pernambuco. The experiment was conducted at the Experimental Station Company Research Pernambuco Agropecuária - IPA, the municipality of Caruaru - PE. 544 trees were used to leucaena variety, of Hawaii (cv. K8), divided into 24 treatments with 24 repetitions. The sources of variations were: levels of phosphorus, organic compounds and urban waste inoculation with rhizobia (NFB 466 and 473) applied alone. Were considered for this study 5 years of measurements and used the Chapman-Richards model to remove the trend in the series study, after removal of the new trend set S(t) was modeled using models ARIMA (1,1,0), (1,1,1) (1,1,2) and (1,1,3). However, the results were not superior to traditional non-linear models, often used in modeling the growth of forests. / O principal objetivo deste trabalho é utilizar modelos ARIMA para o ajuste das estimativas de crescimento em altura de leucena (Leucaena leucocephala (Lam.) de Wit.), no Agreste de Pernambuco. O experimento foi conduzido na Estação Experimental da Empresa Pernambucana de Pesquisa Agropecuária - IPA, no município de Caruaru - PE. Foram utilizadas 544 árvores de leucena, da variedade Hawaii (cv. K8), divididas em 24 tratamentos com 24 repetições. As fontes de variações estudadas foram: níveis de adubação fosfatada composto orgânico de resíduo urbano e inoculação de rizóbio (NFB 466 e 473) aplicadas isoladamente. Foram consideradas para esse estudo 5 anos de medições e utilizado o Modelo de Chapman-Richards para remover a tendência da série em estudo, após remoção da tendência a nova série St foi modelada utilizando modelos ARIMA (1,1,0);(1,1,1)(1,1,2) e (1,1,3). Entretanto, os resultados não foram superiores aos dos modelos não-lineares tradicionais, frequentemente usados na modelagem do crescimento de florestas.

Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / O presente trabalho objetiva realizar previsÃes mensais da sÃrie do imposto de renda para o perÃodo de 2002. A metodologia empregada para alcanÃar essa finalidade consiste na utilizaÃÃo da tÃcnica de combinaÃÃo de previsÃes. Especificamente, combinam-se os resultados de previsÃo advindos de trÃs mÃtodos diferentes: tÃcnica do alisamento exponencial, metodologia de Box-Jenkins (modelos ARIMA) e modelos vetoriais de correÃÃo de erro. Obtida a previsÃo final, compara-se este resultado com os valores reais observados da sÃrie do imposto de renda para o ano de 2002 a fim de verificar o desempenho e a acurÃcia do modelo. / The main objective of this work was to generate predictions, at a monthly frequency, from 1990 to 2001, of income tax revenue. The methodology used was the one of forecast combining. Specifically, exponential smoothing, an ARIMA and VAR with error correction models were pooled to obtain final prediction. Ex-post forecast errors were used to test the performance of the model. Results indicated that combining performs better than individual models, and errors are in an acceptable interval for this type of prediction.

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / Para melhorias do sistema rodoviÃrio, tanto no que se refere à infra-estrutura quanto à operaÃÃo, à necessÃrio a realizaÃÃo de estudos e planejamento, buscando a melhor utilizaÃÃo dos recursos existentes. Para tanto, faz-se o uso de uma importante medida de trÃfego, o volume veicular. Os dados de trÃfego sÃo coletados por meio manuais ou eletrÃnicos, porÃm, ambos podem apresentar falhas e nÃo coletar os dados em sua totalidade. No caso dos equipamentos eletrÃnicos de contagem, a coleta contÃnua pode formar uma sÃrie histÃrica, que, devido a nÃo coleta, gera falhas ao longo da base de dados, as quais podem comprometer os estudos embasados nestas informaÃÃes. Este trabalho busca, portanto, realizar anÃlises de mÃtodos empregados para estimaÃÃo destes valores faltosos, buscando conhecer o modelo mais eficaz para a variÃvel Volume MÃdio DiÃrio dos dados obtidos pelos postos de contagem contÃnua instalados nas rodovias estaduais do CearÃ. Os modelos de estimaÃÃo aplicados neste trabalho sÃo os modelos ARIMA de anÃlise de sÃries temporais, e modelos simples, que apresentam aplicaÃÃo menos complexa e processamento mais rÃpido, enquanto que o ARIMA demanda maior conhecimento especÃfico do profissional que o utiliza. Assim, o mÃtodo mais eficaz aqui considerado foi o que obteve menores erros apÃs aplicaÃÃo do modelo. Para estas aplicaÃÃes foram selecionados quatro postos permanentes, de acordo com o percentual de dados vÃlidos e sua localizaÃÃo, buscando a utilizaÃÃo de postos em pontos representativos do estado. O melhor modelo encontrado foi o ARIMA (1,0,1)7 (com erro mÃdio de 1,816%), porÃm, um dos modelos simples, o MS2, obteve resultados prÃximos aos do ARIMA (erro mÃdio 1,837%), e tambÃm pode ser considerado satisfatÃrio para aplicaÃÃo na imputaÃÃo de valores faltosos. / In order to improve the road system, with regard to its infrastructure and operation, it is necessary to perform studies and planning, by seeking the best use of existing resources. Therefore an important traffic measure is used, i.e., vehicle volume. Traffic data is collected either manually or electronically; however both ways can fail and not collect all data. In the case of electronic counting equipment, the continuous data collection may form a time series, which produces failures in the database due to non-collection, which can compromise the studies based on this information. Therefore this work aims to perform analysis of methods used to estimate these missing values, by trying to know the most effective model for the Average Daily Volume variable of the data obtained by the continuous counting stations installed in the state highways of CearÃ. The estimation models used in this work are the ARIMA models for time series analysis, and simple models, which present a less complex application and a faster processing, while the ARIMA requires more specific knowledge of the professional who uses it. The most effective method considered herein was the one that obtained smaller errors after the application of the models. Four permanent counting stations were selected for these applications, according to the percentage of valid data and its location, by seeking the use of stations in representative points of the state. The best model found was ARIMA (1,0,1)7 (with an average error of 1.816%), however one of the simplest models, MS2, produced results similar to those of ARIMA (an average error of 1.837%), and it can also be considered suitable for application in the allocation of missing values.

O setor agrícola é, historicamente, um dos pilares da economia brasileira, e apesar de ter sua importância diminuída com o desenvolvimento do setor industrial e de serviços ainda é responsável por dar dinamismo econômico ao país, bem como garantir a segurança alimentar, auxiliar no controle da inflação e na formação de reservas monetárias. Neste contexto as safras agrícolas exercem grande influência no comportamento do setor e equilíbrio no mercado agrícola. Foram desenvolvidas diversas metodologias de previsão de safra, sendo em sua maioria modelos de simulação de crescimento. Entretanto, recentemente os modelos estatísticos vem sendo utilizados mais comumente devido às suas predições mais rápidas em períodos anteriores à colheita. No presente trabalho foram avaliadas duas destas metodologias, os modelos ARIMA e os Modelos Lineares Dinâmicos (MLD), sendo utilizada tanto a inferência clássica quanto a bayesiana. A avaliação das metodologias deu-se por meio da análise das previsões dos modelos, bem como da facilidade de implementação e poder computacional necessário. As metodologias foram aplicadas a dados de produção de soja para o município de Mamborê-PR, no período de 1980 a 2013, sendo área plantada (ha) e precipitação acumulada (mm) variáveis auxiliares nos modelos de regressão dinâmica. Observou-se que o modelo ARIMA (2,1,0) reparametrizado na forma de um MLD e estimado por meio de máxima verossimilhança, gerou melhores previsões do que aquelas obtidas com o modelo ARIMA(2,1,0) não reparametrizado. / The agriculture is, historically, one of Brazil\'s economic pillars, and despite having it\'s importance diminished with the development of the industry and services it still is responsible for giving dynamism to the country inland\'s economy, ensuring food security, controlling inflation and assisting in the formation of monetary reserves. In this context the agricultural crops exercise great influence in the behaviour of the sector and agricultural market balance. Diverse crop forecast methods were developed, most of them being growth simulation models, however, recently the statistical models are being used due to its capability of forecasting early when compared to the other models. In the present thesis two of these methologies were evaluated, ARIMA and Dynamic Linear Models, utilizing both classical and bayesian inference. The forecast accuracy, difficulties in the implementation and computational power were some of the caracteristics utilized to assess model efficiency. The methodologies were applied to Soy production data of Mamborê-PR, in the 1980-2013 period, also noting that planted area (ha) and cumulative precipitation (mm) were auxiliary variables in the dynamic regression. The ARIMA(2,1,0) reparametrized in the DLM form and adjusted through maximum likelihood generated the best forecasts, folowed by the ARIMA(2,1,0) without reparametrization.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / The economic growth of the state of Rio Grande do Sul as well as the rest of the country is closely connected with the distribution and power generation. Thus for the state's energy system does not collapse (shortage / surplus) in steps of generation and supply, it is necessary to study the distribution of energy generated and the number of consumers. Therefore, the purpose of this study is to determine a reference variable by means of principal component analysis in order to analyze the overall behavior of consumption and consumers in MWh of electricity in the Rio Grande do Sul, by means of linear models of forecast (ARIMA) and nonlinear (ARCH). The analysis refers to the number of consumers and to the consumption of electrical energy to the RS, conducted by the three largest electricity distributors, including AES-Sul, CEEE and GER from January 1998 to December 2009. The mathematical models for the variables studied are able to model satisfactorily the data, enabling an analysis of their behavior, able to monitor and determine the movement of the series under study as a whole, providing management measures, both companies supply distributor as the number of customers of each company, allowing an analysis on the stability of the production process. / O crescimento econômico do estado do Rio Grande do Sul, assim como do restante do país, está intimamente ligado à distribuição e geração de energia elétrica. Desta forma, para que o sistema energético do estado não entre em colapso (falta/excesso) nas etapas de geração e fornecimento, é necessário o estudo da distribuição da energia gerada e do número de consumidores. Portanto, o objetivo deste estudo é determinar uma variável de referência, por meio da análise de componentes principais, de forma a analisar globalmente o comportamento do consumo em MWh e dos consumidores de energia elétrica do Rio Grande do Sul por meio de modelos de previsão lineares (ARIMA) e não lineares(ARCH). A análise refere-se ao número de consumidores e ao consumo de energia elétrica no estado do RS, realizado pelas três maiores distribuidoras de energia elétrica, nomeadamente a AES-Sul, CEEE e RGE, no período de janeiro de 1998 a dezembro de 2009. Os modelos matemáticos encontrados para as variáveis estudadas são capazes de modelar satisfatoriamente os dados, possibilitando uma análise de seu comportamento, capaz de acompanhar e de determinar o movimento das séries em estudo de forma global, proporcionando medidas de gerenciamento, tanto das empresas distribuidoras de fornecimento quanto do número de consumidores de cada empresa, permitindo uma análise sobre a estabilidade do processo produtivo.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This research aims to evaluate the performance of time-series models together with the use of analysis, when the time for action is determined by visual inspection of the series or the spectral analysis, greenhouse gas emission data. In carrying out this research were considered data from the time series of the measurement of ozone gas (O3), nitrogen dioxide (NO2), carbon monoxide (CO) and sulfur dioxide (SO2), understood in January 1986 to December 2014, referring to the first day of each month, totaling 348 observations. The models were performed pre-analysis, using spectral analysis to determine the period in which the intervention must be done, show better performance considering the AIC and BIC criteria. Indicating that whenever possible to use this tool as an aid for modeling time series who need intervention. / Esta pesquisa tem como objetivo avaliar o desempenho dos modelos de séries temporais conjuntamente com a análise de intervenção, quando o instante de intervenção é determinado pela inspeção visual da série ou pela análise espectral em dados de emissão de gases poluentes. Para a execução desta pesquisa foram considerados os dados da série histórica da medição dos gases ozônio (O3), dióxido de nitrogênio (NO2), monóxido de carbono (CO) e dióxido de enxofre (SO2), compreendidos no período de janeiro de 1986 a dezembro de 2014, referente ao primeiro dia de cada mês, totalizando 348 observações. Os modelos em que realizou-se a pré-análise, utilizando-se da análise espectral, para determinar o período em que análise de intervenção foi realizada, apresentou melhor desempenho considerando-se os critérios AIC e BIC, indicando sempre que possível utilizar essa ferramenta como auxiliar para modelagem de séries temporais.

This thesis examines the concept of time series forecasting. More specifically, it predicts the load and power demand in Sulaymaniyah, Iraqi Kurdistan, who are today experiencing frequent power shortages. This study applies a commonly used time series model, the autoregressive integrated moving average model, which is compared to the naïve method. Several key model properties are inspected to evaluate model accuracy. The model is then used to forecast the load and the demand on a daily, weekly and monthly basis. The forecasts are evaluated by examining the residual metrics. Furthermore, the quantitative results and the answers collected from interviews are used as a basis to investigate the conditions of capacity planning in order to determine a suitable strategy to minimize the unserved power demand. The findings indicate an unsustainable over consumption of power in the region due to low tariffs and subsidized energy. A suggested solution is to manage power demand by implementing better strategies such as increasing tariffs and to use demand forecast to supply power accordingly. The monthly supply forecast in this study outperforms the baseline method but not the demand forecast. On weekly basis, both the load and the demand models underperform. The performance of the daily forecasts performs equally or worse than the baseline. Overall, the supply predictions are more precise than the demand predictions. However, there is room for improvement regarding the forecasts. For instance, better model selection and data preparation can result in more accurate forecasts. / Denna studie undersöker prediktion av tidserier. Den tittar närmare på last- och effektbehov i Sulaymaniyah i Irak som idag drabbas av regelbunden effektbrist. Rapporten applicerar en vedertagen tidseriemodell, den autoregressiva integrerade glidande medelvärdesmodellen, som sedan jämförs med den naiva metoden. Några karaktäristiska modellegenskaper undersöks för att evaluera modellens noggrannhet. Den anpassade modellen används sedan för att predikera last- och effektbehovet på dags-, månads-, och årsbasis. Prognoserna evalueras genom att undersöka dess residualer. Vidare så användas de kvalitativa svaren från intervjuerna som underlag för att undersöka förutsättningarna för kapacitetsplanering och den strategi som är bäst lämpad för att möta effektbristen. Studien visar att det råder en ohållbar överkonsumtion av energi i regionen som konsekvens av låga elavgifter och subventionerad energi. En föreslagen lösning är att hantera efterfrågan genom att implementera strategier som att höja elavgifter men även försöka matcha produktionen med efterfrågan med hjälp av prognoser. De månadsvisa prognoserna för produktionen i studien överträffar den naiva metoden men inte för prognoserna för efterfrågan. På veckobasis underpresterar båda modellerna. De dagliga prognoserna presterar lika bra eller värre än den naiva metoden. I sin helhet lyckas modellerna förutspå utbudet bättre än efterfrågan på effekt. Men det finns utrymme för förbättringar. Det går nog att uppnå bättre resultat genom bättre förbehandling av data och noggrannare valda tidseriemodeller.