[pt] A presente tese se insere no contexto de previsão de séries temporais. Nesse sentido, embora muitas abordagens tenham sido desenvolvidas, métodos simples como o de amortecimento exponencial costumam gerar resultados extremamente competitivos muitas vezes superando abordagens com maior nível de complexidade. No contexto previsão, papers seminais na área mostraram que a combinação de previsões tem potencial para reduzir de maneira acentuada o erro de previsão. Especificamente, a combinação de previsões geradas por amortecimento exponencial tem sido explorada em papers recentes. Apesar da combinação de previsões utilizando Amortecimento Exponencial poder ser feita de diversas formas, um método proposto recentemente e chamado de Bagged.BLD.MBB.ETS utiliza uma técnica chamada Bootstrap Aggregating (Bagging) em combinação com métodos de amortecimento exponencial para gerar previsões mostrando que a abordagem é capaz de gerar previsões mensais mais precisas que todos os benchmarks analisados. A abordagem era considerada o estado da arte na utilização de Bagging e Amortecimento Exponencial até o desenvolvimento dos resultados obtidos nesta tese. A tese em questão se ocupa de, inicialmente, validar o método Bagged.BLD.MBB.ETS em um conjunto de dados relevante do ponto de vista de uma aplicação real, expandindo assim os campos de aplicação da metodologia. Posteriormente, são identificados motivos relevantes para redução do erro de e é proposta uma nova metodologia que utiliza Bagging, Amortecimento Exponencial e Clusters para tratar o efeito covariância, até então não identificado anteriormente na literatura do método. A abordagem proposta foi testada utilizando diferentes tipo de séries temporais da competição M3, CIF 2016 e M4, bem como utilizando dados simulados. Os resultados empíricos apontam para uma redução substancial na variância e no erro de previsão. / [en] This thesis is inserted in the context of time series forecasting. In this sense, although many approaches have been developed, simple methods such as exponential smoothing usually produce extremely competitive results, often surpassing approaches with a higher level of complexity. Seminal papers in time series forecasting showed that the combination of forecasts has the potential to dramatically reduce the forecast error. Specifically, the combination of forecasts generated by Exponential Smoothing has been explored in recent papers. Although this can be done in many ways, a specific method called Bagged.BLD.MBB.ETS uses a technique called Bootstrap Aggregating (Bagging) in combination with Exponential Smoothing methods to generate forecasts, showing that the approach can generate more accurate monthly forecasts than all the analyzed benchmarks. The approach was considered the state of the art in the use of Bagging and Exponential Smoothing until the development of the results obtained in this thesis. This thesis initially deals with validating Bagged.BLD.MBB.ETS in a data set relevant from the point of view of a real application, thus expanding the fields of application of the methodology. Subsequently, relevant motifs for error reduction are identified and a new methodology using Bagging, Exponential Smoothing and Clusters is proposed to treat the covariance effect, not previously identified in the method s literature. The proposed approach was tested using data from three time series competitions (M3, CIF 2016 and M4), as well as using simulated data. The empirical results point to a substantial reduction in variance and forecast error.

Darbe „Akcijų kainų kintamumo analizė“ nagrinėjami ir lyginami Baltijos (Lietuvos, Latvijos, Estijos) bei Lotynų Amerikos (Meksikos, Venesuelos) šalių duomenys. Atliekama pasirinktų akcijų kainų grąžų analizė. Jai naudojami trijų metų kiekvienos dienos duomenys (akcijų kainos). Pirmoje darbo dalyje supažindinama su bendra prognozavimo metodų teorija, aprašomi skirtingi, dažnai literatūroje ir praktikoje sutinkami modeliai. Antrojoje dalyje aprašyti prognozavimo metodai taikomi realiems duomenims, t.y. pasirinktoms akcijoms. Prognozuojama akcijų kainų grąža, kuri po to yra palyginama su realia reikšme, apskaičiuojamos prognozavimo metodų paklaidos. Pagrindinis darbo tikslas – atlikti lyginamąją prognozavimo modelių analizę su pasirinktomis akcijomis ir atrinkti tuos metodus, kurie duoda geriausius rezultatus. Darbo tikslui įgyvendinti naudojama SAS statistinio paketo ekonometrikos ir laiko eilučių analizės posistemė SAS/ETS (Time Series Forecasting System). / Most of empirical surveys in macro and financial economics are based on time series analysis. In this work, data of Baltic and Latin America countries is being analyzed and compared. Analysis of stock price returns is presented using daily long term (three years) period data. In the first part of this work general forecasting theory is presented, also different methods, frequently met in the literature and practice, are described. In the second part, forecasting models are being applied for real data. We present results of forecasting stock returns comparing them with real values. Also a precision of forecasts is being calculated, which let us to decide about propriety of each model. Consequently, the aim of this work is to forecast returns of stock price by various time series models and to choose the best one. The analysis was made using SAS statistical package and its econometrics and Time Series Analysis System (SAS/ETS).

Title: Methods for periodic and irregular time series Author: Mgr. Tomáš Hanzák Department: Department of Probability and Mathematical Statistics Supervisor: Prof. RNDr. Tomáš Cipra, DrSc. Abstract: The thesis primarily deals with modifications of exponential smoothing type methods for univariate time series with periodicity and/or certain types of irregularities. A modified Holt method for irregular times series robust to the problem of "time-close" observations is suggested. The general concept of seasonality modeling is introduced into Holt-Winters method including a linear interpolation of seasonal indices and usage of trigonometric functions as special cases (the both methods are applicable for irregular observations). The DLS estimation of linear trend with seasonal dummies is investigated and compared with the additive Holt-Winters method. An autocorrelated term is introduced as an additional component in the time series decomposition. The suggested methods are compared with the classical ones using real data examples and/or simulation studies. Keywords: Discounted Least Squares, Exponential smoothing, Holt-Winters method, Irregular observations, Time series periodicity

[pt] A presente dissertação tem como principal objetivo a conceituação e apresentação das metodologias básicas de previsão de demanda e, a partir de um estudo de caso, a seleção da metodologia mais adequada e sua respectiva implantação. No primeiro capítulo é apresentada, além da importância do referido tema, a empresa selecionada para aplicação dos conceitos levantados, com a descrição de seus principais processos internos. No segundo capítulo foram abordados os conceitos de previsão de demanda e uma revisão dos principais modelos existentes. No capítulo seguinte, o problema que deverá ser tratado com a metodologia proposta é apresentado. Neste momento a metodologia conceituada é aplicada, através da seleção do método de previsão mais adequado ao caso estudado e respectiva modelagem, buscando melhorias em relação aos métodos de previsão existentes na empresa. Neste processo de modelagem utilizou-se o software Forecast Pro, um dos mais conceituados aplicativos de previsão de demanda no mercado. Por fim, na conclusão, avalia-se o impacto das mudanças propostas nos resultados da empresa, principalmente o aumento da precisão da previsão da demanda e, conseqüentemente, redução dos custos de importação e dos índices de stockout. / [en] The main objective of this dissertation is the presentation of basic forecasting methods and their implementation in a case study in supply chain. The first chapter points out the importance of forecasting in this context and describes the company selected for the case study and some of its internal processes that will be under scrutiny in the case study presented in this dissertation. The second chapter discusses the concepts and models of forecasting and reviews some of the major techniques in the field. In chapter three, standard forecasting techniques are apllied to real data (ten time series) from the company and select the most appropriate model in each case. Model adjustment is performed through the Forecast Pro software, one of the best-known products in the market. Chapter four contains the conclusions and the evaluation of the impacts of the proposed methodology on the company s results, especially the increased accuracy of forecasting and, consequently, the reduction in the import costs and stock out index.

[pt] Desde 2001, quando ocorreu uma crise no setor energético brasileiro, o planejamento e, consequentemente, a previsão do consumo de energia a médio e longo prazo do consumo de eletricidade vem sendo prioridade. A Empresa de Pesquisa Energética, por meio do Plano Decenal de Energia e do Plano Nacional de Energia, é a responsável por publicar tais previsões, tendo como versão mais atual os horizontes de 2023 e 2050, respectivamente. Este trabalho tem como objetivo principal modelar e prever as séries de consumo através de duas abordagens, top down e bottom up. Para a primeira utiliza-se os métodos de suavização exponencial de Pegels e para a segunda, aplica-se, o modelo FORECAST-Residential, desenvolvido pelo Fraunhofer Institute. O modelo top down é o responsável por modelar e prever o consumo de energia elétrica do Brasil agregado e desagregado por classes de consumo, enquanto que o bottom up será utilizado somente nas séries do setor residencial, em cada região geográfica. Além da previsão com o melhor modelo dentro do histórico para o primeiro caso, para as técnicas Standard e Damped Pegels otimiza-se os hiperparâmetros a fim de ajustar cada um dos valores projetados com as pesquisas disponibilizadas pela EPE. Os resultados mostraram que com a abordagem top down foi possível prever o consumo de eletricidade até 2050 para todos os setores energéticos e ajustar os parâmetros para cada um dos casos propostos; e, com a abordagem bottom up, chegou-se a valores considerados prováveis para o setor residencial do Brasil. Finalmente, é possível concluir que todos os resultados aqui são muito promissores e dão direções para futuros aperfeiçoamentos. / [en] After the 2001 energy crises in Brazil, the energy sector priority has been the planning and consequently the forecast middle and long term energy consumption. The Energy Research Company (EPE for short) is in charge of publishing two official reports: The Ten Year Energy Planning and The National Energy Planning which contain, among other things, the forecast for longer lead times. In the present formulation these horizons are 2023 and 2050. This work aims to model and predict the consumption series with two approaches, top down and bottom up. The first uses Pegels exponential smoothing methods and for the second is applied the model FORECAST Residential, developed by the Fraunhofer Institute, Germany. The top-down model is responsible for modeling and predicting Brazil energy consumption aggregated and disaggregated by class of consumption, while the bottom up will be used only in the residential sector, but for each geographic region. In addition to the forecast with the best model in sample for the top down case, an optimization of the model hyper parameters is carried out in order to adjust each of the projected values with the figures provided by EPE. The results obtained show that with the top down approach it is possible to predict satisfactorily the electricity consumption up to 2050 for all energy sectors; and the bottom up approach produce forecasts very likely to occur in the future. Finally, it is possible to conclude that all the results obtained here are very promising and give directions for future improvements.

Made available in DSpace on 2016-06-02T20:06:07Z (GMT). No. of bitstreams: 1 4757.pdf: 552745 bytes, checksum: 4f9bf1ad04dfca4e80bbfdf36c909f6f (MD5) Previous issue date: 2012-12-06 / Financiadora de Estudos e Projetos / Time series forecasting is probably one of the most primordial interests on economics and econometrics, and the literature on this subject is extremely vast. Due to technological growth in recent decades, large amounts of time series are daily collected; which, in a first moment, it requires forecasts according a fixed horizon; and on the second moment the forecasts must be constantly updated, making it impractical to human interaction. Towards this direction, computational procedures that are able to model and return accurate forecasts are required in several research areas. The search for models with high predictive power is an issue that has resulted in a large number of publications in the area of forecasting models. We propose to do a theorical and applied study of forecasting methods applied to multiple univariate time series. The study was based on exponential smoothing via state space approach, automatic ARIMA methods and the generalized Theta method. Each model and method were applied in large data bases of univariate time series and the forecast errors were evaluated. We also propose an approach to estimate the Theta coefficients, as well as a redefinition of the method regarding the number of decomposition lines, extrapolation methods and a combining approach. / A previsão de séries temporais é provavelmente um dos interesses mais primordiais na área de economia e econometria, e a literatura referente a este assunto é extremamente vasta. Devido ao crescimento tecnológico nas últimas décadas, diariamente são geradas e disponibilizadas grandes quantidades de séries temporais; que em um primeiro momento, requerem previsões de acordo com um horizonte fixado; e no segundo momento as previsões precisam ser constantemente atualizadas, tornando pouco prática a interação humana. Desta forma, procedimentos computacionais que modelem e posteriormente retornem previsões acuradas são exigidos em diversas áreas do conhecimento. A busca por modelos com alto poder de preditivo é uma questão que tem resultado em grande quantidade de publicações na área de modelos para previsão. Neste trabalho, propõe-se um estudo teórico e aplicado de métodos de previsão aplicado à múltiplas séries temporais univariadas. O estudo foi baseado em modelos de alisamento exponencial via espaço de estados, método ARIMA automático e o método Theta generalizado. Cada modelo e método foi aplicado em grandes bases de séries temporais univariadas e avaliado o resultado em relação aos erros de previsão. Também foi proposta uma abordagem para estimação dos coeficientes Theta, assim como redefinição do método em relação a quantidade de linhas para decomposição, métodos de extrapolação e combinação das linhas para previsão.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-03-07T14:25:21Z No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-07T15:06:57Z (GMT) No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) / Made available in DSpace on 2017-03-07T15:06:57Z (GMT). No. of bitstreams: 1 victorteixeirademelomayrink.pdf: 2587774 bytes, checksum: 1319cc37a15480796050b618b4d7e5f7 (MD5) Previous issue date: 2016-08-31 / FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais / O armazenamento de energia elétrica em larga escala ainda não é viável devido a restrições técnicas e econômicas. Portanto, toda energia consumida deve ser produzida instantaneamente; não é possível armazenar o excesso de produção, ou tampouco cobrir eventuais faltas de oferta com estoques de segurança, mesmo que por um curto período de tempo. Consequentemente, um dos principais desafios do planejamento energético consiste em realizar previsões acuradas para as demandas futuras. Neste trabalho, apresentamos um modelo de previsão para o consumo de energia elétrica a curto prazo. A metodologia utilizada compreende a construção de um comitê de previsão, por meio da aplicação do algoritmo Gradient Boosting em combinação com modelos de árvores de decisão e a técnica de amortecimento exponencial. Esta estratégia compreende um método de aprendizado supervisionado que ajusta o modelo de previsão com base em dados históricos do consumo de energia, das temperaturas registradas e de variáveis de calendário. Os modelos propostos foram testados em duas bases de dados distintas e demonstraram um ótimo desempenho quando comparados com resultados publicados em outros trabalhos recentes. / The storage of electrical energy is still not feasible on a large scale due to technical and economic issues. Therefore, all energy to be consumed must be produced instantly; it is not possible to store the production leftover, or either to cover any supply shortages with safety stocks, even for a short period of time. Thus, one of the main challenges of energy planning consists in computing accurate forecasts for the future demand. In this paper, we present a model for short-term load forecasting. The methodology consists in composing a prediction comitee by applying the Gradient Boosting algorithm in combination with decision tree models and the exponential smoothing technique. This strategy comprises a supervised learning method that adjusts the forecasting model based on historical energy consumption data, the recorded temperatures and calendar variables. The proposed models were tested in two di erent datasets and showed a good performance when compared with results published in recent papers.

L'objectif principal de cette recherche est d'analyser les effets de l'agrégation sur la prévision de la demande. Cet effet est examiné par l'analyse mathématique et l’étude de simulation. L'analyse est complétée en examinant les résultats sur un ensemble de données réelles. Dans la première partie de cette étude, l'impact de l'agrégation temporelle sur la prévision de la demande a été évalué. En suite, Dans la deuxième partie de cette recherche, l'efficacité des approches BU(Bottom-Up) et TD (Top-Down) est analytiquement évaluée pour prévoir la demande au niveau agrégé et désagrégé. Nous supposons que la série désagrégée suit soit un processus moyenne mobile intégrée d’ordre un, ARIMA (0,1,1), soit un processus autoregressif moyenne mobile d’ordre un, ARIMA (1,0,1) avec leur cas spéciales. / Demand forecasting performance is subject to the uncertainty underlying the time series an organisation is dealing with. There are many approaches that may be used to reduce demand uncertainty and consequently improve the forecasting (and inventory control) performance. An intuitively appealing such approach that is known to be effective is demand aggregation. One approach is to aggregate demand in lower-frequency ‘time buckets’. Such an approach is often referred to, in the academic literature, as temporal aggregation. Another approach discussed in the literature is that associated with cross-sectional aggregation, which involves aggregating different time series to obtain higher level forecasts.This research discusses whether it is appropriate to use the original (not aggregated) data to generate a forecast or one should rather aggregate data first and then generate a forecast. This Ph.D. thesis reveals the conditions under which each approach leads to a superior performance as judged based on forecast accuracy. Throughout this work, it is assumed that the underlying structure of the demand time series follows an AutoRegressive Integrated Moving Average (ARIMA) process.In the first part of our1 research, the effect of temporal aggregation on demand forecasting is analysed. It is assumed that the non-aggregate demand follows an autoregressive moving average process of order one, ARMA(1,1). Additionally, the associated special cases of a first-order autoregressive process, AR(1) and a moving average process of order one, MA(1) are also considered, and a Single Exponential Smoothing (SES) procedure is used to forecast demand. These demand processes are often encountered in practice and SES is one of the standard estimators used in industry. Theoretical Mean Squared Error expressions are derived for the aggregate and the non-aggregate demand in order to contrast the relevant forecasting performances. The theoretical analysis is validated by an extensive numerical investigation and experimentation with an empirical dataset. The results indicate that performance improvements achieved through the aggregation approach are a function of the aggregation level, the smoothing constant value used for SES and the process parameters.In the second part of our research, the effect of cross-sectional aggregation on demand forecasting is evaluated. More specifically, the relative effectiveness of top-down (TD) and bottom-up (BU) approaches are compared for forecasting the aggregate and sub-aggregate demands. It is assumed that that the sub-aggregate demand follows either a ARMA(1,1) or a non-stationary Integrated Moving Average process of order one, IMA(1,1) and a SES procedure is used to extrapolate future requirements. Such demand processes are often encountered in practice and, as discussed above, SES is one of the standard estimators used in industry (in addition to being the optimal estimator for an IMA(1) process). Theoretical Mean Squared Errors are derived for the BU and TD approach in order to contrast the relevant forecasting performances. The theoretical analysis is supported by an extensive numerical investigation at both the aggregate and sub-aggregate levels in addition to empirically validating our findings on a real dataset from a European superstore. The results show that the superiority of each approach is a function of the series autocorrelation, the cross-correlation between series and the comparison level.Finally, for both parts of the research, valuable insights are offered to practitioners and an agenda for further research in this area is provided.

The aim of this paper is to investigate various versions of the Phillips curve and their inflation forecasting ability for Euro Area. We consider autoregressive distributed lag models and use two types of trend estimation -- successive (the trend is estimated before the remaining parameters are) and join, using exponential smoothing. The versions of the Phillips curve are evaluated by rolling and recursive window methods, various selection criteria for lag variables and different combination of the inflation indicators. To evaluate the forecasted values, we calculate the RMSE in three 7-year periods: 1993-1999 (run up Euro area), 2000-2006 (stable inflation period) and 2007-2013 (financial crisis). According to all our modifications, we find some models which achieve satisfying results in terms of the RMSE, albeit not for all forecasting periods. We notice that some models are satisfactory only in the stable period however not in the periods with low inflation and vice versa.