[pt] Realizar previsões de preços no mercado de ações é uma tarefa difícil devido ao fato de o mercado financeiro ser um ambiente altamente dinâmico, complexo e caótico. Para algumas teorias financeiras, usar as informações disponíveis para tentar prever o preço de uma ação a curto prazo é um esforço em vão já que ele sofre a influência de diversos fatores externos e, em decorrência, sua variação assemelha-se à de um passeio aleatório. Estudos recentes, como (37) e (51), abordam o problema com modelos de predição específicos para o comportamento do preço de uma ação isolada. Neste trabalho, apresenta-se uma proposta para prever variações de preço tendo como base conjuntos de ações consideradas similares. O objetivo é criar um modelo capaz de prever se o preço de diferentes ações tendem a subir ou não a curto prazo, considerando informações de ações pertencentes a conjuntos similares com base em duas fontes de informações: os dados históricos das ações e as notícias do Google Trends. No estudo proposto, primeiramente é aplicado um método para identificar conjuntos de ações similares para então criar um modelo de predição baseado em redes neurais LSTM (long shortterm memory) para esses conjuntos. Mais especificamente, foram conduzidos dois experimentos: (1) aplicação do algoritmo K-Means para a identificação dos conjuntos de ações similares, seguida da utilização de uma rede neural LSTM para realizar as previsões, e (2) aplicação do algoritmo DBSCAN para a criação dos conjuntos seguida da mesma rede LSTM para prever as variações de preço. O estudo foi realizado em um conjunto com 51 ações do mercado acionário brasileiro, e os experimentos sugeriram que utilizar um método para criar conjuntos de ações similares melhora os resultados em aproximadamente 7 porcento de acurácia e f1-score, e 8 porcento de recall e precision quando comparados a modelos para ações isoladas. / [en] Predicting stock market prices is a hard task. The main reason for that is due to the fact its environment is highly dynamic, intrinsically complex and chaotic. The traditional economic theories tell us that trying to predict short-term stock price movements is a wasted effort because the market is influenced by several external events and its behavior approximates a random walk. Recent studies, such as (37) and (51), address this problem and create specific prediction models for the price behavior of an isolated stock. This work presents a proposal to predict price movements based on stock sets considered similar. Our goal is building a model to identify whether the price tends to bullishness or bearishness in the (near) future, considering stock information from similar sets based on two sources of information: historical stock data and Google Trends news. Firstly, the proposed study applies a method to identify similar stock sets and then creates a predictive model based on LSTM (long short-term memory) for these sets. More specifically, two experiments were conducted: (1) using the K-Means algorithm to identify similar stock sets and then using a LSTM neural network to predict stock price movements for these stock sets; (2) using the DBSCAN algorithm to identify similar stock sets and then using the same LSTM neural network to forecast stock price movements. The study was conducted over 51 stocks of the brazilian stock market. The results suggested that using an algorithm to identify similar stock clusters yields an improvement of approximately 7 percent in accuracy and f1-score and 8 percent in recall and precision when compared to specific models for isolated stocks.

[pt] Após o choque de racionamento de energia elétrica, decorrente do desequilíbrio entre oferta e demanda, os vários setores da sociedade brasileira constataram a real e iminente necessidade de diversificação das fontes de geração de energia elétrica e de seu uso racional. Busca-se hoje novas fontes, entre as quais a energia eólica, uma alternativa nova e promissora. A energia eólica está aumentando no mundo todo e o Brasil tem um enorme potencial devido a sua localização geográfica e o governo tem investido neste tipo de energia. O principal objetivo desta dissertação é estudar e desenvolver modelos de previsão de velocidade de vento, de curto prazo da velocidade do vento. Os métodos de amortecimento exponencial, em particular o método de Holt-Winters e suas variações, são apropriados para este contexto devido à sua alta adaptabilidade e robustez. Para aplicação da metodologia considerou-se o município de São João do Cariri (Estado de Paraíba), onde está localizada uma das estações de referência do projeto SONDA (Sistema Nacional de Dados Ambientais para o setor de energia). Será utilizado o método de Holt-Winters, que será comparado com os modelos: de persistência, neuro-fuzzy (ANFIS) e estatísticos. / [en] After the shock of electricity rationing, due to the imbalance between supply and demand, the various sectors of the Brazilian society found a real and imminent need to diversify sources of electricity generation and its rational use. New sources are searched today, including wind power, a promising new alternative. Wind energy has been increasing worldwide and Brazil has huge potential due to its geographical location and the government has invested in this type of energy. The main objective of this thesis is to study and develop forecasting models, of short-term wind speed. The methods of exponential smoothing, in particular the method Holt-Winters and its variations, are suitable in this context because of its high adaptability and robustness. The city of São João do Cariri (State of Paraíba), where it is located one of the reference stations of project SONDA (National Environmental Data for the energy sector) was chosen in order to apply the methodology. The method that will be used is Holt-Winters, who will be compared with the models: persistence, neuro-fuzzy (ANFIS) and statistics.

[pt] Quando há mudanças no padrão sazonal de uma série temporal, ao longo do tempo, fica caracterizada a presença de sazonalidade móvel. Existem evidências de séries macroeconômicas que apresentam um grau considerável de sazonalidade móvel. Atualmente, para a realização do ajuste sazonal, o programa utilizado pelo IBGE é o X-12-ARIMA, que implementa o método X-11 de ajuste sazonal. O X-11 é um dos métodos mais utilizados no mundo pelos órgãos oficiais de estatística, no entanto, quando existe sazonalidade móvel, ele não consegue tratá-la de forma adequada. Este trabalho propõe dois projetos de filtros de extração da componente sazonal, no domínio da frequência, que são adequados tanto para séries com sazonalidade estável quanto para aquelas que apresentam sazonalidade móvel. O primeiro projeto de filtros, intitulado de filtro sazonal-WLS, utiliza critérios baseados em mínimos quadrados. O desempenho do filtro sazonal-WLS é avaliado com base em sinais sazonais artificiais, para séries mensais e trimestrais, baseados nas características das séries macroeconômicas. Os resultados são comparados com o método X-11 e são identificadas as situações nas quais ele é superior ao X-11. Considerando que o filtro sazonal-WLS é tanto superior ao X-11 quanto maior for a razão entre a variação da sazonalidade e a intensidade da componente irregular, foi desenvolvido o projeto de um segundo filtro. Este novo filtro combina a abordagem de mínimos quadrados ponderados com as características dos filtros de Chebyshev, minimizando simultaneamente o erro na estimativa da sazonalidade e a influência da componente irregular. A ele intitulou-se filtro sazonal-WLS-Chebyshev. Os resultados do filtro sazonal-WLS-Chebyshev são comparados com o filtro sazonal-WLS onde observam-se algumas melhorias. / [en] A time series is said to have moving seasonality when there are changes in the seasonal pattern. There is evidence that macroeconomic series show moving seasonality. Currently, to perform a seasonal adjustment, IBGE uses the program X-12-ARIMA, which implements the seasonal adjustment method X-11. This method is worldwide adopted by official statistical agencies. However, when a time series shows changing seasonal patterns, the X-11 seasonal adjustment method generates unreliable estimates. This thesis proposes two designs of filters to extract seasonal components in the frequency domain, that are suitable for series with stable seasonality and for those with moving seasonality. The first filter, named WLS-seasonal filter, uses criteria based on least squares. The performance of this filter is assessed based on artificial seasonal series for monthly and quarterly data, based on the characteristics of real macroeconomic series. The results are compared with the ones of X-11 method, and the situations in which this filter is superior to X-11 are identified. Taking into account the fact that the performance of the WLS-seasonal filter improves in relation to the one of X-11 the higher the ratio between the variation of seasonality and irregular intensity, the design of a second filter was developed. This new filter combines the approach of weighted least squares with the Chebyshev filters characteristics, simultaneously minimizing the error in estimating the seasonal component and the influence of the irregular component. It was named WLS-Chebyshev-seasonal filter. The performance of this new filter is compared with the one of the WLS-seasonal filter, and some improvements are observed.

[pt] Modelos auto-regressivos (AR(p)) de séries temporais supõem que a dinâmica da série contém uma dependência linear nas observações passadas até uma defasagem p, e um erro aleatório independente e identicamente distribuído (i.i.d). Modelos de auto-regressão quantílica (QAR(p)) são uma generalização dos AR(p) em que os coeficientes auto- regressivos variam com o quantil da distribuição condicional, não sendo necessária, portanto, uma componente explícita de erro aleatório. Esta dissertação estuda a inferência estatística proposta para modelos QAR(p) por Koenker e Xiao (2004), com o auxílio de simulações de Monte Carlo. Enquanto a estimação mostra-se bem precisa, os resultados do teste de hipóteses, onde a hipótese nula supõe um modelo auto-regressivo (AR), não apresentam bons resultados, variando estes com o modelo gerador de dados. / [en] Autoregressive models (AR(p)) for time series assume that the series dynamics has a linear dependence on past observations up to a lag p, plus an independent and identically distributed (i.i.d.) random error. Quantile autoregressive models (QAR(p)) generalize the AR(p) by allowing different autoregressive coefficients for different quantiles of the conditional distribution and so there is no need for an explicit random error component. This dissertation studies the statistical inference proposed by Koenker e Xiao (2004) for QAR(p) models, by means of Monte Carlo simulations. While the estimation tools show themselves very accurate, the hypothesis test which considers an AR model as the null hypothesis yields poor results, and these vary with the data generating process

[pt] A modelagem de dados que qualificam as transações de ativos financeiros, tais como, preço, spread de compra e venda, volume e duração, vem despertando o interesse de pesquisadores na área de finanças, levando a um aumento crescente do número de publicações referentes ao tema. As primeiras propostas se limitaram aos modelos de duração. Mais tarde, o impacto da duração sobre a volatilidade instantânea foi analisado. Recentemente, Manganelli (2002) incluiu dados referentes aos volumes transacionados dentro de um modelo vetorial. Neste estudo, nós estendemos o trabalho de Manganelli através da inclusão do spread de compra e venda num modelo vetorial autoregressivo, onde as médias condicionais do spread, volume, duração e volatilidade instantânea são descritas a partir de uma formulação exponencial chamada Exponential Multivariate Autoregressive Conditional Model (EMACM). Nesta nova proposta, não se fazem necessárias a adoção de quaisquer restrições nos parâmetros do modelo, o que facilita o procedimento de estimação por máxima verossimilhança e permite a utilização de testes de Razão de Verossimilhança na especificação da forma funcional do modelo (estrutura de interdependência). Em paralelo, a questão de antecipar movimentos nos preços de ativos financeiros é analisada mediante a utilização de um procedimento integrado, no qual, além da modelagem de dados financeiros de alta freqüência, faz-se uso de um modelo probit ordenado contemporâneo. O EMACM é empregado com o objetivo de capturar a dinâmica associada às variáveis e sua função de previsão é utilizada como proxy para a informação contemporânea necessária ao modelo de previsão de preços proposto. / [en] The availability of high frequency financial transaction data - price, spread, volume and duration -has contributed to the growing number of scientific articles on this topic. The first proposals were limited to pure duration models. Later, the impact of duration over instantaneous volatility was analyzed. More recently, Manganelli (2002) included volume into a vector model. In this document, we extended his work by including the bid-ask spread into the analysis through a vector autoregressive model. The conditional means of spread, volume and duration along with the volatility of returns evolve through transaction events based on an exponential formulation we called Exponential Multivariate Autoregressive Conditional Model (EMACM). In our proposal, there are no constraints on the parameters of the VAR model. This facilitates the maximum likelihood estimation of the model and allows the use of simple likelihood ratio hypothesis tests to specify the model and obtain some clues about the interdependency structure of the variables. In parallel, the problem of stock price forecasting is faced through an integrated approach in which, besides the modeling of high frequency financial data, a contemporary ordered probit model is used. Here, EMACM captures the dynamic that high frequency variables present, and its forecasting function is taken as a proxy to the contemporaneous information necessary to the pricing model.

[pt] Esta pesquisa fundamenta-se na elaboração de uma metodologia para identificação da estrutura de séries temporais lineares e não lineares, baseada na estimação não paramétrica e semi-paramétrica de curvas em modelos do tipo Yt=E(Yt|Xt) +e, onde Xt=(Yt-1, Yt-2,...,Yt-d). Um modelo de regressão linear paramétrico tradicional assume que a forma da função E(Yt|Xt) é linear. O processo de estimação é global, isto é, caso a suposição seja, por exemplo, a de uma função linear, então a mesma reta é usada ao longo do domínio da covariável. Entretanto, tal abordagem pode ser inadequada em muitos casos. Já a abordagem não paramétrica, permite maior flexibilidade na possível forma da função desconhecida, sendo que ela pode ser estimada através de funções núcleo local. Desse modo, somente pontos na vizinhança local do ponto xt , onde se deseja estimar E(Yt|Xt=xt), influenciarão nessa estimativa. Isto é, através de estimadores núcleo, a função desconhecida será estimada através de uma regressão local, em que as observações mais próximas do ponto onde se deseja estimar a curva receberão um peso maior e as mais afastadas, um peso menor. Para estimação da função desconhecida, o parâmetro de suavização h (janela) foi escolhido automaticamente com base na amostra via minimização de resíduos, usando o critério de validação cruzada. Além desse critério, utilizamos intencionalmente valores fixos para o parâmetro h, que foram 0.1, 0.5, 0.8 e 1. Após a estimação da função desconhecida, calculamos o coeficiente de determinação para verificar a dependência de cada defasagem. Na metodologia proposta, verificamos que a função de dependência da defasagem (FDD) e a função de dependência parcial da defasagem (FDPD), fornecem boas aproximações no caso linear da função de autocorrelação (FAC) e da função de autocorrelação parcial (FACP), respectivamente, as quais são utilizadas na análise clássica de séries lineares. A representação gráfica também é muito semelhante àquelas usadas para FAC e FACP. Para a função de dependência parcial da defasagem (FDPD), necessitamos estimar funções multivariadas. Nesse caso, utilizamos um modelo aditivo, cuja estimação é feita através do método backfitting (Hastie e Tibshirani-1990). Para a construção dos intervalos de confiança, foi utilizada a técnica Bootstrap. Conduzimos o estudo de forma a avaliar e comparar a metodologia proposta com metodologias já existentes. As séries utilizadas para esta análise foram geradas de acordo com modelos lineares e não lineares. Para cada um dos modelos foi gerada uma série de 100 ou mais observações. Além dessas, também foi exemplificada com o estudo da estrutura de duas séries de demanda de energia elétrica, uma do DEMEI- Departamento Municipal de Energia de Ijuí, Rio Grande do Sul e outra de uma concessionária da região Centro-Oeste. Utilizamos como terceiro exemplo uma série econômica de ações da Petrobrás. / [en] This paper suggests an approach for the identification of the structure of inear and non-linear time series through non-parametric estimation of the unknown curves in models of the type Y)=E(Yt|Xt =xt) +e , where Xt=(Yt-1,Yt-2,...,Yt- d). A traditional nonlinear parametric model assumes that the form of the function E(Yt,Xt) is known. The estimation process is global, that is, under the assumption of a linear function for instance, then the same line is used along the domain of the covariate. Such an approach may be inadequate in many cases, though. On the other hand, nonparametric regression estimation, allows more flexibility in the possible form of the unknown function, since the function itself can be estimated through a local kernel regression. By doing so, only points in the local neighborhood of the point Xt, where E(Yt|Xt =xt) is to be estimated, will influence this estimate. In other words, with kernel estimators, the unknown function will be estimated by local regression, where the nearest observations to the point where the curve is to be estimated will receive more weight and the farthest ones, a less weight. For the estimation of the unknown function, the smoothing parameter h (window) was chosen automatically based on the sample through minimization of residuals, using the criterion of cross-validation. After the estimation of the unknown function, the determination coefficient is calculated in order to verify the dependence of each lag. Under the proposed methodology, it was verified that the Lag Dependence Function (LDF) and the Partial Lag Dependence Function (PLDF) provide good approximations in the linear case to the function of autocorrelation (ACF) and partial function of autocorrelation (PACF) respectively, used in classical analysis of linear time series. The graphic representation is also very similar to those used in ACF and PACF. For the Partial Lag Dependence Function (PLDF) it becomes necessary to estimate multivariable functions. In this case, an additive model was used, whose estimate is computed through the backfitting method, according to Hastie and Tibshirani (1990). For the construction of confidence intervals, the bootstrap technique was used. The research was conducted to evaluate and compare the proposed methodology to traditional ones. The simulated time series were generated according to linear and nonlinear models. A series of one hundred observations was generated for each model. The approach was illustrated with the study of the structure of two time series of electricity demand of DEMEI- the city department of energy of Ijui, Rio Grande do Sul, Brazil and another of a concessionary of the Centro- Oeste region. We used as third example an economical series of Petrobras.

Medidas de dependência entre séries temporais são estudadas com a perspectiva de evidenciar como diferentes regiões do cérebro interagem, por meio da aplicação a sinais eletrofisiológicos. Baseado na representação auto-regressiva e espectral de séries temporais, diferentes medidas são comparadas entre si, incluindo coerência espectral e a coerência parcial direcionada, e introduz-se uma nova medida, denominada transferência parcial direcionada. As medidas são analisadas pelas propriedades de parcialização, relações diretas ou indiretas e direcionalidade temporal, e são mostradas suas relações com a correlação quadrática. Conclui-se que, entre as medidas analisadas, a coerência parcial direcionada e a transferência parcial direcionada possuem o maior número de características desejáveis, fundamentadas no conceito de causalidade de Granger. A estatística assintótica é desenvolvida para todas as medidas, incluindo intervalo de confiança e teste de hipótese nula, assim como sua implementação computacional. A aplicação a séries simuladas e a análise de dados eletrofisiológicos reais ilustram o estudo comparativo e a aplicabilidade das novas estatísticas apresentadas. / Measures of dependence between temporal series are studied in the context of revealing how different brain regions interact, through their application to electrophysiology. Based on the spectral and autoregressive model of time series, different measures are compared, including coherence and partial directed coherence, and a new measure is introduced, named partial directed transfer. The measures are analyzed through the properties of partialization, direct or indirect relations and temporal directionality, and their relation to quadratic correlation is shown. It results that among the presented measures, partial directed coherence and partial directed transfer reveal the highest number of desirable properties, being grounded on the concept of Granger causality. The asymptotic statistics for all measures are developed, including confidence intervals and null hypothesis testing, as well as their computational implementation. The application to simulated series and the analysis of electrophysiological data illustrate the comparative study and the applicability of the newly presented statistics.

[pt] Neste trabalho empregou-se a técnica de redes neurais artificiais e modelos de Box & Jenkins (1970) para análise, modelagem e previsão dos valores de vazão e de cargas de pressão na barragem Corumbá I, do sistema Furnas Centrais Elétricas, a partir dos dados de instrumentação disponíveis desde 1997. A previsão de valores prováveis pode auxiliar em tomadas de decisão durante a operação da barragem. A utilização de métodos estatísticos e de redes neurais artificiais é especialmente recomendado em situações onde a solução através de métodos determinísticos, analíticos ou numéricos, torna-se difícil por envolver modelagens tridimensionais, com condições de contorno complexas e incertezas na variação espacial e temporal das propriedades dos materiais que constituem a barragem e sua fundação. Tradicionalmente, as análises de séries temporais são normalmente abordadas sob a perspectiva de métodos estatísticos, como os modelos de Box & Jenkins. No entanto, redes neurais artificiais têm-se constituído ultimamente em uma alternativa atraente para investigações de séries temporais por sua capacidade de análise de problemas de natureza não-linear e não-estacionários. Neste trabalho são apresentadas três aplicações envolvendo o comportamento da barragem Corumbá I: previsão das vazões através da fundação junto à ombreira esquerda, previsão das cargas de pressão em piezômetros instalados no núcleo central da barragem e no solo residual de fundação e, finalmente, a previsão dos valores das leituras em um piezômetro supostamente danificado em determinado instante de tempo. Em todos estes casos, os resultados obtidos pelos modelos de Box & Jenkins e redes neurais artificiais foram bastante satisfatórios. / [en] In this work, artificial neural networks and the Box & Jenkins models (1970) were used for analysis, modeling and forecasts of water discharges and pressure head development in the Corumbá-I dam, owned by Furnas Centrais Elétricas, from the instrumentation data recorded since 1997. Prediction of the probable values can be a powerful tool for early detection of abnormal conditions during the dam operation. The use of statistical methods and artificial neural network techniques are specially recommend in situations where a solution with a deterministic approach, analytical or numerical, is difficult for involving three- dimensional modeling, complex boundary conditions and uncertainty with respect to the spatial and temporal variation of the material properties of the dam and its foundation. Time series analyses are traditionally carried out using a statistical approach, such as the Box & Jenkins models. However, artificial neural networks have become in the recent years an attractive alternative for time series problems due to their inherent ability to analyze nonlinear and non-stationary phenomena. Three applications of time series analysis, related to the instrumentation data collected from Corumba-I dam, are presented and discussed in this thesis: forecast of water discharges through the foundation near the dam left abutment, prediction of pressure heads in piezometers installed in the impermeable central core and the residual soil foundation and, finally, prediction of the pressure heads that would be read in a piezometer that, at a given instant of time, stops working being supposedly damaged. In all these cases, the results obtained from the Box & Jenkins models as well as the artificial neural networks are quite satisfactory.

[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.

[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.