| Summary: | A articulação de técnicas/ferramentas estatísticas, matemáticas e computacionais, no processo de análise, modelação e previsão de séries temporais, manifesta-se um claro suporte de apoio à tomada de decisão. O constante desafio na procura de previsões acuradas tem levado os investigadores à melhoraria das técnicas já existentes e a investir na procura de metodologias alternativas. Especificamente para séries económico-financeiras, a aplicação de metodologias baseadas em Inteligência Artificial, em particular de "Deep Learning", tem sido apontada com uma opção promissora. Neste estudo faz-se uma comparação crítica dos resultados obtidos por aplicação de metodologias clássicas de previsão (nomeadamente modelos autorregressivos e de alisamento exponencial) e de "Deep Learning" (mediante a implementação de algumas arquiteturas redes neuronais). O estudo empírico foi sustentando em quatro séries económico-financeiras distintas: "Consumer Price Index for All Urban Consumers: All Items in U.S. City Average" (CPIAUCSL); "Vehicle-Miles Travelled" (VMT); "Portuguese Stock Index 20" (PSI 20) e "Standard & Poor's 500 Exchange-Traded Fund" (SPY). A análise comparativa é feita tendo por base a qualidade preditiva e o custo computacional associado a cada um dos modelos de previsão. Reconhecidas vantagens na aplicação das metodologias de "Deep Learning", são discutidas possíveis alterações procurando melhorar a qualidade preditiva e reduzir o tempo de execução computacional. As alterações introduzidas em modelos de redes neuronais revelaram-se promissoras na redução do tempo computacional e nos valores da métrica de erro de previsão usada. Este sucesso é sobretudo evidente em séries que apresentam dinâmicas 'irregulares', como são exemplo as séries financeiras.
|
|---|