| Resumo: | As séries temporais podem ser definidas como conjuntos de observações indexadas no tempo, sendo outputs de sistemas dinâmicos, com caráter probabilístico modelável por processos estocásticos. Nesta tese é proposta a hipótese de que localmente cada nova observação pode ser decomposta em dois tipos de movimentos relativamente ao valor da observação precedente, sendo o primeiro, simplesmente, aumentar ou diminuir e o segundo a amplitude desse movimento. Com base nesse pressuposto, é demonstrado que uma série temporal pode ser transformada em duas séries temporais de espaços de estados {−1,0,1} e ]0,1[. Sendo essas duas séries modeladas com recurso a processos estocásticos de Poisson e Ornstein- Uhlenbeck, respetivamente. Esta é a base para o desenvolvimento de um novo método para a previsão de séries temporais. O novo método foi aplicado a oito exemplos de conjuntos de dados de áreas diferentes e com características muito diversificadas, no sentido de explorar a sua aplicabilidade a uma ampla abrangência de séries temporais. Num primeiro ensaio, foi analisado o desempenho do método quando aplicado a uma série temporal financeira, sendo os resultados comparados com os dos métodos GARCH e ARIMA. Nas restantes aplicações, o desempenho do método foi comparado apenas com o método clássico linear ARIMA. Os resultados obtidos na modelação e previsão das diferentes séries e etapas de desenvolvimento, conseguiram superar ou ficar muito próximos dos resultados obtidos pelo método ARIMA. O método proposto neste trabalho, denominado método FP, pretende ser aplicável a um conjunto de dados indexados ao tempo, não estando vinculado a uma estrutura de autocorrelação específica, necessária para o sucesso das previsões em outros modelos, como os modelos lineares, nem exige intervalos de tempo constantes entre as observações.
|
|---|