Arima vs. machine learning: uma aplicação para taxa de câmbio real no Brasil (2000-2023)

Sanches Filho, Jorge Braga

Please use this identifier to cite or link to this item:


			http://hdl.handle.net/11422/28516

Type:	Trabalho de conclusão de graduação
Title:	Arima vs. machine learning: uma aplicação para taxa de câmbio real no Brasil (2000-2023)
Author(s)/Inventor(s):	Sanches Filho, Jorge Braga
Advisor:	Schommer, Susan
Abstract:	Nos últimos anos, houve grande avanço acerca da análise de dados, incluindo um novo instrumental a partir do Machine Learning (“aprendizado de máquina”). Essa nova abordagem, aplicada a séries temporais, possibilita uma modelagem e previsão mais eficiente. Através do aprendizado supervisionado, via iteração de modelos e seus respectivos resultados, é obtido um modelo final mais robusto. O principal objetivo deste trabalho é comparar os resultados preditivos do modelo estatístico ARIMA, por meio da metodologia Box-Jenkins, frente às arquiteturas naive de Machine e Deep Learning, em uma aplicação para taxa de câmbio real no Brasil (BRL/USD) entre 2000-2022, com previsões para 2023.
Keywords:	Modelos preditivos ARIMA model Machine learning Deep learning Taxa de câmbio real Support Vector Regressor Random Forest Artificial Neural Network Convolutional Neural Network Recurrent Neural Network TimeGPT-1
Subject CNPq:	CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
Production unit:	Instituto de Economia
Publisher:	Universidade Federal do Rio de Janeiro
Issue Date:	15-Aug-2024
Publisher country:	Brasil
Language:	por
Right access:	Acesso Aberto
Citation:	SANCHES FILHO, Jorge Braga. Arima vs. Machine Learning: uma aplicação para taxa de câmbio real no Brasil (2000-2023). 2024. 34 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2024.
Appears in Collections:	Ciências Econômicas

Files in This Item:

File	Description	Size	Format
JBSFilho.pdf		739.92 kB	Adobe PDF	View/Open

Show full item record Recommend this item View Statistics

Pantheon Institutional repository