Previsão dos preços do petróleo Brent com modelos univariados

Abstract

O objetivo deste estudo é a previsão da série temporal de preços do petróleo Brent através de diversos modelos econométricos e de Machine Learning de forma a identificar qual é o que obtém um melhor ajuste e performance. As métricas de avaliação da performance que auxiliaram na comparação entre os modelos foram o Mean Absolute Error (MAE), o Mean Absolute Percentage Error (MAPE), o Mean Squared Error (MSE) e o Root Mean Squared Error (RMSE). Com isto, conseguiu-se perceber que existe uma tendência, sendo o modelo ARIMA (Auto Regressive Integrated Moving Average) e o modelo LSTM (Long short-term memory) os mais estudados na literatura e os que obtiveram melhores previsões em todas as métricas utilizadas. Em suma, verificou-se que tem existido um crescimento gradual da literatura desta temática, que a presente dissertação vai ao encontro dos resultados obtidos por outros autores e que ainda há caminho para novas investigações.

This study aims to forecast the Brent crude oil price series over time using various forecasting models belonging to classical econometrics and Machine Learning to determine which model produces the best adjustment. The performance metrics that aided in the model comparison were the Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE) (RMSE). As a result, it was possible to detect a trend, with the models ARIMA (Auto Regressive Integrated Moving Average) and LSTM (Long Short-Term Memory) being the most studied in the literature and yielding the best predictions across all metrics. Overall, it was concluded that there had been a gradual growth in the literature on this topic, that this dissertation results agree with the one found in the recent literature, and that there is still room for developing new research.