@MASTERSTHESIS{ 2020:1673847807,
 	title = {Previsão de indicadores diários de preços no mercado futuro de commodities agrícolas utilizando aprendizagem de máquina},
 	year = {2020},
 	url = "https://bdtd.unifal-mg.edu.br:8443/handle/tede/1762",
 	abstract = "A previsão de valores em uma série temporal é objeto de estudo em vários campos do
 conhecimento. No mercado futuro de commodities agrícolas esse tipo de informação pode
 ser utilizada para minimizar riscos aos investimentos e contribuir para o aumento de
 volume de negociações de diversas mercadorias. Como os preços desses ativos sofrem
 influência de muitas variáveis externas, geralmente as previsões são feitas por meio de
 análises fundamentalista ou técnica e este trabalho é realizado por pessoas especialistas
 da área. Isso restringe o acesso de indivíduos que poderiam investir, mas não o faz por
 não ter esse conhecimento que é necessário para a sobrevivência desse negócio. Esse
 estudo propõe um modelo computacional, utilizando algoritmos e técnicas de
 aprendizagem de máquina, para prever valores futuros em séries de dados históricos. Ao
 executá-lo várias vezes, de forma randomizada, obtém-se sete tipos de previsões
 diferentes para cada série de commodity analisada. As séries são registros de cotações
 de preços mantidas pelo CEPEA, em US$, de açúcar, boi, café, etanol, milho e soja. O
 desempenho e a estabilidade das previsões dos algoritmos: k-nearest neighbors; random
 forest; rede neural artificial; support vector machine; e extreme gradient boosting e dos
 métodos de aprendizagem em conjunto: ensemble por média e stacking, são medidos
 utilizando estatísticas das métricas de erros MAE, RMSE e MAPE. Isso constituiu o
 experimento computacional e demonstrou que o support vector machine é o algoritmo
 com o melhor desempenho para esse grupo de séries. Com as técnicas aplicadas, os
 resultados mostram que as previsões têm alto desempenho durante a validação do
 modelo sugerindo que elas são úteis no horizonte de um passo à frente. Os resultados
 dessa pesquisa apontam que essa abordagem tem potencial para ser utilizada como uma
 alternativa de automação da análise técnica contribuindo para a redução e quantificação
 dos erros de previsões no curto prazo. Por meio da aplicação rotineira e de grande
 frequência dessa técnica especuladores e hedgers podem ser beneficiados ao utilizar
 essa abordagem, como apoio à tomada de decisão, para reduzir os riscos das
 negociações.",
 	publisher = {Universidade Federal de Alfenas},
 	scholl = {Programa de Pós-Graduação em Estatística Aplicada e Biometria},
 	note = {Instituto de Ciências Exatas}
}