Trabalho de Conclusão de Curso
Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes
Inflation in Brazil: an application of Time Series and Recurring Neural Networks
Registration in:
RODRIGUES, Julia Naves. Inflação no Brasil: uma aplicação de Séries Temporais e Redes Neurais Recorrentes. 2021. 64 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2021.
Author
Rodrigues, Julia Naves
Institutions
Abstract
Trabalho de Conclusão de Curso (Graduação) A realização de previsões da inflação é imprescindível quando se deseja melhorar o planejamento
estratégico na intenção de reduzir incertezas e aumentar a capacidade de planejamento
das famílias, empresas e governo, e assim garantir o bom funcionamento da economia do país.
Por conta disso, o objetivo do presente estudo foi realizar previsões do Índice Nacional de Preços
ao Consumidor Amplo (IPCA), o qual é a métrica oficial de mensuração da inflação pelo
governo federal. As técnicas de séries temporais de Box e Jenkins e de redes neurais recorrentes
foram utilizadas para construção de modelos que capturam as informações contidas na série,
a fim de avaliar o comportamento da variável analisada ao longo do tempo, bem como efetuar
previsões dos valores futuros. Ao aplicar as técnicas de Box e Jenkins, foi adotado um modelo
de previsão do tipo SARIMA, que considera tanto a tendência como a sazonalidade na série,
sendo selecionado aquele com menor raiz do erro quadrático médio (RMSE do inglês Root
Mean Squared Error) e menor quantidade de parâmetros. Para os modelos de redes neurais
recorrentes, utilizou-se o algoritmo LSTM (Long Short Term Memory), e selecionou-se aquele
com menor RMSE. A fim de comparar as duas técnicas de previsão, os critérios adotados foram
raiz do erro quadrático médio (RMSE), sendo que o modelo SARIMA se mostrou o melhor
modelo para prever 12 meses diretos da inflação, enquanto que para previsões a curto prazo
com realimentação, a técnica LSTM se mostrou muito efetiva.