Resumo

A previsão de valores em uma série temporal é objeto de estudo em vários campos do conhecimento. No mercado futuro de commodities agríıcolas 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 pre¸cos 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 nas Bolsas de Valores. Este artigo aborda métodos computacionais, que envolvem os algoritmos: k-nearest neighbor; random forest; redes neurais artificiais; support vector machine; e extreme gradient boosting aplicados aos dados históricos das seguintes commodities: açúcar; boi; café; etanol; milho; e soja com o objetivo de prever os preçoos nos horizontes de um e dez passos à frente utilizando para isto a técnica de regressão. Os resultados apontam que as previsões dos modelos inteligentes têm alto desempenho no curto prazo. Nesse sentido, especuladores e hedges podem ser beneficiados ao utilizar a técnica proposta, como apoio à tomada de decisão.

Palavras-chave

• Agronegócio
• Previsão de preços de commodities
• Inteligência Artificial

Referências

• BELL, J. Machine Learning : Hands-On for Developers and Technical Professionals, 2ª ed. Indianapolis: John Wiley & Sons, 2020.
• BLOSS, M. et al. Derivativos : Guia Prático para Investidores Novatos e Experientes. Munique: Oldenbourg Wissenschaftsverlag, 2013.
• BLYTH, T. S.; ROBERTSON E. F. Basic Linear Algebra , 2ª ed. London: Springer-Verlag, 2005.
• BRASIL. Ministério da Economia Indústria, Comércio Exterior e Serviços. Estatísticas de Comércio Exterior . 2019. Disponível em: http://comexstat.mdic.gov.br Acesso em: 15 mai. 2020.
• BRESSAN, A.A.; LIMA, J.E. Modelos de previsão de preços aplicados aos contratos futuros de boi gordo na BM &F . Nova Economia, Belo Horizonte, v.12, n.1, p.117-140, 2003.
• BRINK, H.; RICHARDS J. W.; FETHEROLF M. Real-World Machine Learning . New York: Manning Publications Co., 2017.
• CEPEA. Centro de Estudos Avançados em Economia Aplicada. Preços Agropecuários . 2020. Disponível em: https://www.cepea.esalq.usp.br . Acesso em: 20 mai. 2020.
• CERETTA, P. S.; RIGHI, M. B.; SCHLENDER, S. G. Previsão do Preço da Soja : Uma Comparação Entre os Modelos ARIMA e Redes Neurais Artificiais. Revista Informações Econômicas, São Paulo, v.40, n.9, p.15-27, set. 2010.
• CERQUEIRA, V.; et al. Arbitrated Ensemble for Time Series Forecasting . Springer International Publishing, Porto, Lecture Notes in Computer Science, v.10535, p.478?494, dez. 2017.
• CORRÊA, A. L.; RAÍCES, C. Derivativos Agrícolas . Santos: Editora Comunicar, 2017.
• DASQUPTA, N. Practical Big Data Analytics : Hands-on Techniques to Implement Enterprise Analytics and Machine Learning Using Hadoop, Spark, NoSQL and R. Birmingham: Packt Publishing Ltd, 2018.
• DAVISON, A. C.; HINKLEY, D. V. Bootstrap Methods and Their Application . New York: Cambridge University Press, 1997.
• DREW, C.; WHITE, D. M. Machine Learning for Hackers . Sebastopol: O'Reilly, 2012.
• FERREIRA, L.; et al. Utilização de Redes Neurais Artificiais como Estratégia de Previsão de Preços no Contexto de Agronegócio . RAI, São Paulo, v.8, n.4, p.6-26, out./dez. 2011.
• FAUZIAH, N. F., GUNARYATI, G. Comparison Forecasting with Double Exponential Smoothing and Artificial Neural Network to Predict the Price of Sugar . International Journal of Simulation - Systems Science & Technology, v. 18, n. 4, p 13.1-13.8, 2017.
• GELMAN, A; HILL, J. Data Analysis Using Regression and Multilevel/Hierarchical Models . Cambridge: Cambridge University Press., 2007.
• GORI, M. Machine Learning : A Constraint-Based Approach. Cambridge: Elsevier, 2018.
• GRAUPE, D. Principles of Artificial Neural Networks , 3ª ed. New Jersey: World Scientific Publishing Co. Pte. Ltd., 2013.
• HANSEN, L, K.; SALAMON, P.; Neural network ensembles . IEEE Trans - Pattern Anal, Machince Intell, New York, p.993-1001, oct. 1990.
• HUANG, S. C.; WU, C. F; Energy Commodity Price Forecasting with Deep Multiple Kernel Learning . MDPI, Taiwan, 5 nov. 2018, Energies. p.8 e p.14.
• KRAMER, O. Dimensionality Reduction with Unsupervised Nearest Neighbors . Oldenburg: Springer-Verlag, 2013.
• KUMAR, A.; JAIN, M.; Ensemble Learning for AI Developers : Learn Bagging, Stacking, and Boosting Methods with Use Cases. New York: Apress, 2020.
• LIMA, F. G.; et al. Previsão de Preços de Commodities com Modelos ARIMA-GARCH e Redes Neurais com Ondaletas : Velhas Tecnologias - Novos Resultados. R.Adm., São Paulo, v.45, n. 2, p.188-202, abr./maio/jun. 2010.
• LOPES, L. P. Predição do Preço do Café Naturais Brasileiro por meio de Modelos de Statistical Machine Learning . Sigmae, Alfenas, v.7, n.1, p.1-16, 2018.
• MIRANDA, A. P.; CORONEL, D. A.; VIEIRA, K. M. Previsão do mercado futuro do café arábica utilizando redes neurais e métodos econométricos . Revista Estudos do CEPE, 38, 66-98, 2013.
• MOLERO, L.; MELLO, E. Derivativos : Negociação e Precificação, 1ª ed, São Paulo: Saint Paul Editora, 2018.
• MUELLER, J. P.; MASSARON, L. Machine Learning For Dummies . Hoboken: John Wiley & Sons, Inc., 2016.
• PAL, A.; PRAKASH, P. Practical Time Series Analysis : Master Time Series Data Processing, Visualization, and Modeling using Python. Birmingham: Packt Publishing, 2017.
• PANESAR, A. Machine Learning and AI for Healthcare : Big Data for Improved Health Outcomes. Coventry: Apress, 2019.
• PAZ, L.; BASTOS, M. Mercado Futuro : Como Vencer Operando Futuros. Rio de Janeiro: Elsevier, 2012.
• PINHEIRO, C. A. O.; SENNA, V.; MATSUMOTO, A. S. Price Forecasting for Future Contracts on Agribusiness Through Neural Network and Multivariate Spectral Analysis . Gestão, Finanças e Contabilidade. Salvador, v. 6, n. 3, p. 98-124, set./dez., 2016.
• PIOT-LEPETIT, I.; M'BAREK R. Methods to Analyse Agricultural Commodity Price Volatility . New York, Springer, 2011.
• QUI, X; et al. Ensemble Deep Learning for Regression and Time Series Forecasting . IEEE. Cambridge, p. 1-6, 2014.
• RAO, D. J. Keras to Kubernetes : The Journey of a Machine Learning Model to Production. Indianapolis: Wiley, 2019.
• REIS FILHO, I. J.; et al. A Integração de Séries Temporais e Dados de Textos para a Previsão de Preços Futuros de Milho e Soja . Revista de Sistemas de Informação. v. 01, n. 01, 2020
• RUSSEL, S.; NORVIG, P. Inteligência Artificial , 3ª ed. Rio de Janeiro: Elsevier, 2013.
• SAMMUT, C.; WEBB, G. Encyclopedia of Machine Learning . New York: Springer, 2011.
• SOBREIRO, V. A.; ARAÚJO, P. H.; NAGANO, M. S. Precificação do Etanol Utilizando Técnicas de Redes Neurais Artificiais . R.Adm, São Paulo, v.44, n.1, p.46-58, jan./fev./mar. 2009.
• STALPH, P. Analysis and Design of Machine Learning Techniques : Evolutionary Solutions for Regression, Prediction, and Control Problems. Wiesbaden: Springer Vieweg, 2014.
• TATTAR, P. N. Hands-On Ensemble Learning with R : A Beginner?s Guide to Combining the Power of Machine Learning Algorithms Using Ensemble Techniques. Mumbai: Packt Publishing, 2018.
• WANG, J.; LI, X. A combined Neural Network Model for Commodity Price Forecasting with SSA. Soft Computing . Berlin, 22 fev. 2018, Springer-Verlag GmbH Germany, part of Springer Nature 2018, p. 5323.
• WAQUIL, P. D.; MIELE, M.; SCHULTZ, G. Mercados e Comercialização de Produtos Agrícolas . Porto Alegre: Editora da UFRGS, 2010.
• XIONG, T.; et al. A Combination Method for Interval Forecasting of Agricultural Commodity Futures Prices . Elsevier BV, Netherlands, 2015, Knowledge-Based Systems. p. 1-11.
• ZHANG, C.; MA, Y. Ensemble Machine Learning : Methods and Applications. London: Springer, 2012.
• ZHANG, P. Neural Networks in Business Forecasting . London: Idea Group Publishing, 2004.
• ZHANG, Y.; NA S. A Novel Agricultural Commodity Price Forecasting Model Based on Fuzzy Information Granulation and MEA-SVM Model . Mathematical Problems in Engineering. Londres, 11 nov. 2018, v. 2018, p. 1-10.

Informações do artigo