Modelos de previsão em séries temporais: estudo comparativo entre metodologias clássicas e metodologias de Deep Learning

Num ano marcado pela presença da palavra “previsão”, independentemente do contexto, ficou clara a importância da construção de modelos de previsão o mais acurados possível. Em particular, nos domínios económico-financeiro e business, a previsão assume-se com um papel preponderante como uma importante ferramenta de apoio à tomada de decisão, impondo-se o domínio das técnicas e métodos. Contudo, para que as técnicas de previsão sejam uma ferramenta efetiva, impõe-se que estas sejam realmente compreendidas e testadas em contextos reais, visando melhorar modelos já existentes e testar metodologias alternativas. De entre as metodologias de previsão citadas na literatura científica, embora sejam as metodologias clássicas as mais utilizadas pelos profissionais, como são exemplo os modelos autorregressivos (modelos ARMA) e os modelos de alisamento exponencial (modelos ETS), a literatura tem apontando como bastante promissoras as metodologias de Deep Learning, com enfase em modelos de Deep Neural Networks (DNN).

Com efeito, interessa pesquisar padrões de aplicabilidade que permitam identificar as ‘melhores’ metodologias/modelos de previsão, em função de características/natureza das séries temporais. Para efeitos de análise crítica e comparativa, são objeto de discussão a qualidade preditiva dos modelos e o custo computacional implícito.

Apesar de reconhecidas vantagens nos modelos DNN, mais evidente em séries com fortes perturbações nos dados históricos, o estudo revela que em outros casos não se justifica a utilização destes modelos (mais complexos e com elevado custo computacional). As metodologias clássicas, de implementação bem mais simples, conduzem à obtenção de modelos com boa qualidade preditiva, nomeadamente os modelos ETS.

Palavras–chave: ARMA, DNN, ETS, Previsão, Séries Temporais