Modelo Autorregressivo de Integração Adaptativa

• Arthur Ronald CEFET-RJ
• Rebecca Salles CEFET-RJ
• Kele Belloze CEFET-RJ
• Dayse Pastore CEFET-RJ
• Eduardo Ogasawara CEFET-RJ

DOI: https://doi.org/10.5753/sbbd.2019.8819

Resumo

Diversas técnicas de preprocessamento combinadas a modelos de series temporais vêm sendo utilizadas para previsão de séries temporais nãoestacionárias. O estudo das propriedades matemáticas e estatísticas dos dados e das técnicas de preprocessamento pode auxiliar no ajustamento de modelos de aprendizado de máquina. Tal estudo, entretanto, muitas vezes não é facilmente obtido. Modelos lineares, por sua vez, possibilitam a interpretação de tais propriedades. Este artigo introduz e analisa, por meio de prova de conceito, um novo modelo linear aplicado a séries estacionárias construídas com base em normalização adaptativa. O modelo viabiliza o uso de modelos autorregressivos em cenários de janelas deslizantes que preservam as propriedades da série original, e permitem acompanhar a sua inércia. O modelo foi capaz de apresentar desempenho de previsão superior a outros modelos lineares consolidados na literatura, principalmente em horizontes de curto-prazo.

Palavras-chave: Modelo Autorregressivo, Integração Adaptativa

Referências

Akaike, H. (1992). Information Theory and an Extension of the Maximum Likelihood Principle. In Kotz, S. and Johnson, N. L., editors, Breakthroughs in Statistics: Foundations and BasicTheory, Springer Series in Statistics, pages 610–624. Springer New York, New York, NY. DOI: https://doi.org/10.1007/978-1-4612-0919-5_38

Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (2008). Time Series Analysis: Forecasting and Control. Wiley, Hoboken, N.J, 4 edition. DOI: https://doi.org/10.1002/9781118619193

Brockwell, P. J. and Davis, R. A. (2016). Introduction to Time Series and Forecasting. Springer International Publishing, Cham, 3 edition. DOI: https://doi.org/10.1007/978-3-319-29854-2

Enders, W. (2015). Applied Econometric Time Series. Wiley, 4 edition.

Hurvich, C. and Tsai, C. (1989). Regression and time series model selection in small samples. Biometrika, 76(2):297–307. DOI: https://doi.org/10.1093/biomet/76.2.297

Hyndman, R. and Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3):1–22. DOI: https://doi.org/10.18637/jss.v027.i03

Ogasawara, E., Martinez, L., De Oliveira, D., Zimbrão, G., Pappa, G., and Mattoso, M. (2010). Adaptive Normalization: A novel data normalization approach for non-stationary time series. In Proceedings of the International Joint Conference on Neural Networks. DOI: https://doi.org/10.1109/IJCNN.2010.5596746

Salles, R., Belloze, K., Porto, F., Gonzalez, P., and Ogasawara, E. (2019). Nonstationary time series transformation methods: An experimental review. Knowledge-Based Systems, 164:274–291. DOI: https://doi.org/10.1016/j.knosys.2018.10.041

Tsay, R. S. (2010). Analysis of Financial Time Series. Wiley, Cambridge, Mass, 3 edition. DOI: https://doi.org/10.1002/9780470644560

Woodward, W. A., Gray, H. L., and Elliott, A. C. (2017). Applied Time Series Analysis with R. CRC Press, Boca Raton, 2 edition. DOI: https://doi.org/10.1201/9781315161143