[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-128200-pt":3,"doc-seo-128200-112":30,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},128200,2336475104042,"Skyler","https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321",32,"Pesquisa e Relatórios","ANÁLISE COMPARATIVA ENTRE MODELOS ARIMA E MODELOS DE MACHINE LEARNING PARA PREVISÃO DE SÉRIES TEMPORAIS DE COMMODITIES","Este estudo realiza uma análise comparativa entre modelos ARIMA e modelos de machine learning para previsão de séries temporais de commodities, com aplicação ao preço da soja, uma commodity brasileira. A pesquisa utiliza abordagem quantitativa e descritiva, combinando métodos estatísticos e técnicas de ML para análise preditiva. Para ARIMA, aplica-se a metodologia de Box, Jenkins e Reinsel (2008); para os modelos de ML, emprega-se a metodologia de Parmezan (2016), considerando Random Forest e SVR. Os dados provêm do website da CEPEA/ESALQ, com série diária em dólares. Os resultados indicam desempenho preditivo satisfatório em ambos os grupos, destacando a utilidade de modelos lineares e o potencial do ML.","UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE CIÊNCIAS HUMANAS, SOCIAIS E AGRÁRIAS DEPARTAMENTO DE CIÊNCIAS SOCIAIS APLICADAS GRADUAÇÃO EM ADMINISTRAÇÃO  \nANÁLISE COMPARATIVA ENTRE MODELOS ARIMA E MODELOS DE MACHINE LEARNING PARA PREVISÃO DE SÉRIES TEMPORAIS DE COMMODITIES  \nLUCAS SOUZA SANTOS  \nBananeiras-PB  \nMaio, 2024  \nLUCAS SOUZA SANTOS  \nANÁLISE COMPARATIVA ENTRE MODELOS ARIMA E MODELOS DE MACHINE LEARNING PARA PREVISÃO DE SÉRIES TEMPORAIS DE COMMODITIES  \nTrabalho de Curso apresentado como parte dos requisitos necessários à obtenção do tulo de Bacharel em Administração, pelo Centro de Ciências Humanas Sociais e Agrárias, da Universidade Federal da Paraíba / UFPB.  \nOrientador(a): Prof. O Dr. Gustavo Correa Xavier  \nBananeiras-PB  \nMaio, 2024  \nCatalogação na publicação Seção de Catalogação e Classificação  \nS237aa Santos, Lucas Souza .  \nAnálise comparativa entre modelos Arima e modelos de Machine Learning para revisão de séries temporais de commodities / Lucas Souza Santos . -Bananeiras, 2024.  \n25 f . : il .  \nOrientação: Gustavo Correia Xavier .  \nTCC (Graduação) -UFPB/CCHSA .  \n1. Commodities . 2. Séries Temporais . 3. ARIMA . 4.  \nSVR . I . Correia Xavier, Gustavo . II . Título .  \nUFPB/CCHSA-CHÃ CDU 658 (043)  \nElaborado por BRUNA ISABELLE MEDEIROS DE MORAIS - CRB-15/813  \nFolha de aprovação  \nTrabalho apresentado à banca examinadora como requisito parcial para a Conclusão de Cursodo Bacharelado em Administração  \nAluno: Lucas Souza Santos  \nTrabalho: Análise Comparativa Entre Modelos ARIMA e Modelos de Machine Learning Para Previsão de Séries Temporais de Commodities  \nData de aprovação: 10 de maio de 2024  \nBanca Examinadora  \nProf. O Dr. Gustavo Correa Xavier Orientador(a)  \nProf. O Dr. Claudio Germano Dos Santos Oliveira Membro(a) 1  \nAGRADECIMENTOS  \nApós alguns anos de dedicação, chegou este momento tão significante para mim, aconclusão deste ciclo da graduação. Agradeço primeiramente a Deus,“Porque dele, e por meiodele, e para ele são todas as coisas. A ele seja a glória para sempre. Amém!” -Rm 11:36 .  \nAgradeço imensamente aos meus pais, por todo esforço, companheirismo eensinamentos que me ajudaram a chegar até aqui. Agradeço igualmente aos meus irmãos por sempre me apoiarem e torcerem por mim, sempre me inspirando. E aos amigos feitos nessecaminho, colegas e professores, agradeço por ter compartilhado essa difícil jornada com vocês, com seus conselhos em sala de aula e boas conversas e risadas nos corredores e R.U. Agradeço ao meu orientador pelas oportunidades em projetos e seu auxílio neste trabalho. A todos vocêsdedico essa pesquisa de TCC.  \n\"Essencialmente, todos os modelos estão errados, mas alguns são úteis.\"  \n(George Edward Pelham Box) .  \nRESUMO  \nEste estudo aborda a análise comparativa entre modelos Arima e modelos de machine learning para previsão de séries temporais de commodities aplicados à soja, commodity brasileira. Aabordagem metodológica deste estudo pode ser categorizada como quantitativa e descritiva. Esta pesquisa se concentra na descrição e análise dos dados relacionados à série temporal de preços da soja. Além disso, a abordagem é quantitativa, uma vez que faz uso de métodosestatísticos e de Machine Learning (ML) para análise preditiva dos dados. Quanto aos modeloseconométricos (ARIMA), utilizou-se a metodologia de Box, Jenkins e Reinsel (2008) e para osmodelos de ML (Floresta Aleatória e SVR), utilizou-se a metodologia de Parmezan (2016) . Os dados foram obtidos no website da CEPEA/ESALQ, usando a série de preços em dólar diferenciados em 1 dia. Tanto os modelos econométricos como os modelos de ML sedestacaram com precisão preditiva, obtendo resultado satisfatório, mostrando que simples modelos lineares como o ARIMA ainda são úteis e também o potencial do ML para lidarmos com ST financeiras, tendo a habilidade de antecipar as mudanças com o tempo. Ao averiguar com a revisão inicial da literatura, a escassez de trabalhos aplicando esses métodos ao mercado financeiro brasileiro e a ","cbCaihQLfkPvW4xp","https://ap.wps.com/l/cbCaihQLfkPvW4xp","pdf",1499279,1,27,"Portuguese","pt",112,"# Resumo\n# Introdução e contexto\n## Objetivo e abordagem metodológica\n## Modelos utilizados: ARIMA e Machine Learning\n# Dados e procedimentos\n## Fonte e frequência da série (CEPEA/ESALQ)\n# Resultados e discussão\n## Precisão preditiva e comparação entre métodos\n# Direções futuras e conclusão\n# Agradecimentos","[{\"question\":\"Qual é o objetivo do trabalho e quais modelos são comparados?\",\"answer\":\"O trabalho compara modelos ARIMA e modelos de machine learning para prever séries temporais de commodities, com foco nos preços da soja. A comparação avalia desempenho preditivo entre abordagens econométricas e de ML.\"},{\"question\":\"Como a pesquisa foi conduzida do ponto de vista metodológico?\",\"answer\":\"A abordagem é quantitativa e descritiva, usando métodos estatísticos e de machine learning para análise preditiva. Para ARIMA, utiliza-se Box, Jenkins e Reinsel (2008); para ML, utiliza-se Parmezan (2016).\"},{\"question\":\"De onde vêm os dados e como é definida a série temporal?\",\"answer\":\"Os dados são obtidos no website da CEPEA/ESALQ. A série de preços usada é em dólares e diferenciada em 1 dia, aplicada ao caso da soja.\"}]","ANÁLISE COMPARATIVA ENTRE MODELOS ARIMA E MODELOS DE MACHINE LEARNING PARA PREVISÃO DE SÉRIES TEMPORAIS DE COMMODITIES | PDF",1785945512,42,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"comparative-analysis-of-arima-and-machine-learning-models-for-forecasting-commodity-time-series","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/pt/document/comparative-analysis-of-arima-and-machine-learning-models-for-forecasting-commodity-time-series/128200/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-23","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qual é o objetivo do trabalho e quais modelos são comparados?","Question",{"text":76,"@type":77},"O trabalho compara modelos ARIMA e modelos de machine learning para prever séries temporais de commodities, com foco nos preços da soja. A comparação avalia desempenho preditivo entre abordagens econométricas e de ML.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Como a pesquisa foi conduzida do ponto de vista metodológico?",{"text":81,"@type":77},"A abordagem é quantitativa e descritiva, usando métodos estatísticos e de machine learning para análise preditiva. Para ARIMA, utiliza-se Box, Jenkins e Reinsel (2008); para ML, utiliza-se Parmezan (2016).",{"name":83,"@type":74,"acceptedAnswer":84},"De onde vêm os dados e como é definida a série temporal?",{"text":85,"@type":77},"Os dados são obtidos no website da CEPEA/ESALQ. A série de preços usada é em dólares e diferenciada em 1 dia, aplicada ao caso da soja.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,118,120,124,128],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":46,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":21,"doc_module":4,"doc_module_name":46,"category_name":116,"show_sort_weight":97,"slug":117},"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":119},"research-report",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":97,"slug":123},33,"Religião e Espiritualidade","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":97,"slug":127},31,"Saúde e Cuidados","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":97,"slug":131},45,"Tecnologia","technology"]