Show simple item record

dc.contributor.authorWerner, Lianept_BR
dc.contributor.authorBisognin, Cleberpt_BR
dc.contributor.authorAraújo, Cristiano Wernerpt_BR
dc.date.accessioned2020-02-22T04:21:39Zpt_BR
dc.date.issued2020pt_BR
dc.identifier.issn2525-8761pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/206223pt_BR
dc.description.abstractDiante das proposições da indústria 4.0, responder habilmente as demandas das empresas tornou-se um ponto chave. Outros pontos são relevantes, não apenas a previsão de demanda de insumos e da programação da produção, mas também aqueles que dão suporte financeiro à empresa, como as ações negociadas na bolsa de valores. Desta forma, este trabalho tem como objetivo usar técnicas de previsões para averiguar qual delas é a mais adequada na previsão do volume diário de ações da Petrobras negociadas na BOVESPA. Para tanto, os dados históricos de 04 de janeiro de 2010 a 18 de setembro de 2018 serão utilizados para modelar e validar uma rede neural recorrente (RNN) e um modelo ARFIMA. Estes dois modelos servirão de base para obter três técnicas de combinações de previsões: média aritmética, variância mínima e por regressão. Para a tomada de decisão foram utilizadas as medidas de acurácia RMSE, MAPE e U de Theil. Encontrou-se que a combinação de previsões por média aritmética proporcionou as melhores medidas de acurácia.pt_BR
dc.description.abstractGiven industry 4.0's propositions, responding skillfully to business demands has become a key point. Other points are relevant, not only the forecast of input demand and production scheduling, but also those that provide financial support to the company, such as the shares traded on the stock exchange. Thus, this paper aims to use forecasting techniques to determine which one is the most appropriate in forecasting the daily volume of Petrobras shares traded on BOVESPA. To this end, historical data from January 4, 2010 to September 18, 2018 will be used to model and validate a recurrent neural network (RNN) and an ARFIMA model. These two models will serve as the basis for obtaining three prediction combinations techniques: arithmetic mean, minimum variance and regression. For decision-making, Theil's RMSE, MAPE and U accuracy measures were used. The combination of predictions by arithmetic mean was found to provide the best accuracy measures.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.relation.ispartofBrazilian Journal of Development. Curitiba : Brazilian Journals Publicações de Periódicos e Editora Ltda, 2020. Vol. 6, n. 1 (jan. 2020), p. 1103- 1115.pt_BR
dc.rightsOpen Accessen
dc.subjectForecasten
dc.subjectPrevisõespt_BR
dc.subjectEstatística aplicada : Economiapt_BR
dc.subjectCombination of forecastsen
dc.subjectStock volumeen
dc.subjectPETROBRASpt_BR
dc.titleAnálise de técnicas de previsão : um estudo de caso para o volume de ações da Petrobraspt_BR
dc.title.alternativeForecasting techniques analysis : a case study for Petrobras stock volumeen
dc.typeArtigo de periódicopt_BR
dc.identifier.nrb001112496pt_BR
dc.type.originNacionalpt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record