Mestrado Profissional em Economia

URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240

Navegar

Filtros

2015 - 201912020 - 20231

Configurações

Palavra-chave: search.filters.subject.Machine Learning

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Modelo de previsão de preço futuro de petróleo bruto nos Estados Unidos
    (2023) Guelman, Beatriz
    A indústria do petróleo ocupa um lugar de importância na economia mundial; segundo a Statistical Review of World Energy, publicada em 2021, mais de 80% da energia consumida no mundo é fruto de combustível fóssil. Dentro da indústria do petróleo, a economia americana e, consequentemente, o dólar ocupam um lugar de importância na indústria do petróleo principalmente após o ano de 1974. O entendimento do comportamento do petróleo e como ele se relaciona com o mercado financeiro é importante não apenas para empresas produtoras de mercadorias ou commodities, que são afetadas diretamente pela variação dos preços, mas também para investidores da bolsa, gerentes de portifólio e especuladores em geral; o petróleo é chave para a construção de portifólios bem diversificados e para decisões financeiras que maximizam retornos e otimizam as decisões de risco. O principal objetivo deste trabalho é examinar diferentes modelos de previsão para os preços futuros do petróleo nos Estados Unidos. Três modelos são examinados para identificar empiricamente o modelo com maior precisão e melhores resultados preditivos. Foram feitas previsões sob os modelos Autorregressivo e de Médias Móveis Integrado (ARIMA), Vetor Autorregressivo (VAR) e de Random Forest para os períodos de 01 de janeiro de 2019 a 01 de dezembro de 2019 e 01 de julho de 2021 a 01 de junho de 2022. O modelo VAR, se comparado aos três modelos selecionados e com os parâmetros utilizados, conseguiu descrever melhor o cenário econômico e o petróleo como um agente econômico e financeiro, levando em consideração seus componentes e relação com outros fatores. Contudo, o modelo de Random Forest tem maior sensibilidade em capturar as movimentações e os choques no preço, demonstrando quedas e altas ao longo do tempo.
  • Imagem de Miniatura
    Dissertação
    Aplicação de algoritmos de aprendizado de máquina no desenvolvimento de modelos de escore de crédito
    (2015) Silverio, Murilo
    RESUMO Os modelos de escore de crédito tornaram-se uma ferramenta importante para as instituições financeiras devido à necessidade de padronização e agilidade nas análises de crédito. De acordo com Thomas (2009) a regressão logística tem sido a técnica mais utilizada na construção desses modelos. Entretanto, nos últimos quinze anos, modelos baseados em algoritmos de aprendizado de máquina têm surgido e apresentado resultados superiores aos de modelos de regressão logística, como podemos observar em Kruppa et al. (2013) e Lessmann et al. (2015). Este trabalho propõe uma comparação entre modelos de regressão logística e modelos criados utilizando as técnicas de aprendizado de máquina Random Forests e Logistic Model Trees. Para o desenvolvimento do modelo foi utilizada uma base de dados fornecida por uma instituição financeira, referente a uma operação de crédito direto ao consumidor. A estatística de Kolmogorov-Smirnov e o Coeficiente de Gini foram utilizados para determinar a performance de cada modelo. Como principal resultado, este trabalho confirma a superioridade do modelo de Random Forests sobre o modelo de regressão logística, o mesmo não acontecendo com o modelo de Logistic Model Trees.