Aplicação de métodos de machine learning e deep learning na previsão dos preços do petróleo Brent

Resumo

A previsão precisa dos preços do petróleo Brent é essencial para a economia global, impactando decisões estratégicas em empresas e governos. Esta dissertação investiga a aplicação de métodos de machine learning e deep learning para aprimorar a previsão do preço do Brent, um desafio tradicionalmente enfrentado pelo método de Schwartz-Smith. Diversos algoritmos são explorados, incluindo regressão linear, árvores de decisão, redes neurais artificiais, SVM e modelos de deep learning, utilizando os frameworks disponíveis na Linguagem Python. Os dados analisados incluem séries temporais de preços históricos do Brent e variáveis exógenas, como indicadores econômicos globais e eventos geopolíticos. A análise contempla pré-processamento de dados, seleção de características e comparação de previsões com modelos econométricos tradicionais, avaliando a eficácia por meio de métricas como RMSE e MAE. Os resultados indicam que as abordagens de machine learning, especialmente os modelos de deep learning, superam os métodos tradicionais na previsão do preço do Brent, capturando com maior precisão a complexidade do mercado. Conclui-se que uma abordagem híbrida, unindo os insights de modelos econométricos à capacidade de aprendizado dos algoritmos de machine learning, gera previsões mais robustas e assertivas.

Ficha do documento

Tipo

Dissertação

Ano

2025

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/37722

Temas

EconomiaDados

Palavras-chave

Machine LearningDeep LearningBrentCommoditiesPythonForecastPrevisãoEconomiaAprendizado profundo (Aprendizado do computador)PreçosPetróleoPython (Linguagem de programação de computador)