Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas
Este estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os pr...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-12092024-135746 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/ |
| Access Level: | acceso abierto |
| Palabra clave: | Commodities agrícolas Agricultural commodities Aprendizado de máquina Machine learning Previsão de preços Price forecasting Séries temporais Time series |
| Sumario: | Este estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os preços de commodities agrícolas comercializadas na Ceasaminas em Belo Horizonte. As técnicas empregadas e comparadas incluem ARIMA, XGBoost, LightGBM e redes neurais recorrentes como LSTM e GRU. Atestou-se que os métodos de aprendizado de máquina demonstraram capacidade de captar padrões complexos e não lineares dos dados. A análise foi realizada utilizando uma vasta base de dados da Companhia Nacional de Abastecimento (Conab), cobrindo diversas commodities. Os resultados indicam que os modelos XGBoost e LightGBM, apresentaram desempenho superior em termos de precisão preditiva e escalabilidade quando comparados aos demais métodos. Este estudo contribui para a literatura econômica ao demonstrar a eficácia de modelos de aprendizado de máquina na previsão de preços agrícolas praticados em mercados atacadistas, oferecendo ferramentas valiosas para produtores e gestores no setor. Além disso, sugere que tais métodos podem ser particularmente úteis para melhorar a acessibilidade e aplicabilidade dos métodos preditivos para pequenos produtores e agentes em mercados locais. |
|---|