PREVISÃO DO PREÇO DA ARROBA DO BOI GORDO: UM ESTUDO DE CASO USANDO ARIMA E GRU

Resumo

RESUMO

Este trabalho teve como objetivo avaliar a eficácia de modelos de séries temporais, ARIMA (Auto-Regressive Integrated Moving Average) e GRU (Gated Recurrent Unit), na previsão do preço da arroba do boi gordo (US$/@). A base de dados, disponibilizada pelo Centro de Estudos Avançados em Economia Aplicada (CEPEA), apresenta uma série, de preços mensal, compreendida ente Janeiro/1998 e Maio/2021, totalizando 281 observações. Modelos de previsão, baseados em Redes Neurais GRU e ARIMA, foram implementados, na linguagem Python. Resultados obtidos, dos dois modelos, foram comparados por meio da métrica MAPE (Mean Absolute Percentage Error). Verificou-se, para um horizonte de curto prazo, que os dois modelos de previsão fornecem estimativas confiáveis para o preço da arroba do boi gordo, especialmente o modelo GRU que apresentou o menor MAPE.

 Palavras-chave: Modelos de previsão. Redes neurais. Séries temporais.

 BEEF CATTLE PRICE FORECASTING: A CASE STUDY USING ARIMA AND GRU

ABSTRACT

 This paper aims to evaluate the effectiveness of time series models, ARIMA (Auto-Regressive Integrated Moving Average) and GRU (Gated Recurrent Unit), in predicting the price of beef cattle arroba (US$/@). Database from Advanced Studies in Applied Economics Center (ASAEC), presents a series of monthly prices between January/1998 and May/2021, totaling 281 observations. Forecast models, based on GRU and ARIMA Neural Networks, were implemented in Python language. Results obtained from the two models were compared using MAPE metric (Mean Absolute Percentage Error). Results showed that, within short-term period, the two forecast models provided reliable estimates for the price of  beef cattle arroba, especially the GRU model, which presented the lowest MAPE.

 Key Words: Forecast models. Neural networks, Time series.