Search

Dissertação de Mestrado, Ciências Económicas e Empresariais, 23 de fevereiro de 2023, Universidade dos Açores. Nos últimos anos, o setor do turismo tem verificado um forte crescimento na Região Autónoma dos Açores (RAA), em particular a partir do ano de 2015, com a liberalização do modelo de transporte aérea. No entanto, o surgimento da pandemia COVID-19 veio trazer grandes incertezas sobre o futuro da atividade turística e dos seus principais indicadores. O presente estudo pretende prever as possíveis trajetórias e valores dos principais indicadores da procura turística, de forma a fornecer informações relevantes aos agentes turísticos e decisores políticos. Recorrendo a modelos de previsão de séries temporais, nomeadamente, os modelos SARIMA (Seasonal Autoregressive Integrated Moving Average), estimou-se o comportamento futuro do número de hóspedes e dormidas na hotelaria da RAA tendo como base o comportamento destas variáveis no passado. Da mesma forma, com o auxílio de modelos de simulação de dados, nomeadamente, o método de Monte Carlo, foram traçados cenários, a curto prazo, de possíveis trajetórias que as variáveis possam tomar. Os resultados obtidos pelo modelo de séries temporais indicam que os valores máximos de hóspedes e dormidas em 2022 observam-se nos meses de julho e agosto, como era expectável, sendo os mínimos em novembro e dezembro. Contudo, após o primeiro ano de previsão, os resultados afastam-se do esperado, apresentando um comportamento mais estacionário, o que é natural neste tipo de modelos. Em relação aos cenários previstos pelo método de simulação de Monte Carlo, estes apontam para um crescimento significativo do número de hóspedes de junho para julho e um decréscimo em agosto. Relativamente às dormidas, os valores observados condizem com o expectável, verificando-se um aumento gradual de junho a agosto, sendo o mês de agosto o que apresenta valores mais elevados. ABSTRACT: In the last years, the tourism sector has shown a strong growth on the Autonomous Region of the Azores (RAA), in particular since the year of 2015 with the liberalization of the air transport model. However, the emergence of the Covid-19 pandemic has brought great uncertainty regarding the future of tourism activity and its main indicators. The present study intends to forecast the possible trajectories and values of the principal indicators of touristic demand, with the aim of providing relevant information to the touristic agents and political decision-makers. Using time series forecasting models, namely SARIMA (Seasonal Autoregressive Integrated Moving Average) models, the future behavior of the number of guests and overnight stays in hotels, in the Autonomous Region of the Azores, were predicted, according to their past behavior. Likewise, with the help of data simulation models, in particular the Monte Carlo method, we created short-term scenarios of possible trajectories that these variables could take. The results obtained according to the time series model indicate that the maximum number of guests and overnight stays in 2022 were observed in July and August, as expected, while the lowest numbers in November and December. Nevertheless, after the first year of forecasts, the results show a different behavior than was anticipated, which is typical for this kind of models. In terms of the scenarios suggested by Monte Carlo simulation techniques, they indicate a notable rise in visitors from June to July and a decline in August. The observed values for overnight stays are consistent with expectations, increasing gradually from June to August, with the greatest values occurring in August.

A previsão de valores de uma determinada variável surge como uma necessidade nas mais variadas áreas. O objetivo que concerne este trabalho é a realização de previsões de indicadores na área da saúde, que estão contemplados no contrato-programa, um contrato realizado anualmente entre as instituições de saúde e o Estado português. Estas previsões são realizadas a um horizonte de 12 meses e mostram-se úteis para as instituições de saúde, num âmbito de gestão de recursos e de monitorização de produção. Para obter estas previsões, ajustaram-se modelos de séries temporais a cada indicador. As séries temporais associadas a cada um dos indicadores sofreram algumas alterações no seu comportamento ao longo do tempo, principalmente devido a fatores pandémicos, pelo que se tiveram de considerar modelos de intervenção, numa perspetiva de obter melhores resultados. Assim, os modelos considerados no contexto deste projeto foram os modelos SARIMA, os modelos de espaço de estados e modelos de intervenção (séries temporais com interrupção). Os passos seguidos na modelação de cada série temporal, desde a identificação de um modelo até à previsão de valores, foram realizados seguindo o método de Box-Jenkins. Cada um destes passos foi feito com recurso ao software R. As previsões foram realizadas usando um método de validação cruzada, designado de origem deslizante. Forecasting the value of a certain variable is an important issue that has to be dealt with in many areas. The main goal behind this internship report is the forecasting of health indicators, which are contemplated in the program-contract. These forecasts are made 12 steps ahead and are useful for health institutions, as it helps them have a better resource management and production monitoring. In order to obtain these forecasts, time series models were adjusted to each of the indicators. The time series regarding each of the indicators had some behaviour changes throughout the time, mostly due to pandemic-related factors. In an attempt to improve the results, intervention models had to be considered. Thus, the models that were considered in the context of this work were SARIMA models, the state-space models and intervention models (interrupted time series). The steps followed to model each time series, starting with the model identification and ending with the forecasts produced, are the ones covered by the Box-Jenkins method. Each of these steps were performed using the software R. Every forecast was obtained using a cross-validation procedure called rolling origin method. Mestrado em Matemática e Aplicações

As séries temporais estão constantemente presentes no nosso dia a dia nas mais diversas áreas de interesse. Para compreender melhor o comportamento de qualquer série, recorre-se às diversas metodologias desenvolvidas ao longo dos anos. Atualmente, existe um elevado nível de confiança em modelos de previsão com vista a criar dashboards que melhorem a compreensão e análise de previsões futuras. Num contexto de telecomunicações, não é exceção a relevância que a modelação e previsão de um conjunto de dados pode ter. O presente Relatório é fruto do estágio desenvolvido na empresa Altice Labs, onde tiveram lugar tarefas de modelação dos dados feitas seguindo modelos ARMA, métodos de alisamento exponencial e modelos espaço-temporais. É exigido um certo cumprimento da metodologia e suas condições. Posto isto, resta realizar a previsão em si com o modelo adequado anteriormente. Validar o modelo e analisar se a previsão é adequada são os últimos passos essenciais para que possamos afirmar que é possível realizar uma previsão. Neste trabalho, foi desenvolvido um conjunto de dashboards os quais para algumas empresas são ponto de interesse para mostrar aos seus clientes como ´e o que os seus produtos estão a se comportar. Trabalhando com dados que remetem a diferentes localizações podemos usufruir ainda de modelos cujo foco acresce à componente temporal, uma componente espacial – modelos STARMA. Time series are constantly present in our daily lives in the most diverse areas of interest. To better understand the behavior of any series, we use the different methodologies developed over the years. Currently, there is a high level of confidence in forecasting models in order to create dashboards that improve the understanding and analysis of future forecasts. In a telecommunications’ context, the relevance that the modeling and prediction of a data set can have is no exception. This Report is the result of the internship developed at the company, where data modeling tasks were carried out following ARMA models, exponential smoothing methods and spatio-temporal models. A certain compliance with the methodology and its conditions is required. That said, it remains to perform the prediction itself with the appropriate model previously. Validating the model and analyzing whether the prediction is adequate are the last essential steps so that we can say that it is possible to make a prediction. In this work, a set of dashboards was developed, which for some companies are a point of interest to show their customers how their products are behaving. Working with data that refer to different locations, we can also take advantage of models whose focus adds to the temporal component, a spatial component – STARMA models. Mestrado em Matemática e Aplicações

Observa-se que as condições meteorológicas condicionam a mobilidade, influenciando, por exemplo, os tempos de viagem e a segurança rodoviária. Nos últimos anos, o Instituto de Telecomunicações da Universidade de Aveiro tem vindo a desenvolver uma plataforma de comunicações veiculares. Foram instalados radares rodoviários que detetam a passagem de veículos para as praias da Barra e da Costa Nova, permitindo a contagem de veículos e análise de vários tipos de dados como, por exemplo, a velocidade e a hora de deteção. A conjugação destes dados com dados de outras fontes como, por exemplo, dados meteorológicos, permite efetuar previsões de tráfego como a quantidade de veículos ou o tempo de viagem. Contudo, estas previsões podem ser úteis noutras áreas como, por exemplo, avaliar a ocupação das redes de telecomunicações. Presentemente, a informação é serializada por um broker MQTT para uma base de dados relacional. Os objetivos desta dissertação compreendem o estudo das fontes de dados, técnicas de aprendizagem necessárias para a análise dos mesmos e desenvolvimento e teste de uma solução de previsão de dados, capaz de realizar a previsão do tráfego em tempo real de forma a disponibilizar aos automobilistas informação que lhes permita tomar decisões relacionadas com as viagens e assim evitar engarrafamentos e constrangimentos relacionados com deslocações em alturas de tráfego elevado. Esta dissertação foi realizada com o apoio do Instituto de Telecomunicações. It is observed that weather conditions affect mobility, influencing, for example, travel times and road safety. In the last years, the Telecommunications Institute of the University of Aveiro has been developing a vehicular communications platform. Road radars were installed in order to detect the passage of vehicles towards the beaches of Barra and Costa Nova, allowing vehicles to be counted and analysis of various types of data, such as speed and detection time. The combination of this data with data from other sources, such as weather data, allows for traffic forecasts such as the number of vehicles or travel time. However, these forecasts can be useful in other areas, such as assessing the occupancy of telecommunications networks. Currently, the information is serialized by an MQTT broker to a relational database. The objectives of this dissertation comprise the study of data sources, learning techniques necessary for their analysis and development and testing of a data forecasting solution, capable of performing real-time traffic forecasting in order to provide motorists with information that allows them to make decisions related to travel and thus avoid traffic jams and constraints related to travel at high traffic times. This dissertation was carried out with the support of the Telecommunications Institute. Mestrado em Engenharia Informática

Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial O objetivo principal por detrás do presente estudo é aplicar a Análise de Componentes Principais, a Análise Discriminante e a Regressão Logística para prever a rendibilidade dos capitais próprios a um ano à frente, enquanto indicador de sucesso ou insucesso das empresas. Para esse efeito, são utilizados dados de painel anuais de empresas que compunham o índice STOXX Europe 600 no período 2013-2021. Como variáveis independentes são utilizados dados extraídos das demonstrações financeiras das empresas, assim como diversos rácios baseados nessas informações e nas informações de mercado. Como variável dependente é criada uma variável binária derivada da rendibilidade dos capitais próprios, constituindo um indicador da medida de sucesso de cada empresa (empresas “bem-sucedidas” ou empresas “malsucedidas”). A população em estudo compreende apenas empresas ativas do tipo corporate listadas publicamente que compunham parte do índice STOXX Europe 600. A amostra é selecionada com base nos dados disponíveis para todas as variáveis de interesse. Na conceção dos modelos preditivos a partir da Análise Discriminante e Regressão Logística são utilizadas como variáveis independentes os componentes principais resultantes da Análise de Componentes Principais, permitindo uma redução da dimensionalidade dos dados e ultrapassar os problemas de multicoliniearidade. Os resultados apontam para uma precisão fora da amostra de 79,82% com a Análise Discriminante e 80,73% com a Regressão Logística. Este estudo evidencia que com as metodologias utilizadas é possível encontrar uma boa taxa de acerto quanto ao nível da rendibilidade de capitais próprios. Além disso, mostra que as mesmas metodologias podem ser usadas por investidores, particulares, assim como, instituições financeiras ou administradores de fundos com vista a melhorar a sua capacidade de prever o sucesso ou insucesso das empresas. The main objective behind the present study is to apply Principal Component Analysis, Discriminant Analysis and Logistic Regression to predict the return on equity one year ahead, as an indicator of success or failure of companies. For this purpose, annual panel data from companies that made up the STOXX Europe 600 index in the period 2013-2021 are used. As independent variables, data extracted from the companies' financial statements are used, as well as several ratios based on this information and on market information. As dependent variable, a binary variable derived from the return on equity is created, constituting an indicator of the measure of success of each company (successful companies or unsuccessful companies). The study population comprises only publicly listed active corporate companies that were part of the STOXX Europe 600 index. The sample is selected based on the data available for all variables of interest. In designing predictive models from Discriminant Analysis and Logistic Regression, the principal components resulting from the Principal Component Analysis are used as independent variables, allowing a reduction in the dimensionality of the data, and overcoming multicollinearity problems. The results point out to an out-of-sample precision of 79.82% with the discriminant analysis and 80.73% with the logistic regression. This study shows that, with the methodologies used, it is possible to find a good rate of success regarding the level of return on equity. Furthermore, it shows that the same methodologies can be used by investors, individuals, as well as financial institutions or fund managers in order to improve their ability to predict the success or failure of companies. info:eu-repo/semantics/publishedVersion

A Síndrome Respiratória Aguda Grave (SRAG) abrange casos de Síndrome Gripal (SG) que evoluem com comprometimento da função respiratória o que, na maioria dos casos, leva à hospitalização. A pandemia provocada pela Corona Virus Disease (COVID-19) tornou-se o novo desafio mundial. Pacientes que apresentavam determinadas doenças crônicas tinham um prognóstico agravado quando eram apresentados ao novo Coronavírus. É imprescindível determinar os principais grupos de risco para qualquer doença, posto que facilita a tomada de decisão dos profissionais da saúde. Nesta pesquisa objetivou-se aplicar a modelagem preditiva via árvore de decisão (decision tree) para estimar a probabilidade do indivíduo que: tenha SRAG ser curado ou ir a óbito e tenha SRAG ser curado ou ir a óbito devido à contaminação e não contaminação por COVID-19, analisando por fim os resultados (casos registrados no Brasil). Essas informações ajudarão os profissionais da saúde a entender como cada comorbidade se comportou/a. Os principais resultados mostraram que o modelo proposto se ajusta bem, encontrando as seguintes porcentagens de sobrevivência: é melhor que o indivíduo que apresentou sintomas da SRAG tenha doença renal e asma do que não tenha comorbidade, pois a chance de cura é maior 7%; é melhor que o indivíduo que apresentou sintomas da SRAG devido à contaminação por COVID-19 tenha doença neurológica, cardiovascular e hematológica do que não tenha comorbidade, pois a chance de cura é maior 14% e por fim, o indivíduo que apresentou sintomas da SRAG, mas que não tenha sido contaminado por COVID-19 tem 75% chance de cura. Severe Acute Respiratory Syndrome (SARS) covers cases of Influenza Syndrome (GS) that evolve with compromised respiratory function which, in most cases, leads to hospitalization. The pandemic caused by the Corona Virus Disease (COVID-19) has become the new global challenge. Patients who had certain chronic diseases had a worse prognosis when they were introduced to the new coronavirus. It is essential to determine the main risk groups for any disease, since it facilitates the decision-making of health professionals. This research aimed to apply predictive modeling via decision tree to estimate the probability of the individual who: has SARS being cured or dying and has SARS being cured or dying due to contamination and not contamination by COVID -19, finally analyzing the results (cases registered in Brazil). This information will help healthcare professionals understand how each comorbidity behaved. The main results showed that the proposed model fits well, finding the following survival percentages: it is better for the individual who presented symptoms of SARS to have kidney disease and asthma than to have no comorbidity, as the chance of cure is 7% higher; it is better for the individual who presented symptoms of SARS due to contamination by COVID-19 to have neurological, cardiovascular and hematological disease than to have no comorbidity, as the chance of cure is 14% higher and, finally, the individual who presented symptoms of SARS , but who has not been infected by COVID-19 has a 75% chance of cure. El Síndrome Respiratorio Agudo Severo (SARS) cubre los casos de Síndrome Influenza (SG) que evolucionan con compromiso de la función respiratoria que, en la mayoría de los casos, conduce a la hospitalización. La pandemia provocada por la Enfermedad del Corona Virus (COVID-19) se ha convertido en el nuevo reto mundial. Los pacientes que tenían ciertas enfermedades crónicas tenían un peor pronóstico cuando se les presentó el nuevo coronavirus. Es fundamental determinar los principales grupos de riesgo de cualquier enfermedad, ya que facilita la toma de decisiones de los profesionales sanitarios. Esta investigación tuvo como objetivo aplicar modelos predictivos vía árbol de decisión para estimar la probabilidad de que el individuo que: tiene SARS se cure o muera y tenga SARS se cure o muera por contaminación y no contaminación por COVID-19, analizando finalmente los resultados (casos registrados en Brasil). Esta información ayudará a los profesionales de la salud a comprender cómo se comportó cada comorbilidad. Los principales resultados mostraron que el modelo propuesto se ajusta bien, encontrando los siguientes porcentajes de supervivencia: es mejor que el individuo que presentó síntomas de SARS tenga enfermedad renal y asma que no tener comorbilidad, ya que la probabilidad de curación es un 7% mayor; es mejor que el individuo que presentó síntomas de SARS por contaminación por COVID-19 tenga enfermedad neurológica, cardiovascular y hematológica que no tener comorbilidad, ya que la probabilidad de curación es un 14% mayor y, finalmente, el individuo que presentó síntomas del SARS, pero quien no ha sido infectado por COVID-19 tiene un 75% de posibilidades de curación.

As séries temporais podem ser definidas como conjuntos de observações indexadas no tempo, sendo outputs de sistemas dinâmicos, com caráter probabilístico modelável por processos estocásticos. Nesta tese é proposta a hipótese de que localmente cada nova observação pode ser decomposta em dois tipos de movimentos relativamente ao valor da observação precedente, sendo o primeiro, simplesmente, aumentar ou diminuir e o segundo a amplitude desse movimento. Com base nesse pressuposto, é demonstrado que uma série temporal pode ser transformada em duas séries temporais de espaços de estados {−1,0,1} e ]0,1[. Sendo essas duas séries modeladas com recurso a processos estocásticos de Poisson e Ornstein- Uhlenbeck, respetivamente. Esta é a base para o desenvolvimento de um novo método para a previsão de séries temporais. O novo método foi aplicado a oito exemplos de conjuntos de dados de áreas diferentes e com características muito diversificadas, no sentido de explorar a sua aplicabilidade a uma ampla abrangência de séries temporais. Num primeiro ensaio, foi analisado o desempenho do método quando aplicado a uma série temporal financeira, sendo os resultados comparados com os dos métodos GARCH e ARIMA. Nas restantes aplicações, o desempenho do método foi comparado apenas com o método clássico linear ARIMA. Os resultados obtidos na modelação e previsão das diferentes séries e etapas de desenvolvimento, conseguiram superar ou ficar muito próximos dos resultados obtidos pelo método ARIMA. O método proposto neste trabalho, denominado método FP, pretende ser aplicável a um conjunto de dados indexados ao tempo, não estando vinculado a uma estrutura de autocorrelação específica, necessária para o sucesso das previsões em outros modelos, como os modelos lineares, nem exige intervalos de tempo constantes entre as observações. Time series can be defined as a set of observations indexed in time, which are outputs of dynamic systems, and its probabilistic nature can be modelled by stochastic processes. This thesis proposes the idea that locally each new observation can be decomposed into two types of movements relative to the value of the preceding observation, the first movement captures the increase or decrease and the second the amplitude. With this assumption, it is demonstrated that a time series can be decomposed in two other time series with state spaces {−1,0,1} and ]0,1[. These two, time series are modelled using the Poisson and the Ornstein-Uhlenbeck stochastic processes, respectively. This is the underlining idea for the development of a new time series forecasting method. The new proposed method was applied to eight data sets (with highly diversified characteristics) to explore the method’s applicability to a with range of time series. In a first assay, the new method was applied to a financial time series and the results compared with the ones obtained using the GARCH and ARIMA methods. In the remaining applications, the performance of the method was only compared with the classic linear ARIMA method. The results obtained with the different time series were able to surpass or closely follow the results of the ARIMA method, considering the modelling, forecasting and the different development stages. The method proposed in this thesis, denominated FP method, intends to be applicable to datasets indexed in time. It is not bounded to a specific autocorrelation structure, which is a necessary step for the forecasting success with other models such as the linear models. In addition, the sampling rate of the time series does not need to be constant.

O presente trabalho tem como principal objetivo estudar séries temporais financeiras, nomeadamente as taxas de câmbio, e identificar o método que apresenta melhores resultados nas suas previsões. Atualmente a análise das taxas de câmbio tem sido um constante desafio, devido à imprevisibilidade das mesmas. Para contornar este problema foram escolhidos instrumentos econométricos específicos com a intenção de encontrar o modelo mais eficiente em prever valores de taxas de câmbio. Neste estudo foram utilizadas as taxas de câmbio EUR/CNY e EUR/USD, ambas com um total de 242 observações entre janeiro de 2002 e fevereiro de 2022 e ambas com frequência mensal, e os modelos econométricos ARIMA, ARIMA-GARCH e Random Walk, incluindo a utilização do algoritmo Prophet. Foram também selecionadas algumas medidas de erro para comparar as previsões obtidas com os valores reais das séries temporais financeiras. Da análise feita, concluiu-se que o modelo ARIMA(0,1,1)-GARCH(1,1) apresentou as melhores previsões in-sample, para ambas as séries originais. As previsões out-of-sample para estas séries não foram as melhores, sendo que o modelo que apresentou a melhor previsão out-of-sample foi o ARIMA(0,1,1), para ambos os casos. Em relação aos retornos, os modelos que apresentaram as melhores previsões in-sample para as séries RetLogEURCNY e RetLogEURUSD foram o Prophet e o MA(1), respetivamente. Nas previsões out-of-sample, foi o Prophet que apresentou o menor erro de previsão, ainda que elevado, para ambos os casos. The main objective of this work is to study financial time series, namely exchange rates, and to identify the method that presents the best results in its forecasts. Currently, the analysis of exchange rates has been a constant challenge, due to their unpredictability. To overcome this problem, specific econometric instruments were chosen with the intention of finding the most efficient model to predict exchange rate values. In this study, the EUR/CNY and EUR/USD exchange rates were used, both with a total of 242 observations between January 2002 and February 2022 and both at a monthly frequency, and the econometric models used were the ARIMA, ARIMA-GARCH and Random Walk, including the use of the Prophet algorithm. Some error measures were also selected to compare the forecasts with the actual values of both financial time series. From the analysis, it was concluded that the ARIMA(0,1,1)-GARCH(1,1) model presented the best in-sample forecasts, for both original series. The out-of-sample forecasts for the original series were not the best, but the model that presented the best out-ofsample forecasts was the ARIMA(0,1,1), for both cases. Regarding the returns, the models that presented the best in-sample forecasts for the RetLogEURCNY and RetLogEURUSD series were the Prophet and MA(1), respectively. In the out-of-sample forecasts, Prophet presented the smallest forecast error, although high, for both cases.

The interest in cryptocurrencies is increasing among individuals and investors. Bitcoin is the leading existing cryptocurrency with the highest market capitalization. However, its high volatility aligns with political uncertainty making it very difficult to predict its value. Therefore, there is a need to create advanced models that use mathematical and statistical methods to reduce investment risk. This research aims to verify if long short-term memory (LSTM), and bidirectional long short-term memory (BiLSTM) neural networks, can be used with Savitzky–Golay filter to predict next-day bitcoin closing prices. We found evidence both networks can be used effectively to predict bitcoin prices. LSTM performed 4.49 mean absolute percentage error (MAPE) and BiLSTM 4.44 MAPE. We also found that using Savitzky– Golay filter and dropout regularization significantly improved the model’s prediction performance. O interesse em moedas digitais tem aumentado por parte de indivíduos e investidores. A bitcoin é a moeda digital com maior capitalização de mercado, no entanto, a sua alta volatilidade alinhada à incerteza política, torna muito difícil prever seu valor. Portanto, existe a necessidade de criar modelos avançados que utilizem métodos matemáticos e estatísticos para reduzir o risco de investimento. Este estudo tem como objetivo verificar se as redes neurais artificiais de memória longo curto prazo (LSTM) e redes bidirecionais de memória longo curto prazo (BiLSTM) podem ser usadas juntamente com o filtro Savitzky-Golay para prever os preços de fecho do dia seguinte da bitcoin. Os resultados mostraram que existe evidência que ambas as redes podem ser usadas de forma efetiva. LSTM obteve um erro percentual absoluto médio (MAPE) de 4.49 e BiLSTM um MAPE de 4,44. Também o uso do filtro Savitzky-Golay e regularização, melhora significativamente o desempenho de previsão dos modelos.

Predicting student’s academic performance is one of the subjects related to the Educational Data Mining process, which intends to extract useful information and new patterns from educational data. Understanding the drivers of student success may assist educators in developing pedagogical methods providing a tool for personalized feedback and advice. In order to improve the academic performance of students and create a decision support solution for higher education institutes, this dissertation proposed a methodology that uses educational data mining to compare prediction models for the students' success. Data belongs to ISCTE master students, a Portuguese university, during 2012 to 2022 academic years. In addition, it was studied which factors are the strongest predictors of the student’s success. PyCaret library was used to compare the performance of several algorithms. Factors that were proposed to influence the success include, for example, the student's gender, previous educational background, the existence of a special statute, and the parents' educational degree. The analysis revealed that the Light Gradient Boosting Machine Classifier had the best performance with an accuracy of 87.37%, followed by Gradient Boosting Classifier (accuracy = 85.11%) and Adaptive Boosting Classifier (accuracy = 83.37%). Hyperparameter tunning improved the performance of all the algorithms. Feature importance analysis revealed that the factors that impacted the student’s success most were the average grade, master time, and the gap between degrees, i.e., the number of years between the last degree and the start of the master. A previsão do sucesso académico de estudantes é um dos tópicos relacionados com a mineração de dados educacionais, a qual pretende extrair informação útil e encontrar padrões a partir de dados académicos. Compreender que fatores afetam o sucesso dos estudantes pode ajudar, as instituições de educação, no desenvolvimento de métodos pedagógicos, dando uma ferramenta de feedback e aconselhamento personalizado. Com o fim de melhorar o desempenho académico dos estudantes e criar uma solução de apoio à decisão, para instituições de ensino superior, este artigo propõe uma metodologia que usa mineração de dados para comparar modelos de previsão para o sucesso dos alunos. Os dados pertencem a alunos de mestrado que frequentaram o ISCTE, uma universidade portuguesa, durante os anos letivos de 2012 a 2022. Além disso, foram estudados quais os fatores que mais afetam o sucesso do aluno. Os vários algoritmos foram comparados pela biblioteca PyCaret. Alguns dos fatores que foram propostos como relevantes para o sucesso incluem, o género do aluno, a formação educacional anterior, a existência de um estatuto especial e o grau de escolaridade dos pais. A análise dos resultados demonstrou que o classificador Light Gradient Boosting Machine (LGBMC) é o que tem o melhor desempenho com uma accuracy de 87.37%, seguindo-se o classificador Gradient Boosting Classifier (accuracy=85.11%) e o classificador Adaptive Boosting (accuracy=83.37%). A afinação de hiperparâmetros melhorou o desempenho de todos os algoritmos. As variáveis que demonstraram ter maior impacto foram a média dos estudantes, a duração do mestrado e o intervalo entre estudos.

O objetivo desta dissertação é compreender melhor o comportamento da variável, e conseguir perceber os fatores que influenciam o seu preço. A presente dissertação está estruturada por capítulos. Durante o primeiro capítulo realizou-se a revisão de literatura, que se estende sobre a história do ouro e os seus grandes acontecimentos. No segundo, explicou-se sucintamente os conceitos utilizados para estar as séries temporais e contruir os modelos econométricos. Terceiramente, construiu-se o modelo econométrico com as variáveis que assim faziam sentido, sempre tentando explicar em cada passo as devidas razões. Por fim, interpretaram-se os resultados obtidos, tentando desenvolver ao máximo o pensamento de acordo com os dados. This dissertation aims at better understanding how the variable behaves, as well as at establishing which factors influence its price. This dissertation is organised in different chapters. The first chapter covers the relevant literature review and was extended to provide some framework on the history of gold and its major events. The second chapter briefly explains the concepts used to study the time series and building the econometric models. In the third chapter, the econometric model was built with the relevant variables, and an attempt was made to explain at each step of the way the underlying reasons for the relevance of every variable included. Lastly, the findings were interpreted, and conclusions drawn, elaborating as much as possible on the resulting data.

Mestrado Bolonha em Econometria Aplicada e Previsão The objective of this work is to build accurate forecasts for the price of energy in the Iberian market. Good forecasts allow companies to make better decisions at the business level. To achieve this goal, I collected data which is relevant to develop forecasting models under an econometric framework. The present work used the ARIMA and ARIMAX models to obtain forecasts. The Box-Jenkins methodology was used as a reference for the model building process. I used the R software to perform data analysis, time series modelling and compute the forecasts for the variable of interest. I find that the ARIMAX models performed better than the ARIMA models in predicting the price of energy. O presente trabalho tem como objetivo prever o preço de energia no mercado Ibérico. Um modelo de previsão assertivo permite que as empresas façam melhores decisões a nível empresarial. Para alcançar esse objetivo, foram obtidos os dados que serviram de base para o desenvolvimento dos modelos de previsão. O presente trabalho utilizou os modelos ARIMA e ARIMAX para realizar as previsões. A metodologia Box-Jenkins foi utilizada como referência para a construção dos modelos. Todo o processo de análise e desenvolvimento dos modelos foi feito no software R. Os modelos ARIMAX tiveram uma melhor performance em relação aos modelos ARIMA na previsão do preço de energia. info:eu-repo/semantics/publishedVersion

The importance of using the right statistical, mathematical and computational tools can highly influence the decision-making process. With the recent computational progress, Deep Learning methodologies based on Artificial Intelligence seem to be pointed out as a promising tool to study financial time series, characterised by out-of-the-ordinary patterns. Cryptocurrencies are a new asset class with several specially interesting characteristics that still lack deep study and differ from the traditional time series. Bitcoin in particular is characterised by extraordinary high volatility, high number of structural breaks and other identified characteristics that might further difficult the study and forecasting of the time series using classical models. The goal of this study is to critically compare the forecasting properties of classic methodologies (ARCH and GARCH) with Deep Learning Techniques (with MLP, RNN and LSTM architectures) when forecasting Bitcoin’s Volatility. The empirical study focuses on the forecasting of Bitcoin’s Volatility using such models and comparing its forecasting quality using MAE and MAPE for one, three- and seven-day’s forecasting horizons. The Deep learning methodologies show advantages in terms of forecasting quality (when we take in consideration the MAPE) but also require huge computational costs. Diebold-Mariano tests were also performed to compare the forecasts concluding the superiority of Deep Learning Methodologies. A importância de usar as ferramentas estatísticas, matemáticas e computacionais certas pode certamente influenciar o processo de decisão. Com os recentes avanços computacionais, as metodologias Deep-Learning, baseadas em Inteligência Artificial apontam para uma ferramenta promissora para o estudo de séries temporais de dados financeiros, caracterizadas por padrões que são fora do normal. As criptomoedas são uma nova classe de ativos que são caracterizados por alta volatilidade, elevado número de quebras de estrutura e outras características que podem dificultar o estudo e previsão por parte de modelos clássicos. O objetivo deste trabalho é analisar de forma crítica as capacidades de previsão das metodologias clássicas (ARCH e GARCH) comparativamente a metodologias de Deep-Learning (nomeadamente arquiteturas de redes neuronais: MLP, RNN e LSTM) para a previsão da volatilidade da bitcoin. O estudo empírico deste trabalho foca-se na previsão da volatilidade da bitcoin com os modelos supramencionados e comparar a sua qualidade preditiva usando as medidas de erro MAE e MAPE para horizontes de previsão de um, três e sete dias. As metodologias de Deep-Learning apresentam algumas vantagens no que respeita à qualidade de previsão (pela análise da métrica de erro MAPE) mas apresentam um custo computacional superior. Também foram realizados Testes de Diebold-Mariano para comparar as previsões, concluindo-se a superioridade das metodologias de Deep-Learning.

Mestrado Bolonha em Métodos Quantitativos para a Decisão Económica e Empresarial O crescente número de cirurgias programadas ao longo dos anos tem-se mostrado um problema recorrente em Portugal, dado que a consequência deste aumento se traduz em listas de espera extensas e de difícil gestão por parte dos hospitais. Assim, surge a necessidade de se desenvolverem modelos que tenham a capacidade de apoiar o planeamento e o agendamento de cirurgias. No entanto, isto nem sempre se mostra uma tarefa fácil devido a toda a imprevisibilidade que envolve o decorrer de uma cirurgia, havendo fatores externos que por vezes acabam por influenciar a duração da mesma. Desta forma, o foco deste estudo é criar modelos de previsão para durações de cirurgias, através de variáveis obtidas antes dessas mesmas cirurgias, recorrendo a dois modelos distintos: Regressão Linear Múltipla e XGBoost. O primeiro torna-se útil pela fácil interpretação de resultados, servindo de base de comparação para avaliar o desempenho de modelos de ensemble como o XGBoost. Para além da dualidade de modelos, são ainda utilizados dois conjuntos distintos de dados: o primeiro é compostos por todos os dados recolhidos e o segundo corresponde ao primeiro conjunto desagregado por especialidade cirúrgica. Esta divisão em dois conjuntos de dados ocorre dado que, teoricamente, as durações de cirurgias têm a particularidade de estarem dependentes da especialidade na qual se inserem. Posteriormente, são utilizados dois indicadores para efetuar as comparações entre os modelos, nomeadamente o R2 e o Root Mean Squared Error. Com os dados do Hospital do Espírito Santo de Évora, podemos concluir que a um modelo mais complexo não correspondente necessariamente uma melhor performance, estando isto dependente de características específicas de cada conjunto de dados e do próprio objetivo do estudo. Relativamente aos modelos obtidos para ambos os conjuntos de dados, conclui-se ainda que um modelo construído tendo por base cada especialidade pode de facto apresentar resultados piores do que um modelo agregado, acontecendo particularmente quando o número de observações em cada modelo se mostra insuficiente para produzir previsões precisas. The growing number of surgeries scheduled over the years has been a recurring problem in Portugal, as the consequence of this increase translates into long waiting lists that are difficult to manage by hospitals. Thus, there is a need to develop models that have the ability to support the planning and scheduling of surgeries. However, this is not always an easy task due to the unpredictability that involves the course of a surgery, with external factors that sometimes end up influencing its duration. Thus, the focus of this study is to create prediction models for surgery durations, through variables obtained a priori from these surgeries, using two different models: Multiple Linear Regression and XGBoost. The first one becomes useful due to the interpretability of its results, serving as a base for comparison to evaluate the performance of ensemble models such as XGBoost. In addition to the the comparison of the two models, two distinct datasets are also used: the first is composed of all the data collected and the second corresponds to the first dataset disaggregated by surgical specialty. This division into two datasets occurs given that, in theory, the surgery durations have the particularity of being dependent on the specialty in which they are inserted. Subsequently, two indicators are used to make comparisons between the models, namely the R2 and the Root Mean Squared Error. With the data from Hospital do Espírito Santo in Évora, we can conclude that a more complex model does not necessarily correspond to a better performance, this being dependent on the specific characteristics of each data set. Regarding the models obtained for both datasets, we can also conclude that a model built based on each specialty may in fact present worse results than an aggregated model, especially when the number of observations in each specialty proves to be insufficient to produce accurate predictions. info:eu-repo/semantics/publishedVersion

Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia Hypertension affects around 1.28 billion people and is one of the leading causes of cardiovascular disease, the major cause of death and disability worldwide.The poor prognosis of this disease is associated with high death and hospitalization rates.Studies on blood pressure have proved the importance of self-monitoring in hypertension control, treatment, and prevention.The development of digital solutions that promote lifestyle behaviors addressing the self-monitoring of blood pressure to manage the disease, improve compliance to treatment and achieve healthy living are therefore of major importance.In this sense, the present study focuses on the development of both a blood pressure prediction model and a knowledge-based recommendation system.For the prediction module, four machine learning models for blood pressure prediction were developed and evaluated: a simple linear regression model, a long short-term memory (LSTM) neuronal network model, a jump neuronal network (JNN) model, and a case-based reasoning (CBR) model.Models were trained according to two prediction modalities, one focused on single day prediction (the last day of the prediction horizon) and another on multiple days prediction (all days of the prediction horizon). For each, different input data lengths and different prediction horizons were considered.All models were developed using data from the MyHeart study, which contains a blood pressure variable measured over 60 days for 41 patients.As for the recommendation module, a set of rules regarding changes in lifestyle habits for disease management and prevention was established by review of guidelines for hypertension control and treatment, issued by specialized cardiology institutions and societies.The rules were used as conditions in the development of a knowledge-based recommendation system to analyze patient information concerning factors such as exercise, diet, and alcohol consumption, and provide recommendations to improve these lifestyle habits, if necessary.From the analysis of the results obtained from the prediction models, the JNN model was considered the most suitable for blood pressure prediction, having obtained the best performances in both modalities for all prediction horizons.Overall, the best result for this model was achieved for single day prediction, with a mean absolute percentage error of 3.64% and a root mean squared error and mean absolute error of 4.41 mmHg.These results are considered satisfactory for the purpose of this study, but due to the complexity of the problem, its practical application requires further analysis.Extending the prediction model by introducing other variables related to the evolution dynamics of blood pressure may be a promising approach to be explored.In the future, a clinical data collection study for this purpose will be carried out in collaboration with Altice Labs and CHUC, which will allow the validation and improvement of the already developed modules, both to be implemented concurrently in Altice's SmartAL remote monitoring solution for hypertension management. A hipertensão afeta cerca de 1,28 mil milhões de pessoas e é uma das principais causas de doenças cardiovasculares, a principal causa de morte e incapacidade em todo o mundo.O mau prognóstico desta doença está associado a elevadas taxas de morte e hospitalização.Estudos acerca da pressão arterial provaram a importância da auto-monitorização no controlo, tratamento e prevenção da hipertensão.O desenvolvimento de soluções digitais que promovam estilos de vida orientados à auto-monitorização da pressão arterial, a fim de controlar a doença, melhorar a adesão ao tratamento e alcançar uma vida saudável, são, portanto, de grande importância.Neste sentido, o presente estudo centra-se no desenvolvimento tanto de um modelo de previsão da pressão arterial como de um sistema de recomendação baseado em conhecimento.Para o módulo de previsão, foram desenvolvidos e avaliados quatro modelos de machine learning para a previsão de pressão arterial: um modelo simples de regressão linear, um modelo de rede neuronal long short-term memory (LSTM), um modelo de rede neuronal jump (JNN) e um modelo de raciocínio baseado em casos (CBR).Os modelos foram treinados segundo duas modalidades de previsão, uma focada na previsão de um único dia (o último do horizonte de previsão) e outra na previsão de vários dias (todos os dias do horizonte de previsão). Para cada uma, foram considerados diferentes tamanhos de dados de entrada e diferentes horizontes de previsão.Todos os modelos foram desenvolvidos com uso dos dados do estudo MyHeart, que contém uma variável de pressão arterial medida ao longo de 60 dias para 41 pacientes.Relativamente ao módulo de recomendação, foi estabelecido um conjunto de regras relativas a mudanças nos hábitos de vida para a gestão e prevenção da doença, através da revisão de diretrizes para controlo e tratamento de hipertensão, emitidas por instituições e sociedades especializadas em cardiologia.As regras foram utilizadas como condições no desenvolvimento de um sistema de recomendação baseado em conhecimento, com o intuito de analisar informações do paciente relativas a fatores como exercício, dieta e consumo de álcool, e fornecer recomendações no sentido de melhorar esses hábitos de vida, caso necessário.Pela análise dos resultados dos modelos de previsão, o modelo de JNN foi considerado o mais apto para a previsão da pressão arterial, tendo obtido as melhores performances em ambas as modalidades para todos os horizontes de previsão. No geral, o melhor resultado para este modelo foi alcançado para a previsão de um único dia, com um erro percentual médio absoluto de 3,64% e um erro quadrático médio de raiz e erro absoluto médio de 4,41 mmHg.Estes resultados são considerados satisfatórios para o objetivo do presente estudo, mas, devido à complexidade do problema, a sua aplicação prática exige uma análise mais aprofundada.A extensão do modelo de previsão através da introdução de outras variáveis relacionadas com as dinâmicas de evolução da pressão arterial poderá ser uma abordagem profícua a explorar posteriormente.No futuro, realizar-se-á um estudo de recolha de dados clínicos para este fim, em colaboração com a Altice Labs e o CHUC, que permitirá a validação e melhoria de ambos os módulos já desenvolvidos e a sua implementação em paralelo na solução de monitorização remota da SmartAL da Altice para a gestão da hipertensão. Outro - Work funded by the project POWER (grant number POCI-01-0247-FEDER-070365), co-financed by the European Regional Development Fund (FEDER), through Portugal 2020 (PT2020), and by the Competitiveness and Internationalization Operational Programme (COMPETE 2020).

Dissertação de Mestrado em Engenharia e Ciência de Dados apresentada à Faculdade de Ciências e Tecnologia A digitalização dos cuidados de saúde tem o potencial de aliviar a carga sobre sistemas nacionais de saúde causado pelo envelhecimento da população. No entanto, os utilizadores podem abandonar uma aplicação ou solução tecnológica a qualquer momento por uma variado número de razões, o que pode reduzir a eficácia da intervenção e até mesmo aumentar o problema de saúde ou os riscos associados à doença. Neste sentido, é de extrema importância identificar os utilizadores com maiores riscos de deixarem de utilizar uma solução, e até mesmo prever quando a quebra da adesão poderá acontecer. Esta previsão gera a oportunidade de aplicar estratégias de intervenção personalizadas com o objetivo de recuperação da baixa adesão e prevenção do abandono da solução. Além disso, a previsão poderá ainda revelar insights sobre quais fatores que estão a criar atrito à adesão, o que pode permitir a implementação de estratégias mais globais.O objetivo principal deste trabalho é pesquisar os fatores, barreiras e necessidades dos usuários de tecnologias de saúde que possam contribuir para a detecção precoce da falta de motivação e consequente abandono. Em particular, o objetivo é pesquisar e desenvolver modelos que 1) possam detectar padrões de abandono precoce e 2) fornecer uma explicação para essa falta de motivação para uso da solução que permita a introdução de intervenções personalizadas.Este estudo foi apoiado pela base de dados ACTIVAGE Madrid Deployment Site atualmente disponível na Universidad Politécnica de Madrid (UPM), que inclui os dados de cerca de 800 participantes num projeto piloto sobre o uso da tecnologia para promover o envelhecimento saudável e ativo.Para atingir o objetivo proposto, é utilizada uma abordagem de ciência de dados e foram criados três modelos principais: um Modelo de Regressão para a previsão de uma percentagem de adesão e dois Modelos de Classificação Binária para a previsão de um nível de adesão (baixo ou alto), o segundo dos quais filtrado para apenas quando o período anterior à previsão teve um nível de adesão alto.O classificador final obteve um F1-score de 0,81126 usando um Random Forest Classifier e permitiu a inferência das características mais relevantes para a diminuição da adesão, usando valores SHAP. The digitalization of healthcare has the potential to alleviate the burden on national health systems due to the aging challenge. However, users may abandon a technological application or solution at any time due to a multitude of reasons, which could reduce the effectiveness of the intervention, and even increase the health problem or disease-associated risks. Therefore, it is of the utmost importance to identify users with higher risks of getting disengaged from a solution, even predicting when the disengagement could happen. This creates the opportunity of applying tailored personalized intervention strategies aiming at recovering from low adherence and prevention of dropout. In addition, this prediction could also reveal insight into which factors are causing attrition to adherence, which could allow for the implementation of more global strategies.The main goal of this study is to research the factors, barriers and needs of aging users of healthcare technologies that may contribute to the early detection of lack of motivation and consequent disengagement. In particular, the goal is to research and develop models that 1) can detect early dropout patterns and 2) provide an explanation of this lack of engagement that allows the introduction of tailored interventions.The study was supported by the ACTIVAGE Madrid Deployment Site database currently available in the Universidad Politécnica de Madrid (UPM), which includes the data of about 800 participants in a pilot project on the use of technology to promote healthy and active aging.To achieve the proposed goal, a data science approach is used and three main models were created: a Regression Model for the prediction of an adherence percentage and two Binary Classification Models for the prediction of an adherence level (low or high), the second of which filtered for only when the period preceding the prediction had a high adherence level.The final classifier achieved a F1-score of 0.81126 using a Random Forest Classifier and allowed for the inference of the most relevant features for the decrease of adherence, using SHAP values. Universidade de Coimbra - CISUC-AC-777078

Mestrado Bolonha em Finanças Options are financial derivatives used for risk management and speculation, for example, and have been studied extensively in order to forecast its price. Before the technological revolution, parametric models were used with strict assumptions to forecast the options price, such as the Black-Scholes Model. Since then, Machine Learning models, such as the XGBoost model have been created to make forecasts without such strict assumptions from parametric models. The purpose of this dissertation is to show how the XGBoost model can forecast option prices accurately using variables from the BSM. In addition, by using the structure of the standard deviation, third and fourth moment of the distribution of the stock price, the days to the next dividend and the next dividend to be paid, this study aims to understand by how much it improves the price forecasted from the XGBoost model with variables from the BSM. Thus, options from 100 of the biggest companies in the S&P 500 between November and February of 2020 are used to train and test the two XGBoost models. The BSM is used as the benchmark. The results are very favorable towards the XGBoost models since the RMSE of the first and the second model are lower than the BSM by 29.51% and 35.47% , respectively. When looking at the options by its distance to the strike price, the XGBoost models always perform better than the BSM, but when the latter has a terrible performance for ITM, XGBoost has a bad performance too. For OTM put options, BSM underprices the options while XGBoost models don’t. For short maturities, the XGBoost models don’t improve the performance relative to the BSM by much. Although, they provide a good forecast when compared to BSM for options with long maturities. In a nutshell, the second XGBoost model is always better than the first and almost always they forecast with better accuracy and less bias than the BSM. Opções são derivativos financeiros usados para gestão de risco e especulação, por exemplo, e têm sido estudadas extensivamente de modo a realizar a previsão do seu preço. Antes da revolução tecnológica, os modelos paramétricos eram usados com pressupostos restritivos para prever o preço das opções, tais como o Modelo de Black-Scholes. Desde então, os modelos de Machine Learning, tais como o Modelo XGBoost têm sido criados para realizar previsões sem pressupostos tão restritos como os modelos paramétricos. O objetivo desta dissertação é mostrar como o modelo XGBoost pode prever o preço das opções com precisão usando variáveis do BSM. Além disso, ao usar a estrutura temporal do desvio padrão, terceiro e quarto momento da distribuição do preço da ação, os dias até ao próximo dividendo e o próxumo dividendo a ser pago, este estudo tem como objetivo perceber o quão melhor é a previsão do modelo XGBoost com as variáveis do BSM. Assim, as opções das 100 maiores empresas no S&P 500 entre Novembro e Fevereiro de 2020 são usadas para treinar e testar os dois modelos XGBoost. O BSM é usado como benchmark. Os resultados são muito favoráveis aos modelos XGBoost uma vez que o RMSE do primeiro e segundo modelo são mais baixos do que o BSM em 29.51% e 35.47%, respectivamente. Quando se olha para as opções em termos de distância ao preço de exercício, os modelos XGBoost têm sempre uma previsão melhor que o BSM, mas quando o último tem uma péssima performance para ITM, o XGBoost tem uma má performance também. Para opções put OTM, o preço do BSM é, em média, inferior ao preço justo das opções, enquanto que os modelos XGBoost não. Para opções de curta duração, os modelos XGBoost não melhoram a performance relativamente ao BSM por muito. Contudo, os modelos dão uma boa previsão quando comparado com o BSM para opções com maturidades maiores. Em suma, o segundo modelo XGBoost é sempre melhor que o primeiro e quase sempre prevêem com melhor exatidão e menos enviesamento que o BSM. info:eu-repo/semantics/publishedVersion

Educational indicators help to monitor the functioning of educational networks and provide subsidies for the formulation of educational policies. The Basic Education Development Index (IDEB) is the national educational Brazilian indicator calculated biennially by the National Institute of Educational Studies and Research Anísio Teixeira (INEP), in contrast, the Pernambuco Education Development Index (IDEPE) is the educational indicator in Pernambuco calculated annually by the Pernambuco State Department of Education. Both are obtained by combining data on school flow and student performance in large-scale national and state assessments, respectively. This work aimed to carry out a study with the purpose of comparing the IDEB with the IDEPE in the final and initial years of the municipality of Caetés (PE). For this, we sought, through the curve fitting method, to identify a better model for the IDEB, adjusting the values ​​​​to the equations in order to obtain results of this indicator in the years 2013 to 2019 and to observe, through the generated curves, if these results could replace those of IDEPE released in the period in question. Discussions involve the contents of educational indicators, curve fitting and coefficient of determination. The adjustments test the hypothesis that the IDEB values, if inserted into the model, could make it possible to predict the IDEPE results and, consequently, the need for this last indicator. The hypothesis was refuted, since it was possible to conclude that the values ​​of the national indicator inserted in the model suffer a disparity in relation to the values ​​of the state indicator. Los indicadores educativos ayudan a monitorear el funcionamiento de las redes educativas y brindan subsidios para la formulación de políticas educativas. El Índice de Desarrollo de la Educación Básica (IDEB) es el indicador educativo nacional calculado cada dos años por el Instituto Nacional de Estudios e Investigaciones Educativas Anísio Teixeira (INEP), en cambio, el Índice de Desarrollo de la Educación de Pernambuco (IDEPE) es el indicador educativo en Pernambuco calculado anualmente por la Secretaría de Educación del Estado de Pernambuco. Ambos se obtienen al combinar datos sobre el flujo escolar y el desempeño de los estudiantes en evaluaciones nacionales y estatales a gran escala, respectivamente. Este trabajo tuvo como objetivo realizar un estudio con el fin de comparar el IDEB con el IDEPE en los años finales e iniciales del municipio de Caetés (PE). Para ello se buscó, a través del método de ajuste de curvas, identificar un mejor modelo para el IDEB, ajustando los valores a las ecuaciones con el fin de obtener resultados de este indicador en los años 2013 a 2019 y observar, a través de las curvas generadas, si estos resultados pudieran reemplazar a los del IDEPE publicados en el período en cuestión. Las discusiones involucran los contenidos de los indicadores educativos, el ajuste de curvas y el coeficiente de determinación. Los ajustes prueban la hipótesis de que los valores del IDEB, si se insertan en el modelo, podrían permitir predecir los resultados del IDEPE y, en consecuencia, la necesidad de este último indicador. La hipótesis fue refutada, ya que fue posible concluir que los valores del indicador nacional insertados en el modelo sufren una disparidad en relación a los valores del indicador estatal. Os indicadores educacionais ajudam a monitorar o funcionamento de redes de ensino e fornecer subsídios para formulação de políticas educacionais. O Índice de Desenvolvimento da Educação Básica (IDEB) é o indicador educacional nacional calculado bienalmente pelo Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (INEP), em contrapartida, o Índice de Desenvolvimento da Educação de Pernambuco (IDEPE) é o indicador educacional pernambucano calculado anualmente pela Secretaria de Educação do estado de Pernambuco. Ambos são obtidos pela combinação entre os dados do fluxo escolar e desempenho dos alunos nas avaliações de larga escala nacional e estadual, respectivamente. Neste trabalho objetivou-se realizar um estudo com propósito de comparar o IDEB com o IDEPE nos anos finais e iniciais do município de Caetés (PE). Para isso buscou-se, através do método de ajuste de curvas, identificar um melhor modelo para o IDEB, ajustando os valores as equações de forma a obter resultados deste indicador nos anos de 2013 a 2019 e observar, através das curvas geradas, se esses resultados poderiam substituir os do IDEPE divulgados no período em questão. As discussões envolvem os conteúdos de indicadores educacionais, ajuste de curvas e coeficiente de determinação. Os ajustes testam a hipótese de que os valores do IDEB, se inseridos no modelo, poderiam tornar possível a previsão dos resultados do IDEPE e, consequentemente, a não necessidade deste último indicador. A hipótese foi refutada, visto que foi possível concluir que os valores do indicador nacional inseridos no modelo sofrem uma disparidade em relação aos valores do indicador estadual.

Face à importância que o Turismo tem no tecido económico e social de Portugal, dado que se trata de um setor bastante volátil e em constante mudança, impõe-se a definição de uma estratégia de atuação futura para perceber como nos podemos reinventar e, assim, poder fazer face a situações de dependência externa. Com aumento do Turismo em Portugal, bem como das empresas afetas ao mesmo, surge a necessidade de análise e previsão do fluxo de turistas para que a gestão dos negócios seja dotada de uma estratégia competitiva. Perante as alterações na ‘recente’ dinâmica dos dados afetos ao Turismo, decorrentes da pandemia, discutimos o recurso a metodologias clássicas de previsão (modelos de alisamento exponencial) e a metodologias de Machine Learning (com recurso a redes neuronais), quando aplicadas a este setor. O estudo incide na modelação e previsão de séries temporais afetas ao número de dormidas mensais, em estabelecimentos de alojamento turístico em Portugal, entre janeiro de 2002 e março de 2022. Pretendemos assim procurar modelos adequados de previsão (passíveis de serem utilizados pela indústria afeta ao Turismo), sendo uma ferramenta de medida de apoio à tomada de decisão. Ao estudar as séries temporais referentes ao Turismo, as quais apresentam um padrão de tendência e sazonalidade, constatamos um insucesso das metodologias clássicas na previsão das mesmas. Por outro lado, as metodologias de Machine Learning mostraram-se promissoras e uma boa ferramenta para um planeamento estratégico dos negócios associados ao Turismo. Given the importance that Tourism has in Portugal with a major economic and social impact, being such a volatile and constantly changing sector, it is imperative to define a strategy for future action. We need to understand how we can reinvent ourselves and be able to deal with situations of external dependence. With the increase of Tourism in Portugal, as well as the companies involved in it, there is a need to analyze and forecast the flow of tourists so that management of the businesses related to it, is endowed with a competitive strategy. The changes in the 'recent' dynamics of data related to Tourism, resulting from the pandemic, were used to discuss the use of classical forecasting methodologies (exponential smoothing models) and Machine Learning methodologies (using neural networks), when applied to this sector. The study focuses on the modeling and forecasting of time series related to the number of monthly overnight stays, in tourist accommodation establishments in Portugal, between January 2002 and March 2022. Thus, we intend to look for adequate forecast models (which can be used by the industry related to Tourism), being a measurement tool to support decision making. Studying time series related to Tourism, as they present a trend and seasonal pattern, we noticed the failure of classical methodologies to forecast them. On the other hand, Machine Learning methodologies proved to be promising and a good tool for strategic planning of businesses related to Tourism.

Análise de Consistência de Escopo

RESUMO: A previsão de demanda é uma metodologia da administração de empresas para estimar um valor futuro de uma grandeza de interesse. Realizar previsões de demanda significa reconhecer padrões de comportamento em séries históricas e predizer o comportamento futuro ou, ainda, identificar fatores causais que afetam o comportamento e extrapolá-lo. Este artigo tem por objetivo realizar uma revisão da literatura dos métodos de previsão de demanda com o propósito de reunir os métodos e modelos disponíveis acerca dos conceitos utilizados atualmente na administração de empresas relacionados ao consumo e produção de produtos e serviços. A metodologia utilizada é a revisão da literatura com abordagem qualitativa, com o propósito de dar uma visão descritiva geral dos métodos dominantes utilizados em previsão de demanda. Foi realizado o mapeamento da literatura para identificar o estado da ciência por meio da produção científica disponível nos bancos de dados Scopus e Google Scholar. Os métodos qualitativos e os causais estão mais bem associados a previsões de médio e longo prazos. A análise de séries temporais bem como os métodos dos diversos tipos de médias e de suavização exponencial são indicados como os mais adequados para previsões de curto prazo. Um recurso utilizado em diversas realidades é a construção de um modelo próprio de previsão de demanda, o qual utilize técnicas, aspectos, conceitos e características de diferentes métodos e modelos. É fundamental monitorar o modelo adotado, manter os dados de campo e de previsão sob controle e, se houver desvios, corrigir o modelo. ABSTRACT: Demand forecasting is a business management methodology for estimating the future value of customer demand. Making this type of forecast means recognizing behavior patterns in historical series and predicting future behaviors, or even identifying and extrapolating causal factors that affect market behavior. Hence, this article aims to review the literature on demand forecasting methods in order to gather the methods and models currently used in business administration related to the consumption and production of goods and services. A qualitative literature review was implemented with the purpose of providing a general descriptive view of the dominant methods used in demand forecasting. A mapping of the available literature was conducted to build the state of the art on the topic through the scientific production included in Scopus and Google Scholar databases. Results show that qualitative and causal methods are better associated with medium and long-term forecasts. In addition, the analysis of time series and the methods of the diverse types of averages and exponential smoothing are mentioned as the most suitable for short-term forecasts. A resource that is commonly deployed is the construction of specific demand forecast models, using techniques, aspects, concepts and characteristics from different methods and models. However, it is important to monitor the adopted model, keep field and forecast data under control, and, in case of deviations, correct the model. RESUMEN: La predicción de demanda es una metodología de la administración de empresas para estimar un valor futuro de una grandeza de interés. Realizar predicción de demanda significa reconocer estándares de conducta en series históricas y predecir la conducta o, aun, identificar factores causales que afectan la conducta y extrapolarla. El artículo tiene el propósito realizar una revisión de la literatura de los métodos de predicción de demanda con el fin de reunir los métodos y modelos disponibles acerca de los conceptos utilizados actualmente en la administración de empresas relacionados al consumo y producción de productos y servicios. La metodología utilizada es la revisión de la literatura con enfoque cualitativo, con el propósito de dar una visión descriptiva general de los métodos dominantes utilizados en predicción de demanda. Se realizó el mapeo de la literatura para identificar el estado de la ciencia por medio de la producción científica disponible en los bancos de datos Scopus y Google Scholar. El análisis de series temporales, así como los métodos de los diversos tipos de medianas y suavización exponencial se indican como los más adecuados para predicciones de corto plazo. Un recurso utilizado en diversas realidades es la construcción de un modelo propio de predicción de demanda, que utilice técnicas, aspectos, conceptos y características de diferentes métodos y modelos. Es fundamental monitorear el modelo adoptado, mantener los datos de campo y predicción bajo control y, si hubo desviaciones, corregir el modelo. RÉSUMÉ : La prévision de la demande est une méthodologie de gestion d'entreprise permettant d'estimer la valeur future d'une quantité d'intérêt. La prévision de la demande consiste à reconnaître les normes de comportement dans les séries historiques et à prédire le comportement ou, même, à identifier les facteurs causaux qui affectent le comportement et à l'extrapoler. L'objectif de l'article est de passer en revue la littérature sur les méthodes de prévision de la demande afin de rassembler les méthodes et les modèles disponibles sur les concepts actuellement utilisés dans la gestion des affaires liées à la consommation et à la production de produits et de services. La méthodologie utilisée est une revue de la littérature avec une approche qualitative, dans le but de donner un aperçu descriptif des méthodes dominantes utilisées dans la prévision de la demande. On a réalisé une cartographie de la littérature pour identifier l'état de la science au moyen de la production scientifique disponible dans les bases de données Scopus et Google Scholar. L'analyse des séries temporelles, ainsi que les méthodes des différents types de médianes et du lissage exponentiel sont indiquées comme les plus appropriées pour les prédictions à court terme. Une ressource utilisée dans diverses réalités est la construction d'un modèle propre de prévision de la demande, qui utilise des techniques, des aspects, des concepts et des caractéristiques de différentes méthodes et modèles. Il est essentiel de surveiller le modèle adopté, de garder sous contrôle les données de terrain et de prévision et, en cas d'écarts, de corriger le modèle.

presente dissertação de mestrado teve como objetivo principal desenvolver e avaliar o desempenho de sistemas automatizados de estratégias de negociação elaboradas a partir de regras de análise técnica, baseando-se em indicadores, aplicados a futuros de taxa de câmbio de reais por dólar comercial, negociados na B3. Com o advento da implantação do pregão eletrônico e com a criação de plataformas cada vez mais tecnológicas, observa-se um aumento do número de participantes no mercado de derivativos brasileiro. Contudo, a maior parte desses investidores não possui conhecimento substancial para realizar transações ou aplica conhecimentos oriundos de análise técnica não testada e validada cientificamente. Observa-se em associação a falta de estudos científicos aprofundados, análises que apoiem os investidores na obtenção de informações e aplicação de conhecimentos sobre o mercado de derivativos. Nesse contexto, a partir de regras de análise técnica, baseando-se em indicadores, elaboraram-se estratégias, automatizando-as em sistemas de negociação, com o objetivo de produzir conhecimento que pudesse auxiliar investidores na obtenção de informações para aplicação no mercado referente a esse produto. Após mensuração e comparação do desempenho dos sistemas de negociação desenvolvidos, e confrontamento dos dados em tabelas de risco/retorno, ao rendimento de aplicações financeiras livres de risco como renda fixa e uma carteira de ações montada, utilizando-se do critério de Markowitz, concluiu-se que operar com o objetivo da aquisição ou “compra” de futuros de taxa de câmbio de reais por dólar comercial em mercados de tendência de baixa, apresentou-se em termos de rendimento mais atrativa e com probabilidades de obtenção de lucros maiores que as demais opções de investimento apresentadas no estudo, tanto em operações denominadas Intraday ou Day Trade, quanto nas operações Swing Trade para o período estudado. The main objective of this master's dissertation was to develop and evaluate the performance of automated systems of trading strategies elaborated from technical analysis rules, based on indicators, applied to futures exchange rate of reais per commercial dollar, traded on B3. With the advent of the deployment of electronic trading and the creation of increasingly technological platforms, there has been an increase in the number of participants in the Brazilian derivatives market. However, most investor investors do not have substantial knowledge to carry out transactions or apply knowledge from technical analysis that has not been tested and scientifically validated. In association, there is a lack of in-depth scientific studies, analysis that support investors in obtaining information and applying knowledge about the derivatives market. In this context, based on technical analysis rules, based on indicators, strategies were elaborated, automating them in trading systems, with the objective of producing knowledge that could help investors in obtaining information for application in the market regarding this product. After measuring and comparing the performance of the developed trading systems, and comparing the data in risk/return tables, to the yield of risk-free financial investments such as fixed income and a stock portfolio assembled, using the Markowitz criterion, he concluded It was found that operating with the objective of acquiring or “purchasing” exchange rate futures of reais per commercial dollar in downtrend markets, presented itself in terms of more atractive income and with probabilities of obtaining greater profits than the other investment options presented it the study, both in operations called Intraday or Day Trade, and in Swing Trade operations for the period studied.

Esta tese consiste em três ensaios sobre inter-relações entre os ciclos econômicos e os preços financeiros. Por diferentes metodologias empíricas, os trabalhos abordam aspectos não-lineares desta relação mútua. No primeiro, a previsibilidade das recessões nos EUA é reavaliada desde a década de 1960 através das principais variáveis utilizada na literatura e em diferentes defasagens. São testados, dentro e fora da amostra, os desempenhos de modelos alternativos à especificação de referência amplamente citada na literatura, que contém a inclinação da estrutura a termo de juros dos títulos do Tesouro. A contribuição deste artigo está na soma da utilização da análise ROC – AUC como estrutura de classificação dos modelos preditivos, com as especificações sugeridas e os resultados superiores ao benchmark. Há muito tempo aplicado em diversas áreas do conhecimento, o método foi incorporado à pesquisa econômica apenas recentemente. Conclui-se que a razão entre verdadeiros e falsos positivos para previsões de recessão é estatisticamente maior quando incluímos tanto variáveis ligadas ao spread de crédito corporativo quanto ao ciclo imobiliário norte-americano. O segundo ensaio examina (i) se o comportamento de um conjunto de preços financeiros é capaz de identificar futuras mudanças de regime no crescimento econômico e na inflação brasileira e, a partir dessas previsões, (ii) se portfólios otimizados que reconheçam essas mudanças melhoraram a relação risco-retorno versus uma carteira única otimizada para toda a amostra. Sobre o primeiro objetivo, a principal inovação foi a devida antecipação de quatro estados para a economia brasileira no período amostral, onde os dois regimes markovianos estimados para a atividade guardam boa aderência com as recessões e expansões sugeridas pelo CODACE, enquanto os dois regimes estimados para as expectativas de inflação antecipam períodos de aceleração e desaceleração do IPCA. Frente à literatura de alocação de ativos com mudanças de regime no Brasil, a principal contribuição foi a incorporação dos dois novos estados a partir das previsões sobre a inflação e o aumento do Índice de Sharpe nos portfólios sensíveis às mudanças de regime propostas. Por fim, o último ensaio avalia se a capacidade da política monetária de atuar sobre o ciclo econômico brasileiro é atenuada em tempos de alta incerteza econômica. São adotadas quatro proxies para tal, que passam a interagir com choques de política monetária: uma baseada em incidência de termos correlatos no noticiário, uma que agrega a essa coleta medidas de dispersão das previsões macroeconômicas dos analistas e duas baseadas na volatilidade de preços financeiros. As estimativas do modelo base sugerem que inovações na taxa Selic têm seus efeitos sobre o PIB e o IPCA reduzidos em momentos de maior ruído econômico doméstico vis-à-vis os estados de menor incerteza. As conclusões são similares para as quatro medidas de incerteza sugeridas e os resultados robustos a diferentes especificações. Nesse ambiente, os formuladores de política reencontrariam o conhecido trade-off entre “gradualismo” e “tratamento de choque”, com a política devendo ser mais agressiva para reconduzir a inflação à meta e estabilizar a economia. A principal contribuição à pesquisa com dados para o Brasil foi tornar endógenas as medidas de incerteza propostas. This thesis consists of three essays on the interrelationships between business cycles and financial prices. Through different empirical methodologies, they access nonlinear aspects of this mutual relationship. In the first, the predictability of recessions in the US is reassessed since the 1960s through the main variables used in the literature and at different lags. The performance of alternative models is evaluated and compared – inside and outside the sample – to the widely cited benchmark specification, which contains the slope of the yield curve The contribution of this article is in the sum of the use of the ROC – AUC analysis as a classification structure for the models and the higher predictive power of the suggested specifications 6, 12 and 24 months ahead. It is concluded that the ratio between true and false positives for recession forecasts is statistically higher when we include both variables linked to the corporate credit spread and to the housing cycle. The second essay examines (i) whether the behavior of a set of financial prices are capable of identifying future regime changes in Brazilian economic growth and inflation and, based on these forecasts, (ii) whether optimized portfolios that recognize these changes improve the risk-return compared to a buy-and-hold single portfolio optimized for the entire sample. Regarding the first objective, the main innovation was the due anticipation of four states for the Brazilian economy in the sample period. The two Markov regimes estimated for Central Bank Economic Activity Index (IBC-Br, a monthly GDP growth proxy) keep good adherence with the recessions and expansions suggested Brazilian business cycle dating committee (CODACE), while the two estimated regimes for inflation expectations anticipate periods of IPCA acceleration and deceleration. In view of the asset allocation literature with regime changes in Brazil, the main contribution was the incorporation of the two new states based on forecasts on inflation and the increase in the Sharpe Ratio in portfolios sensitive to the proposed regime changes. The last essay assesses whether the ability of monetary policy to act on the Brazilian business cycle is attenuated in times of high economic uncertainty. We consider four measures of uncertainty and estimate their interaction effects with monetary policy shocks: one based on the incidence of related terms in the news, one that adds to a newspaper-based proxy some measures of macroeconomic forecasts dispersion and two based on the volatility of financial prices. The base model suggests that innovations in the Selic rate have their effects on GDP and IPCA reduced in times of greater domestic economic noise, vis-à-vis states of lesser uncertainty. The conclusions are similar for the four uncertainty proxies and the results are robust to different specifications. In this environment, policymakers would rediscover the well-known trade-off between “gradualism” and “shock” therapy, with policy having to be more aggressive to bring inflation back to the target and stabilize the economy. The main contribution to the research with data for Brazil was to make the proposed uncertainty measures endogenous.

Em Portugal, desde a crise financeira, o número de Pequenas e Médias Empresas (PME) que entram em insolvência é bastante elevado e preocupante pelos impactos que causam na economia e na sociedade. Embora já tenham sido desenvolvidos diversos modelos preditivos das insolvências cujos preditores são, essencialmente, a informação financeira, este tema ainda é crítico nos dias de hoje, pelo que é de enorme relevância continuar a investigar e a criar modelos com maior precisão que os anteriores. Deste modo, e como as demonstrações financeiras das empresas nem sempre transparecem a realidade económico-financeira das mesmas, o presente estudo avalia o impacto das características do auditor e o conteúdo da sua opinião na predição das insolvências. Para tal, recorre-se a técnicas de análise de dados mais avançadas, nomeadamente text mining e árvores de decisão com o algoritmo CART de forma a analisar as Certificações Legais de Contas (CLC)/Relatórios de Auditoria Financeira Externa (RAFE), entre os anos de 2016 e 2020, de uma amostra de 2.040 empresas, 1.020 não insolventes e 1.020 insolventes. Os resultados obtidos permitem identificar uma relação entre as características do auditor e o conteúdo da sua opinião e a insolvência das empresas, prevendo-se uma Percentagem de Exemplos Corretamente Classificados (PECC) de 93%. O principal contributo empírico desta investigação é gerar melhor conhecimento sobre a inviabilidade das empresas através da atividade de Auditoria Financeira Externa (AFE), recorrendo-se a novas técnicas nunca antes utilizadas em modelos preditivos. info:eu-repo/semantics/acceptedVersion

Dissertação (mestrado) — Universidade de Brasília, Faculdade de Economia, Administração, Contabilidade e Gestão de Políticas Públicas, Programa de Pós-graduação em Economia, 2022. Nesse trabalho, realizamos um estudo a respeito da inadimplência em contratos habitacionais concedidos ao segmento de pessoa física por uma Instituição Financeira enquadrada no segmento S1, utilizando uma amostra de 31647 contratos pactuados entre Janeiro de 2016 e Janeiro de 2021, que tinham como garantia real imóveis entre 500 mil e 1 milhão de reais. A partir das informações disponibilizadas, selecionamos um conjunto de características relacionadas ao tomador e ao contrato. Incorporamos à análise variáveis macroeconômicas comumente utilizadas pela literatura, que demonstraram ter sido bastante relevantes na construção do modelo.Considerado o grande desbalanceamento identificado na base, utilizamos algumas técnicas de reamostragem e aplicamos 5 diferente classificadores na base balanceada e desbalanceada com o intuito de comparar o desempenho das combinações entre diversas técnicas para previsão de contratos que venham a ficar inadimplentes em 30, 60 e 90 dias. Os resultados obtidos indicam maior eficiência da técnica de reamostragem SMOTEENN e dos classificadores Random Forest, Regressão Logística e KNN. In this work, we did a study about the default in housing finance granted in the individual segment by a Financial Institution classified in the S1 segment, using a sample of 31647 contracts agreed between January 2016 and January 2021, that they had as a real guarantee properties between 500 thousand and 1 million reais. From the information provided, we select a set of characteristics related to the borrower and the contract. We integrate macroeconomic variables commonly incorporated in the literature into the analysis, which demonstrated to be quite relevant in the construction of the model. Considering the large imbalance identified in the base, we used some resampling techniques and applied 5 different classifiers to the balanced base and unbalanced base to compare the performance of combinations among several to predict contracts that will become defaulter in 30, 60 and 90 days. The results obtained indicate greater efficiency of the SMOTEEN resampling technique and the Random Forest, Logistic Regression and KNN Classifiers.

The study predicted chicken meat production in 2019-2025 period for the leading chicken-producing countries with the help of the 1961-2018 Food and Agriculture Organization (FAO) data since chicken meat consumption is so high worldwide. The USA ranks the first place while Brazil and China take second and third places, respectively. The analysis of the pioneer chicken meat-producing countries indicates that while the portion of the USA in world production decreases, the share, particularly Brazil and China, will approach that of the USA. World chicken meat production, which was 7.56 million tons in 1961, will increase to 139.19 million tons in 2025, and this production per capita is predicted to increase to 17.0 kg in 2025 from 2.4, 5.35, 9.80, and 15.0 kg in 1961, 1981, 2001, and 2018, respectively. Indonesia, Russia, Brazil, Japan, and India will run the highest increases in production. However, the share of countries in chicken meat production will decrease from 61% to 60% in 2019-2025 compared to the 2012-2018 periods. This condition showed that apart from some leading countries, the production will keep a rapid increase in production. The increase in chicken meat production and chicken meat import worldwide will improve human nutrition, especially in developing and underdeveloped countries. Countries that run cost advantages and high-quality life standards in line with technological innovations produce processed chicken products, strengthen animal health, hygiene, and transportation standards, and attach importance to advertising activities that increase consumer demand will be more advantageous in this market. RESUMO: O estudo visa prever a produção de carne de frango no período de 2019-2025 para os principais países produtores de frango com a ajuda dos dados da Organização para Agricultura e Alimentação (FAO) de 1961-2018, uma vez que o consumo de carne de frango é tão alto emtodo o mundo. Os EUA ocupam o primeiro lugar, enquanto o Brasil e a China ficam com o segundo e o terceiro lugares, respectivamente. A análise dos países pioneiros na produção de carne de frango indica que enquanto a participação dos EUA na produção mundial diminui a participação, principalmente do Brasil e da China, se aproximará da dos EUA. A produção mundial de carne de frango, que era de 7,56 milhões de tonelada sem 1961, aumentará para 139,19 milhões de tonelada sem 2025, e esta produção per capita deve aumentar para 17,0 kg em 2025 de 2,4, 5,35, 9,80 e 15,0 kg em 1961, 1981, 2001 e 2018, respectivamente. Indonésia, Rússia, Brasil, Japão e Índia terão os maiores aumentos de produção. No entanto, a participação dos países na produção de carne de frango cairá de 61% para 60% em 2019-2025 em relação ao período de 2012-2018. Essa condição mostra que, além de alguns países líderes, a produção manterá um rápido aumento da produção. O aumento na produção e importação de carne de frango em todo o mundo melhorará a nutrição humana, especialmente nos países em desenvolvimento e subdesenvolvidos. Os países que possuem vantagens de custo e padrões de vida de alta qualidade alinhados às inovações tecnológicas produzem produtos processados de frango, fortalecemos padrões de saúde, higiene e transporte animal e atribuem importância a atividades de publicidade que aumentem a demanda do consumidor serão mais vantajosas neste mercado.

O presente trabalho tem por objetivo modelar e prever a concentração de Material Particulado Inalável (PM10), a fim de analisar a capacidade preditiva dos modelos de séries temporais: ARMAX, ARIMA, Alisamento Exponencial Simples, Biparamétrico e Holt-Winters. Os dados que compõem as séries analisadas pertencem a Fundação Estadual de Proteção Ambiental (FEPAM), referente ao município de Canoas-RS, no ano de 2014. Os modelos foram ajustados com auxílio do software RStudio. Como resultados, constatou-se que o modelo ARMAX, com a inclusão de variáveis exógenas (Monóxido de carbono (CO) e Dióxido de enxofre (SO2)), produziu melhores resultados de previsão em relação aos seus concorrentes para a variável PM10. Também, verificou-se que modelos de séries temporais da Classe ARMA e ARMAX podem ser utilizados para previsão da PM10, entretanto os modelos da classe de Alisamento Exponencial não são recomendados, pois não se ajustaram adequadamente as séries em estudo. Palavras-chave: Poluição; previsão; séries temporais.

Crop insurance has gained greater attention in Brazil since the beginning of the past decade, with the implementation of the Rural Insurance Premium Subvention Program. The present study tested the performance of Machine Learning algorithms for insurers to forecast the occurrence of a claim, using data from policies and climate databases between the years of 2006 and 2017. The Random Forest, Support Vector Machine and k-Nearest Neighbors algorithms were tested. The second method showed a better predictive performance of claims. However, all methods presented a low predictive capacity for the occurrence of claims. O seguro agrícola tem ganho maior atenção no Brasil desde o início da década passada, com a implementação do Programa de Subvenção ao Prêmio do Seguro Rural. O presente estudo testou o desempenho de algoritmos de Machine Learning para as seguradoras anteciparem a ocorrência de sinistro, elaborando previsões por meio de dados de apólices e bases de dados climáticas entre os anos de 2006 e 2017. Foram testados os algoritmos Random Forest, Support Vector Machine e k-Nearest Neighbours. O segundo mostrou melhor performance preditiva de sinistros. No entanto, todos os métodos apresentaram baixa capacidade preditiva para a ocorrência de sinistros.

Notícias econômicas podem conter informações valiosas para prever o comportamento futuro de ativos financeiros. Nesse trabalho, exploramos a importância relativa do fluxo de notícas para prever a volatilidade realizada. Construímos indicadores baseados em notícias utilizando jornais de grande circulação no Brasil. Incorporamos esses indicadores em modelos de volatilidade, controlando por características importantes como assimetrias e descontinuidades. Nosso principal resultado mostra que a inclusão do fluxo de notícias em modelos de volatilitdade realizada traz ganhos significativos de previsão. Entretanto, esses ganhos estão concentrados nos ativos mais líquidos e em horizontes de previsão acima de um dia. Economic news may contain valuable information to predict future movements in financial market prices. In this work, we explore the relative importance of news flow to forecast realized volatility. We build text-based indicators using major newspapers in Brazil. Then, we incorporate these indicators into volatility models, controlling for key empirical features, such as asymmetries and discontinuities. Our main results show that the inclusion of newsbased variables in volatility models significantly improve forecasting accuracy. However, the gains are concentrated in the most liquid stocks and in forecasting horizons above one day.

A área de previsão macroeconômica é um campo de estudo desafiador e ao mesmo tempo extremamente relevante, tanto para a academia quanto para diversos setores do mercado e do governo. Neste trabalho, realizamos uma comparação empírica do desempenho preditivo de modelos tradicionais de séries temporais e métodos de aprendizado estatístico (aprendizado de máquinas) para prever quatro indicadores econômicos mensais dos Estados Unidos usando um grande conjunto de preditores: produção industrial, número de empregados em setores não-agrícolas , inflação e o spread entre a taxa de vencimento constante do tesouro de 10 anos e a taxa de fundos federais (Fed funds). Constatamos que os modelos tradicionais de séries temporais são competitivos em vários cenários, em particular para as séries de produção industrial e número de empregados. Para a medida de spread de taxa de juros e especialmente para a inflação, os métodos de aprendizagem estatística superaram os modelos de séries temporais de forma consistente. Nesses casos, o Random Forest e o LASSO com defasagens não penalizadas da variável alvo merecem maior atenção para a previsão de inflação e spread de juros, respectivamente. Investigamos também o efeito da escolha do método de ajuste de hiperparâmetros para os modelos de regressão penalizados e obtivemos evidências a favor do uso de critérios de informação. Nossos resultados também sugerem que a combinação de previsões de séries temporais e modelos de aprendizado de máquinas tem um desempenho muito bom para a maioria das variáveis e horizontes de previsão analisados. Macroeconomic forecasting is a challenging but also relevant topic for both academics and practitioners. In this work we perform an empirical comparison of the forecasting performance of traditional time series models and statistical learning methods for forecasting four major monthly economic indicators of the United States using a large set of predictors: Industrial Production, Number of Employees, Inflation, and the spread between the 10-year Treasury Constant Maturity and the Federal Funds Rate. We find that traditional time series models remain competitive in several scenarios, in particular for the Industrial Production and Number of Employees series. For the interest rate spread and especially for Inflation, the statistical learning methods outperformed the time series models consistently. In these cases, the Random Forest and the LASSO with unpenalized lags of the target variable deserve the most attention for inflation and interest rate spread forecasting respectively. We investigated the effect of the choice of hyperparameter tuning method for the penalized regression models and obtained evidence in favor of the use of information criteria. We also find that the combination of forecasts from time series econometrics models and statistical learning methods perform very well for most variables and forecasting horizons analyzed.

Resumo Este artigo investiga se os índices de confiança do consumidor podem melhorar as projeções do consumo agregado no Brasil, levando em conta informações dos fundamentos econômicos contidas em defasagens de indicadores financeiros e das taxas de crescimento do PIB e do volume de crédito às famílias. Nesse contexto, permitimos estruturas de defasagens distintas entre os potenciais preditores do consumo, o que dá origem a um grande espaço de potenciais modelos. Usamos, então, técnicas de ponderação bayesiana de modelos como uma estratégia agnóstica para lidar com a inerente incerteza sobre o modelo. Esta abordagem nos permitiu investigar quais regressores podem ser considerados robustos. Os resultados sugerem que PIB, crédito às famílias, retorno do mercado acionário e indicadores de confiança dos consumidores apresentam um potencial preditivo robusto na análise dentro da amostra. Finalmente, os resultados fora da amostra sugerem um papel não desprezível para os índices de confiança do consumidor na previsão da taxa de crescimento do consumo agregado no Brasil, especialmente em horizontes de previsão curtos. Abstract This paper investigates whether consumer confidence indices can improve the forecasts of aggregate consumption in Brazil, taking into account information on economic fundamentals contained in lagged financial indicators and growth rates of GDP and credit to households. In this context, we allow different lag structures for the potential predictors of consumption, which gives rise to a large space of potential models. Thus, we apply Bayesian model averaging techniques as an agnostic strategy to deal with the inherent uncertainty about the model. This approach allowed us to investigate which predictors can be considered robust. The in-sample results suggest that GDP, credit to households, return on stocks and consumer confidence indices have a robust predictive potential. Finally, the out-of-sample results suggest a not insignificant role for consumer confidence indices in forecasting the growth rate of the aggregate consumption in Brazil, especially for short-term forecasting horizons.

No enquadramento atual, caracterizado pela elevada competitividade entre organiza- ções, é cada vez mais percetível a realização de esforços por parte destas no que toca à im- plementação de metodologias e ferramentas que otimizem a sua proposta de valor. Num contexto onde os requisitos dos clientes são cada vez mais exigentes e heterogéneos, torna- se imperativo que as empresas tenham processos flexíveis, padronizados, e que assim lhes permitam responder de forma célere ao mercado, ganhando vantagem competitiva. Neste âmbito, a presente dissertação apresenta um procedimento de padronização e previsão de processos press-fit na produção de contatores, destinados a veículos elétricos. Tem como objetivo a otimização e padronização de procedimentos de validação destes pro- cessos, nomeadamente no que diz respeito à definição dos seus limites de controlo. Ao se- rem definidos com base num só lote de componentes, a variabilidade entre lotes força uma revalidação, que garante a estabilidade do processo para novas condições de matéria-prima. Tendo como objeto de estudo a variabilidade geométrica dos componentes, com base em vários lotes dos mesmos, é possível, através da aplicação de ferramentas como a Análise de Variância, identificar as variáveis significativas a nível dimensional. Depois, com este co- nhecimento, e recorrendo à ferramenta do Desenho de Experiências, é possível elaborar mo- delos que conseguem prever em antemão a magnitude e correspondente impacto da varia- bilidade dos componentes na estabilidade dos respetivos processos. Ao modelar os processos com uso das tolerâncias dos inputs, é possível prever os seus outputs, garantindo a capacidade de ajustar atempadamente todos os limites de processo com base nos dados de vários lotes. Assim, otimizando o procedimento de validação, tor- nando-o independente de um só lote, é possível prever a tempo as alterações que devem ser realizadas nos limites de processo. Desde modo, é promovida a estabilidade dos processos e evita-se tanto situações de falta de qualidade, como desperdícios na forma de falsos alarmes. Currently, the competitiveness among organizations has been increasing and the ef- forts made by these are increasingly noticeable regarding the implementation of tools and methodologies that optimize their value proposal. In a context where customer requirements are increasingly demanding and heteroge- neous, it is imperative for companies to have flexible, standardized processes that allow them to respond quickly to the market, thus gaining competitive advantage. In this context, in this dissertation a procedure for standardization and prediction of press-fit processes in the manufacture of contactors for electric vehicles is presented. The objective is to optimize and standardize the validation procedures of these processes, namely regarding the definition of their control limits. Since they are currently defined based on a single batch of components, the variability between batches forces a revalidation, which en- sures the stability of the process for the new raw material conditions. By focusing on the geometric variability of these components, based on several batch- es, through the application of tools such as the Analysis of Variance it is possible to identify the significant variables at the dimensional level. Then, with this knowledge, and using the tool of Design of Experiments, it is possible to develop models that can predict in advance the magnitude and corresponding impact of component variability on the stability of the respective processes. By modeling the processes using input tolerances, it is possible to predict their outputs, ensuring the ability to timely adjust all process limits based on multiple batch data. Thus, by optimizing the validation procedure to make it independent of a single batch, it is possible to predict in a timely manner the changes that need to be made to the process limits. In this way, process stability is promoted and both poor quality situations and waste in the form of false alarms are avoided.

Como consequência de uma maior sensibilização e consciencialização da população acerca da situação ambiental, tem-se vindo a progredir na redução da utilização de energias fósseis e no aumento da utilização de energias renováveis. Atualmente, está a ser implementado o conceito de comunidade de energia renovável (CER). Este conceito baseia-se na produção de energia elétrica utilizando uma fonte de energia renovável, como por exemplo o recurso solar, de modo a satisfazer as necessidades da comunidade, diminuindo a necessidade da energia proveniente da rede de distribuição. Na construção destas comunidades é essencial ser realizado um estudo prévio, de modo a estimar a produção fotovoltaica da instalação, a fim de se verificar a viabilidade económica. Existem vários modelos de previsão de energia, desde modelos estatísticos a modelos computacionais, destacando-se os modelos de Box & Jenkins e modelos de Redes Neuronais Artificiais. Nesta dissertação, pretende-se desenvolver um modelo de previsão de produção fotovoltaica, tendo em consideração os dados de temperatura e radiação da comunidade. A metodologia adotada no desenvolvimento do modelo de previsão será a metodologia de Box & Jenkins onde se irão realizar previsões de vários horizontes temporais. Posteriormente, será realizado o dimensionamento da comunidade em estudo, desde o número de habitações, consumo de cada uma e dimensionamento da instalação fotovoltaica. Por fim, será realizado o estudo de viabilidade energética e económica, isto é verificar se a previsão da produção fotovoltaica satisfaz as necessidades da comunidade e a sua viabilidade económica. Deste modo, conseguiu-se ajustar o melhor possível a previsão de produção energética às necessidades da comunidade, considerando-se viável a realização da previsão para o dimensionamento de uma comunidade de energia renovável. With the evolution of the population and, consequently, with greater awareness and sensitivity of the situation of the environment, progress has been made exponentially in reducing fossil energies and increasing the use of renewable energies. To respond to this environmental situation, alternatives for the reduction of emissions and the reuse of renewable energies have been developed. An alternative, recently developed and still being tested, is the concept of renewable energy community. This concept is essentially based on sharing renewable electric energy, namely renewable energy using the solar resource, in order to meet the needs of the community. Following the design of a community, it is essential to carry out a study on the forecast of photovoltaic production in order to verify the viability of the community. There are several energy forecasting models, from statistical models to computational models, highlighting the Box & Jenkins models and Artificial Neural Networks models.In this dissertation, it is intended to develop a forecasting model for renewable energy production based on a photovoltaic installation.The methodology adopted in the development of the forecast model will be the Box & Jenkins methodology where forecasts of various time horizons will be performed. Subsequently, a sizing of the community under study will be carried out in order to verify if the forecast photovoltaic production satisfies the needs of the community. In this way, itwas possible to adjust the energy production forecast to the community’s needs, considering it viable to carry out the forecast for the dimensioning of an energy community.