Considerações finais e limitações
10.2 Trabalhos futuros
Para os trabalhos futuros, torna-se uma condição necessária trabalhar com série longas, para novas compa-rações. Também propõem-se uma comparação dos dados a partir de alguns períodos a frente (onde temos um melhor ajustamento) para uma comparação equitativa em virtude do tempo de aprendizagem.
Também será interessante avaliar-se não só a performance das metodologias clássicas (ou estatísticas) e das técnicas de inteligência artificial não só no que diz respeito ao ajustamento mas também no que diz respeito à previsão de valores futuros. Esta abordagem constava dos objectivos iniciais desta dissertação mas devido à morosidade, e novidade, na implementação das técnicas de inteligência artificial tal não foi possível de realizar. Considera-se que em determinados casos as técnicas de inteligência artificial poderão ser substancialmente melhores a prever do que as metodologias clássicas (ou estatísticas).
Uma outra perspectiva de trabalho e a utilização de séries não lineares, tanto para série longas ou curtas, estacionárias ou não estacionárias, para um resultado total para todos os tipos de dados sequenciais.
Bibliografia
[1] Bianchi, Filippo M.; Maiorino, Enrico; Kampffmeyer, Michael C.; Rizzi,; Antonello; Jenssen, Robert,
Recurrent Neural Networks for Short-Term Load Forecasting: An Overview and Comparative Analysis,
SpringerBriefs in Computer Science, 2017.
[2] Box, George E. P.; Jenkins, Gwilym M.; Reinsel, Gregory C.; Ljung, Greta M., TIME SERIES
ANALY-SIS: Forecasting and Control, Fifth Edition, John Wiley & Sons, Inc.,New Jersey, 2016.
[3] Braga, Antônio P.; Carvalho André P. L.; Ludermir, Teresa B., Redes Neurais Artificiais: Teoria e
Aplicações, Rio de Janeiro - CEP 20040-040, LTC - Livros Técnicos e Científicos Editora S.A., 2000.
[4] Bueno, Rodrigo, Econometria de séries temporais, 2º edição, Cengage Learning, São Paulo, 2012.
[5] Cameron, A. Colin; Trivedi, Pravin K., Microeconometrics: Methods and Applications, Cambridge University Press, New York, 2005.
[6] Ciaburro, Giuseppe; Venkateswaran, Balaji, Neural Networks with R, Birmingham, Packt Publishing Ltd., 2017.
[7] Chatfield, Chris, Time-Series Forecasting, Chapman & CHall/CRC, New York,2000.
[8] Chollet, Francois ; Allaire, J.J, Deep Leaning with R, MEAP-Edition Manning Early Access Program, 1º edition, California, 2018.
[9] Christodoulakis, George; Satchell, Stephen, The Analytics of Risk Model Validation, 1º edition, Elsevier Ltd., Massachusetts, 2008.
[10] Cowpertwait, Paul S.P.; Metcalfe, Andrew V., Introductory Time Series with R, Springer
Sci-ence+Business Media, New York, 2009.
[11] Cryer, Jonathan D.; Chan, Kung-Sik, Time Series Analysis With Applications in R, Second Edition, Springer Science+Business Media, LLC, New York, 2008.
[12] Daróczi, Gergely; Puhle, Michael; Berlinger, Edina; Csóka, Péter; Havran, Dániel; Michaletzky, Már-ton; Tulassay, Zsolt ; Váradi, Kata ; Vidovics-Dancs, Agnes, Introduction to R for Quantitative
Finance, Packt Publishing Ltd., Birmingham , 2013.
[13] Derryberry, DeWayne R., Basic Data Analysis for Time Series with R, John Wiley & Sons, Inc., Hoboken, New Jersey, 2014.
[14] Faraway, Julian J., Linear Models with R, Chapman & Hall/CRC, Massachusetts, USA, 2009.
[15] Ferreira, Pedro; Mattos, Daiane; Almeida, Diego; Oliveira, Ingrid; Pereira, Rafael; Análise de Séries
Temporais em R: um curso introdutório, Instituto Brasileiro de Economia, 2017.
[16] Ghatak, Abhijit, Deep Learning with R, Singapore, Springer Nature Singapore Pte Ltd., 2019. Goldberg, Yoav, Neural Network Methods for Natural Language Processing, Morgan & Claypool Publishers series, Canada, 2017.
[17] Greene, William H., Econometric Analysis, Fifth Edition, Prentice Hall, New Jersey, 2003.
[18] Hammer, Barbara, Learning with Recurrent Neural Networks , Great Britain, Springer-Verlag London, 2000.
[19] Harvey, Robert L., Neural Network Principles, Massachusetts, Prentice-Hall International-Inc., 1994.
[20] Haykin, Simon, Redes Neurais: Principios e prática, 2º edição, Prentice Hall,Inc., Artmed Editora S.A, Brasil, 1999.
[21] Hyndman, Rob J.; Koehler, Anne B.; Ord, J. Keith ; Snyder, Ralph D., Forecasting with Exponential
Smoothing: The State Space Approach, Springer-Verlag Berlin Heidelberg, Berlin - Germany, 2008.
[22] Kendall, Maurice; Ord, Keith, Times series, third edition, Hodder Arnold, Reino Unido, 1993.
[23] Kirchgässner, Gebhard; Wolters, Jürgen, Introduction to Modern Time Series Analysis, Springer-Verlag Berlin Heidelberg, Leipzig - Germany, 2007.
[24] Kleiber, Christian; Achim Zeileis, Applied Econometrics with R, Baltimore-USA, Springer Sci-ence+Business Media, LLC, 2008.
[25] McLeod, A. Ian; Yu, Hao; Mahdi, Esam, Time Series Analysis with R, Elsevier, Ontario, 2011.
[26] Morettin, Pedro; Toloi, Clelia, Análise de séries temporais, 2º edição, Blucher, São Paulo, 2006.
[27] Morettin, Pedro, Econometria financeira: Um curso em séries temporais financeiras, 2º edição, Blu-cher, São Paulo, 2006.
[28] Levy, George, Computational Finance: Numerical Methodsfor Pricing Financial Instruments, Elsevier Butterworth-Heinemann, Burlington, MA, 2004.
[29] Palit, Ajoy K.; Popovic Dobrivoje, Intelligence in Time Series Forecasting: Theory and Engineering
Applications, Springer, London, 2005.
[30] Planas, Christophe, Applied Time Series Analysis: Modelling, Forecasting, Unobserved Components
Analysis, and the Wiener-Kolmogorov Filter, Office for Official Publications of the European
Commu-nities, Luxembourg, 1997.
[31] Prado, Raquel; West, Mike; Time Series Modeling, Computation and Inference, Taylor and Francis Group, Boca Raton, FL, 2010.
[32] Prakash, PKS; Rao, Achyutuni S. K., R Deep Learning: Solve complex neural net problems with
TensorFlow, H20 and MXNet, Packt Publishing Ltd., Birmingham, 2017.
[33] Programmer, Lazy, Deep Learning: Recurrent Neural Networks in Python, LSTM, GRU, and more
BIBLIOGRAFIA 103
[34] Rao, A. Ravishankar; Cecchi, Guillermo A., The Relevance of the Time Domain to Neural Network
Models, Volume 3, Springer Science+Business Media, LLC, , New York, 2012.
[35] Rashid, Tariq, Make Your Own Neural Network, Kindle, England, 2016
[36] Rzempoluck, Edward J., NEURAL NETWORK DATA ANALYSIS USING SIMULNET, 1st edition, Springer Science+Business Media, New York, 1998.
[37] Shmueli, Galit; Lichtendahl, Kenneth C. Jr., PRACTICAL TIME SERIES FORECASTING WITH R, 2º edition, Axelrod schnall, Florida, 2016.
[38] Shumway, Robert H.; Stoffer, David S., Time Series Analysis and Its Applications: With R Examples, 3º edition, Springer Science+Business Media, New York, 2010.
[39] Steiner, Robert, Mastering Financial Calculations: A step-by-step guide to the mathematics of financial
market instruments, Pearson Education, Great Britain, 1998.
[40] Temple, Peter, First steps in Economic Indicators, Pearson Education, Great Britain, 2003.
[41] Warner, Stuart & Hussain, Si, The Finance Book, First edition, Pearson Education, United Kingdom, 2017.
[42] Wickham, Hadley, ggplot2: Elegant Graphics for Data Analysis, Springer Science+Business Media, LLC, New York - USA, 2009.
[43] Wilde, Philippe De, Neural Network Models: An Analysis, Springer-Verlag, Great Britain, 1996
[44] Wooldridge, Jeffrey M., Introductory econometrics: a modern approch, 4º edicao, Thomson Learning, Inc., Michigan, 2006.
[45] YI, Zhang; TAN, K.K., Network Theory and Applications: CONVERGENCE ANALYSIS OF
RECUR-RENT NEURAL NETWORKS, 1st edition, Springer-Science+Business Media, B.V., New York, 2004.
[46] <https://iaexpert.academy/2020/06/08/os-tipos-de-redes-neurais/>. Acesso em: 12 de dez. de 2019
[47] <http://deeplearningbook.com.br/as-10-principais-arquiteturas-de-redes-neurais/>. Acesso em: 15 de jan. de 2020.
[48] <https://otexts.com/fpp2/> Acesso em: 15 de jan. de 2020.
[49] <https://caiquecoelho.medium.com/um-guia-completo-para-o-pre-processamento-de-dados-em-machine-learning-f860fbadabe1>. Acesso em: 7 de abr. de 2020.
[50] <https://www.monolitonimbus.com.br/redes-neurais-artificiais/>. Acesso em: 20 de jun. de 2020.
[51] <https://keras.rstudio.com/reference/layer-activation-leaky-relu.html>. Acesso em: 20 de jun. de 2020.
[52] <https://stackoverflow.com/questions/34518656/how-to-interpret-loss-and-accuracy-for-a-machine-learning-model>. Acesso em: 1 de ago. de 2020.
[53] <https://www.cetax.com.br/blog/compreendendo-lstm-networks/>. Acesso em: 15 de ago. de 2020.
[54] <https://www.mariofilho.com/as-metricas-mais-populares-para-avaliar-modelos-de-machine-learning/>. Acesso em: 1 de set. de 2020