Utilização de modelos não lineares para previsão do ICMS paulista

Abstract

Atualmente, na Secretaria da Fazenda e Planejamento do Estado de São Paulo, a previsão de arrecadação do ICMS paulista é feita usando-se um modelo SARIMA com variáveis exógenas, o SARIMAX. Mas o ICMS é não linear e há várias quebras estruturais controladas com diversas dummies. A consequência é um modelo sobre ajustado, pouco adequado para previsões de mais longo prazo (mais do que alguns meses, muito menos para um ano). A proposta deste trabalho é utilizar modelos não lineares na previsão do ICMS paulista, utilizando redes neurais recorrentes LSTM (Long Short-Term Memory) e modelos Markov-Switching, fazendo um contraponto entre estes dois modelos. E utilizar, como base de comparação, o modelo SARIMAX atual.

Currently, at the Department of Treasure and Planning of the State of São Paulo, the forecast of ICMS collection in São Paulo is made using a SARIMA model with exogenous variables, the SARIMAX. But ICMS is non-linear and there are several structural breaks controlled with different dummies. The consequence is an overfitted model, unsuitable for long-term forecasts (more than a few months, let alone a year). The purpose of this work is to use non-linear models to forecast the ICMS in São Paulo, using LSTM recurrent neural networks (Long Short-Term Memory) and Markov-Switching models, making a counterpoint between these two models. And use, as baseline for comparison, the current SARIMAX model.