Previsão de vendas em alta frequência do varejo brasileiro: um estudo comparativo entre modelos tradicionais e redes neurais artificiais
Carregando...
Arquivos
Data
2019-07-01
Autores
Orientador(res)
Chague, Fernando Daniel
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
O estudo das vendas agregadas do comércio varejista é essencial para compreender a dinâmica de consumo de um país. Neste contexto, a avaliação de métodos de previsão que sejam capazes de gerar um nível de acuracidade elevado para estas vendas demonstra-se importante para a formação das expectativas de crescimento do consumo. Este trabalho, portanto, tem como principal finalidade a realização de um estudo comparativo entre as previsões de quatro índices diários de vendas no varejo em quatro horizontes de previsão. A comparação foi feita entre modelos tradicionais de séries temporais – Naïve, Seasonal Naïve, Holt-Winters e SARIMA – e duas arquiteturas de redes neurais – feedforward Multilayer Perceptron (MLP) e recorrente Long Short-Term Memory (LSTM). No total, foram testadas 1632 combinações distintas de parâmetros para cada índice com a técnica holdout cross-validation no período in-sample. As métricas de erros das previsões, Root Mean Squared Error (RMSE) e Mean Absolute Percentual Error (MAPE), foram calculadas iterativamente no período out-of-sample para simular a situação real de um agente econômico construindo diariamente suas previsões. As evidências encontradas neste trabalho sugerem que existe ganho em acuracidade ao optar pelo modelo de rede neural recorrente LSTM em horizontes mais longos de previsão, pois foi possível rejeitar a hipótese nula do teste Diebold-Mariano para dois dos quatro índices. Por fim, os resultados também demonstram que houve ganho significativo em acuracidade ao modelar o efeito calendário do comércio varejista com redução de até 60,6% de RMSE.