TIME SERIES MODEL WITH NEURAL COEFFICIENTS FOR NONLINEAR PROCESSES IN MEAN AND VARIANCE

• Main Author: MARIA LUIZA FERNANDES VELLOSO
• Other Authors: MARLEY MARIA BERNARDES REBUZZI VELLASCO
• Language: Portuguese
• Published: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 1999
• Online Access: http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=8103@1; http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=8103@2

CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === Esta tese apresenta uma nova classe de modelos não lineares inspirada no modelo ARN, apresentado por Mellem, 1997. Os modelos definidos nesta classe são aditivos com coeficientes variáveis modelados por redes neurais e, tanto a média quanto a variância condicionais, são modeladas explicitamente. Neste trabalho podem ser identificadas quatro partes principais: um estudo sobre os modelos mais comuns encontrados na literatura de séries temporais; um estudo sobre redes neurais, focalizando a rede backpropagation; a definição do modelo proposto e os métodos utilizados na estimação dos parâmetros e o estudo de casos. Modelos aditivos têm sido escolha preferencial na modelagem não linear: paramétrica ou não paramétrica, de média ou de variância condicional. Além disso, tanto a idéia de modelos de coeficientes variáveis quanto a de modelos híbridos. que reúnem paradigmas diferentes, não é novidade. Por esta razão, foi traçado um panorama dos modelos não lineares mais encontrados na literatura de séries temporais, focalizando-se naqueles que tinham relacionamento mais estreito com a classe de modelos proposta neste trabalho. No estudo sobre redes neurais, além da apresentação de seus conceitos básicos, analisou- se a rede backpropagation, ponto de partida para a modelagem dos coeficientes variáveis. Esta escolha deveu- se à constatação da predominância e constância no uso desta rede, ou de suas variantes, nos estudos e aplicações em séries temporais. Demonstrou-se que os modelos propostos são aproximadores universais e podem ser utilizados para modelar a variância condicional de uma série temporal. Foram desenvolvidos algoritmos, a partir dos métodos de mínimos quadrados e de máxima verossimilhança, para a estimação dos pesos, através da adaptação do algoritmo de backpropagation à esta nova classe de modelos. Embora tenham sido sugeridos outros algoritmos de otimização, este mostrou-se suficientemente apropriado para os casos testados neste trabalho. O estudo de casos foi dividido em duas partes: testes com séries sintéticas e testes com séries reais. Estas últimas, normalmente, utilizadas como benchmarking por analistas de séries temporais não lineares. Para auxiliar na identificação das variáveis do modelo, foram utilizadas regressões de lag não paramétricas. Os resultados obtidos foram comparados com outras modelagens e foram superiores ou, no mínimo, equivalentes. Além disso, é mostrado que o modelo híbrido proposto engloba vários destes outros modelos. === A class of nonlinear additive varyng coefficient models is introduced in this thesis, inspired by ARN model, presented by Mellem, 1997. the coefficients are explicitly modelled. This work is divided in four major parts: a study of most common models in the time series literature; a study of neural networks, focused in backpropagation network; the presentation of the proposed models and the methods used for parameter estimation: and the case studies. Additive models has been the preferencial choice in nonlinear modelling: idea of varyng coefficient and of hybrid models, aren`t news. Hence, the models in the time series literature were analysed, assentialy those closely related with the class of models proposed in this work. Sinse the predominance and constancy in the use of backpropagation network, or its variants, in time series studies and applications, was confirmed by this work, this network was analyzed with more details. This work demonstrated that the proposed models are universal aproximators and could model explicity conditional variance. Moreover, gradient calculus and algorithms for the weight estimation were developed based on the main estimation methods: least mean squares and maximum likelihood. Even though other gradient calculus and otimization algorithms have been sugested, this one was sufficiently adequate for the studied cases. The case studies were divided in two parts: tests with synthetic series and for the nonlinear time series analysts. The obtained results were compared with other models and were superior or, at least, equivalent. Also, these results confirmed that the proposed hybrid model encompass several of the others models