| Summary: | Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2008. === Submitted by Jaqueline Oliveira (jaqueoliveiram@gmail.com) on 2008-12-08T17:55:24Z
No. of bitstreams: 1
DISSERTACAO_2008_JorcenilsonPMaia.pdf: 1026960 bytes, checksum: 0ed32a4b9d193605512450260d8db2f7 (MD5) === Approved for entry into archive by Georgia Fernandes(georgia@bce.unb.br) on 2009-02-17T18:34:30Z (GMT) No. of bitstreams: 1
DISSERTACAO_2008_JorcenilsonPMaia.pdf: 1026960 bytes, checksum: 0ed32a4b9d193605512450260d8db2f7 (MD5) === Made available in DSpace on 2009-02-17T18:34:30Z (GMT). No. of bitstreams: 1
DISSERTACAO_2008_JorcenilsonPMaia.pdf: 1026960 bytes, checksum: 0ed32a4b9d193605512450260d8db2f7 (MD5) === O principal objetivo deste trabalho é avaliar o uso de técnicas de previsão de séries temporais com Redes Neurais Artificiais. Como aplicação, foi analisada a demanda do volume de crédito com recursos livres no Sistema Financeiro Nacional. Utilizaram-se técnicas de análise multivariadas para determinar as séries independentes que explicam a variável dependente (Recursos Livres). A sugestão deste trabalho é utilizar redes neurais em cooperação com métodos
estatísticos, buscando alcançar melhores resultados que aqueles obtidos com técnicas
estatísticas isoladamente. O trabalho inicia-se com considerações sobre previsões de séries temporais e uma caracterização breve sobre redes neurais. A seguir, o estudo de caso utilizando uma série histórica de recursos livres no Sistema Financeiro Nacional. Encerra-se com conclusões e recomendações.
_________________________________________________________________ ABSTRACT === The main objective of this work is to evaluate the use Artificial Neural Networks in the time
series prediction. Specifically, we study credit volume with free resources in the National Financial System. Multivariate data analysis was used to identify independent series that explain the dependent variable (Free Resources). Our approach is to use Artificial Neural Networks in cooperation with statistic techniques, looking for better results than those obtained with statistics alone. The work begins with an overview on prediction of time series and a brief review of Artificial Neural Networks. Next, a case study is presented, using a historical series of free resources in the National Financial System, followed by conclusions and recommendations.
|
|---|
