Avaliação de métodos baseados em aprendizado de máquina para previsão de preços de produtos agrícolas em mercados atacadistas

• Ano de defesa: 2024
• Autor(a) principal: Mota, Tiago Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Commodities agrícolas; Agricultural commodities; Aprendizado de máquina; Machine learning; Previsão de preços; Price forecasting; Séries temporais; Time series
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/96/96131/tde-12092024-135746/

Este estudo aborda a modelagem preditiva de preços em mercados agrícolas atacadistas, com o objetivo de superar desafios impostos pela natureza volátil e pela complexa dinâmica de oferta e demanda desses mercados. A pesquisa compara a aplicação de diferentes métodos não estruturais para prever os preços de commodities agrícolas comercializadas na Ceasaminas em Belo Horizonte. As técnicas empregadas e comparadas incluem ARIMA, XGBoost, LightGBM e redes neurais recorrentes como LSTM e GRU. Atestou-se que os métodos de aprendizado de máquina demonstraram capacidade de captar padrões complexos e não lineares dos dados. A análise foi realizada utilizando uma vasta base de dados da Companhia Nacional de Abastecimento (Conab), cobrindo diversas commodities. Os resultados indicam que os modelos XGBoost e LightGBM, apresentaram desempenho superior em termos de precisão preditiva e escalabilidade quando comparados aos demais métodos. Este estudo contribui para a literatura econômica ao demonstrar a eficácia de modelos de aprendizado de máquina na previsão de preços agrícolas praticados em mercados atacadistas, oferecendo ferramentas valiosas para produtores e gestores no setor. Além disso, sugere que tais métodos podem ser particularmente úteis para melhorar a acessibilidade e aplicabilidade dos métodos preditivos para pequenos produtores e agentes em mercados locais.