Intervalos de predição via LSTM-bootstrap para modelos ARMA-GARCH
Visualizar/abrir
Data
2026Autor
Orientador
Nível acadêmico
Graduação
Assunto
Resumo
Este trabalho investiga a construção de intervalos de predição para modelos ARMA com apoio de redes neurais LSTM e diferentes estratégias de bootstrap, avaliando por simulações Monte Carlo o desempenho de Bootstrap IID, Block Bootstrap, Stationary Bootstrap, Sieve Bootstrap e Conformal Prediction em cenários com erros homocedásticos e heterocedásticos. Foram analisados cinco modelos ARMA sob dois regimes de erro, totalizando dez cenários simulados, e a cobertura empírica foi utilizada como crit ...
Este trabalho investiga a construção de intervalos de predição para modelos ARMA com apoio de redes neurais LSTM e diferentes estratégias de bootstrap, avaliando por simulações Monte Carlo o desempenho de Bootstrap IID, Block Bootstrap, Stationary Bootstrap, Sieve Bootstrap e Conformal Prediction em cenários com erros homocedásticos e heterocedásticos. Foram analisados cinco modelos ARMA sob dois regimes de erro, totalizando dez cenários simulados, e a cobertura empírica foi utilizada como critério principal de avaliação. Os resultados mostraram que o intervalo teórico do ARMA apresentou o melhor desempenho global, enquanto, entre os métodos baseados em LSTM, o Sieve Bootstrap foi o mais eficiente, seguido pelo Block e pelo Stationary Bootstrap. O Bootstrap IID apresentou desempenho inferior e a predição conformal teve os piores resultados relativos, especialmente em contextos com dependência temporal e heterocedasticidade. ...
Abstract
This study investigates the construction of prediction intervals for ARMA models supported by LSTM neural networks and different bootstrap strategies, evaluating through Monte Carlo simulations the performance of IID Bootstrap, Block Bootstrap, Stationary Bootstrap, Sieve Bootstrap, and Conformal Prediction under both homoscedastic and heteroscedastic error scenarios. Five ARMA models were analyzed under two error regimes, totaling ten simulated scenarios, and empirical coverage was used as the ...
This study investigates the construction of prediction intervals for ARMA models supported by LSTM neural networks and different bootstrap strategies, evaluating through Monte Carlo simulations the performance of IID Bootstrap, Block Bootstrap, Stationary Bootstrap, Sieve Bootstrap, and Conformal Prediction under both homoscedastic and heteroscedastic error scenarios. Five ARMA models were analyzed under two error regimes, totaling ten simulated scenarios, and empirical coverage was used as the main evaluation criterion. The results showed that the theoretical ARMA interval achieved the best overall performance, while among the LSTMbased methods, the Sieve Bootstrap was the most efficient, followed by the Block and Stationary Bootstrap. The IID Bootstrap showed inferior performance, and conformal prediction yielded the worst relative results, especially in contexts with temporal dependence and heteroscedasticity. ...
Instituição
Universidade Federal do Rio Grande do Sul. Instituto de Matemática e Estatística. Curso de Estatística: Bacharelado.
Coleções
-
TCC Estatística (328)
Este item está licenciado na Creative Commons License


