Avaliação Comparativa de Modelos de Previsão ETS, ARIMA e LSTM com Pré-processamento
Aplicação em Séries do IBOVESPA
DOI:
https://doi.org/10.36942/reni.v11i2.1638Palavras-chave:
Previsão financeira, Séries temporais, LSTM, ARIMA, Savitzky–GolayResumo
Este estudo investiga os efeitos de técnicas de suavização no desempenho de modelos estatísticos e de deep learning aplicados à previsão de séries financeiras. Foram analisadas as seis ações de maior participação no índice IBOVESPA no período de janeiro de 2023 a outubro de 2025. Os modelos ARIMA, ETS e Long Short-Term Memory (LSTM) foram avaliados sob três condições de pré-processamento: série original, filtro Savitzky–Golay e Média Móvel. O desempenho foi mensurado por meio das métricas RMSE, MAE, MAPE, sMAPE e da estatística direcional dStat. Os resultados indicaram que o modelo LSTM combinado com a Média Móvel apresentou o melhor desempenho geral, obtendo os menores valores de erro para todas as ações analisadas e redução média de aproximadamente 38% no sMAPE em relação aos modelos estatísticos. Em contrapartida, ARIMA e ETS demonstraram maior robustez à utilização de séries sem pré-processamento. Os resultados sugerem que os benefícios da suavização dependem do paradigma de modelagem adotado, sendo particularmente relevantes para modelos de deep learning.
Downloads
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Revista de Empreendedorismo, Negócios e Inovação
Este trabalho está licenciado sob uma licença Creative Commons Attribution-ShareAlike 4.0 International License.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-CompartilhaIgual 4.0 Internacional.
Link da licença: http://creativecommons.org/licenses/by-sa/4.0/
Você tem o direito de:
- Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
- Adaptar — remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
- O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
- Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
- CompartilhaIgual — Se você remixar, transformar, ou criar a partir do material, tem de distribuir as suas contribuições sob a mesma licença que o original.
- Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
