An application of recurrent artificial neural networks (RTRL) and ARIMA-GARCH processes for predicting the soybean series of prices

Authors

  • Mauri Aparecido de Oliveira Universidade Federal de São Paulo
  • Ricardo Luiz Pereira Bueno Universidade Federal de São Paulo
  • Alessandra de Avila Montini USP

DOI:

https://doi.org/10.36942/reni.v2i1.199

Keywords:

Forecasting, Neural Networks, ARIMA-GARCH

Abstract

This paper describes a comparative study to measure forecasting efficiency between ARIMA-GARCH process and artificial neural networks (ANN) using the real time recurrent learning algorithm (RTRL). An experiment, applying this two techniques, is performed to compare the forecast of the soybean price series. The forecasting window choice is arbitrary, in this work are used 1 to 10 steps ahead. Both methods, ARIMA-GARCH and ANN, requires data transformation of the original series (or level series), but final forecasting results are presented in terms of level series. According to the obtained results, can be verified a superior performance generated by artificial neural networks when compared with the traditional econometrics volatility models

Downloads

Download data is not yet available.

Downloads

Published

2020-03-16

How to Cite

Oliveira, M. A. de, Bueno, R. L. P., & Montini, A. de A. (2020). An application of recurrent artificial neural networks (RTRL) and ARIMA-GARCH processes for predicting the soybean series of prices. Journal of Entrepreneurship, Business and Innovation, 2(1), 54–66. https://doi.org/10.36942/reni.v2i1.199

Issue

Vol. 2 No. 1 (2017)

Section

Artigos

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:

  1. Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
  2. Adaptar — remixar, transformar, e criar a partir do material para qualquer fim, mesmo que comercial.
  3. O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.

De acordo com os termos seguintes:

  1. 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.
  2. CompartilhaIgual — Se você remixar, transformar, ou criar a partir do material, tem de distribuir as suas contribuições sob a mesma licença que o original.
  3. 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.