Seleção de hiperparâmetros para uma rede Multi-Layer Perceptron aplicada na predição do preço da soja
DOI:
https://doi.org/10.56762/tecnia.v8i2.255Palavras-chave:
Inteligência artificial, Séries temporais., Commodities.Resumo
O agronegócio brasileiro representa uma parcela significativa do Produto Interno Bruto (PIB), além de ser um setor de produção essencial, por garantir o fornecimento de alimentos para a população. Contudo, o principal desafio enfrentado pelo setor é manter a rentabilidade, ante um cenário de alta dos custos de insumos. Diante disso, destaca-se a importância de avaliar ferramentas que possam auxiliar na tomada de decisão, com foco no aumento da rentabilidade. A proposta deste trabalho foi selecionar um conjunto de hiperparâmetros para uma rede neural Multi-Layer Perceptron (MLP), por meio da análise do Erro Médio Quadrático (EMQ), visando a sua utilização na predição do preço da soja. Para isso, um histórico de dados de preço do grão e da taxa de câmbio do dólar (2006 - 2022) foram utilizados como entrada do modelo matemático. Fazendo uso de simulações computacionais, o preço predito da soja foi avaliado, visando identificar o conjunto de hiperparâmetros que gera o menor EMQ. Entre as configurações avaliadas, o menor EMQ encontrado quando o modelo foi testado na série histórica teve valor igual a 1,2936. Esse resultado mostra que a configuração de hiperparâmetros selecionada é capaz de realizar a previsão do preço futuro da soja, acompanhando a tendência de preços do grão, no período em que ele foi avaliado.
Referências
CEPEA (Centro de Estudos Avançados em Economia Aplicada). Série histórica do preço da soja. Disponível em: https://www.cepea.esalq.usp.br/br. Acesso em: 15 abr. 2022.
CNA (Confederação da Agricultura e Pecuária do Brasil). PIB do Agronegócio: Relatório técnico, Jun. 2022. Disponível em: https://www.cepea.esalq.usp.br/upload/kceditor/files/Cepea_CNA_PIB-do-Agronegocio-20junho22(1).pdf. Acesso em: 23 ago. 2022.
DISCONZI, C. M. D. G. Previsão dos preços de commodities agrícolas brasileiras no mercado futuro utilizando redes neurais artificiais. 2018. 95f. Dissertação (Mestrado em Administração), Universidade Federal do Pampa, Santana do Livramento, 2018. Disponível em: https://repositorio.unipampa.edu.br/jspui/handle/riu/2967
EMBRAPA (Empresa Brasileira de Pesquisa Agropecuária). Soja em números (safra 2020/2021). Disponível em: https://www.embrapa.br/soja/cultivos/soja1/dados-economicos. Acesso em: 23 ago. 2022.
FANG, Y.; GUAN, B.; WU, S.; HERAVI, S. Optimal forecast combination based on ensemble empirical mode decomposition for agricultural commodity futures prices. Journal of Forecasting, v. 39, n. 6, p. 877-886, 2020. Disponível em: https://onlinelibrary.wiley.com/doi/abs/10.1002/for.2665
FERREIRA, L; MOURA, G.L.; BORENSTEIN, D.; FISCHMANN, A.A. Utilização de redes neurais artificiais como estratégia de previsão de preços no contexto de agronegócio. Revista de Administração e Inovação, v. 8, n. 4, p.6-26, 2011. Disponível em: https://www.revistas.usp.br/rai/article/view/79235
GE, W.; LALBAKHSH, P.; ISAI, L.; LENSKIY, A.; SUOMINEN, H. Neural Network–Based Financial Volatility Forecasting: A Systematic Review. ACM Computing Surveys, v. 55, n. 1(14) p. 1-30, 2022. Disponível em: https://dl.acm.org/doi/pdf/10.1145/3483596
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Massachusetts: The Mit Press, 2016.
HAYKIN, S. Neural Networks and Learning Machines. 3 ed. Ontario: Prentice Hall, 2008.
IMEA (Instituto Mato-grossense de Economia Agropecuária). Margem Bruta Pressionada. Boletim Semanal Soja, 22 Out. 2022, n. 273. Disponível em: https://imea.com.br/imea-site/arquivo-externo?categoria=relatorio-de-mercado&arquivo=bs-soja&numeropublicacao=723. Acesso em: 15 abr. 2023.
JHA, G.K.; SINHA, K. Agricultural price forecasting using neural network model: An innovative information delivery system. Agricultural Economics Research Review, v. 26, n. 2, p.229-239, 2013. Disponível em: https://ideas.repec.org/a/ags/aerrae/162150.html
LUDOVICO, S. N. Previsão de indicadores diários de preço no mercado futuro de commodities agrícolas utilizando aprendizagem de máquina. 2020. 155f. Dissertação (Mestrado em Estatística Aplicada e Biometria). Universidade Federal de Alfenas, Alfenas, 2020. Disponível em: https://bdtd.unifal-mg.edu.br:8443/handle/tede/1762
MENHAJ, M.; KAVOOSI-KALASHAMI, M. Developing a hybrid forescating system for agricultural commodity prices (case study: Thailand rice free on board price). Ciência Rural, Santa Maria, v. 52, n.8, p. 1-11, 2022. Disponível em: https://www.scielo.br/j/cr/a/mcdxrp7wjNdgBTZGbNZTJsh/?lang=en
PINHEIRO, C.; SENNA, V. Multivariate analysis and neural networks application to price forecasting in the Brazilian agricultural market. Ciência Rural, v.47, n.1, p. 1-7, 2017. Disponível em: https://www.scielo.br/j/cr/a/bcB64kH4hY4Htpc7KhqG6Wg/abstract/?lang=en
RIBEIRO, C.O.; SOSNOSKI, A.A.K.B.; OLIVEIRA, S.M. Um modelo hierárquico para previsão de preços de commodities agrícolas. Revista Produção Online, v.10, n. 4, p. 719-733, 2010. Disponível em: https://producaoonline.org.br/rpo/article/view/225
RIBEIRO, M. H. D. M.; COELHO, L S. Ensemble approach based on bagging, boosting and stacking for short-term prediction in agribusiness time series. Applied Soft Computing, v. 86, 105837, 2020. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S1568494619306180
ROSOLEN, D.; ARAÚJO, M. V.; LYRIO, M. Previsão dos preços de commodities por meio das taxas de câmbio. Estudo Econômico, vol. 43, n. 4, p. 813-830, 2013. Disponível em: https://www.scielo.br/j/ee/a/kFF88txxLpqQ88npY8c7snN/?lang=pt
SOBREIRO, V.A.; ARAUJO, P.H.S.L.; NAGANO, M.S. Precificação do etanol utilizando técnicas de redes neurais artificiais. RAUSP - Revista de Administração, v. 44, n. 1, p. 46-58, 2009. Disponível em: http://rausp.usp.br/wp-content/uploads/files/v4401046.pdf
SPANCERSKI, J. S.; SANTOS, J. A. A. Redes neurais aplicadas na predição do preço da soja no estado do Paraná. Revista Perspectivas Online: Exatas & Engenharia, v. 11, n. 32, p.19-32, 2021. Disponível em: https://ojs3.perspectivasonline.com.br/exatas_e_engenharia/article/view/2282
SUNARYA, A. HENDERI; TASYRIQAN, I. The Comparison Between Sequential Minimal Optimization and Multilayer Perceptron Neural Network Methods in Predicting the Commodity Prices. In: 2019 Fourth International Conference on Informatics and Computing (ICIC). Semarang, Indonésia, 2019, p. 1-6. Disponível em: https://ieeexplore.ieee.org/document/8985679
WANG, C.; GAO, Q. High and Low Prices Prediction of Soybean Futures with LSTM Neural Network. In: 2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS). Beijing, China, 2018, p. 140-143. Disponível em: https://ieeexplore.ieee.org/document/8663896
WANG, J.; WANG, Z.; LI, X.; ZHOU, H. Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting, v. 38, n. 1, p. 21-34, 2022. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0169207019302304
YU, Z. Data Analysis and Soybean Price Intelligent Prediction Model Based on LSTM Neural Network. In: 2021 IEEE Conference on Telecommunications, Optics and Computer Science (TOCS). Shenyang, China, 2021, p. 799-801. Disponível em: https://ieeexplore.ieee.org/document/9688705
ZHANG, D.; ZANG, G.; LI, J.; MA, K.; LIU, H. Predction of soubean price in China using QR-RBF neural network model. Computers and Electronic in Agriculture, v. 154, p. 10-17, 2018. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0168169918302199
Downloads
Publicado
Como Citar
Edição
Seção
Categorias
Licença
Copyright (c) 2023 Revista Tecnia

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os autores que publicam nesta revista concordam com os seguintes termos:
-
Os (as) autores (as) mantêm os direitos autorais de seus trabalhos, concedendo à revista o direito de primeira publicação. As obras são licenciadas sob a licença Creative Commons (CC-BY-4.0), que permite o compartilhamento do conteúdo, desde que haja o devido reconhecimento da autoria e da publicação original nesta revista.
-
É permitido aos (as) autores (as) firmar acordos adicionais, de forma independente, para distribuição não exclusiva da versão publicada do trabalho (por exemplo, em repositórios institucionais ou como capítulo de livro), desde que seja mencionada a autoria e a publicação original na Tecnia.
-
Os (as) autores (as) têm liberdade e são incentivados a disponibilizar e divulgar seus trabalhos em plataformas online (como repositórios institucionais ou páginas pessoais), visto que essa prática pode favorecer contribuições relevantes, além de ampliar a visibilidade e o impacto da publicação.