GERAÇÃO DE CENÁRIOS E MÉTODOS DE PREDIÇÃO NA AVALIAÇÃO DA NEGOCIAÇÃO DA SOJA

  • Matheus Vanzela Instituto Federal de Mato Grosso do Sul - IFMS
  • Hugo Monteiro Aguiar IFMS
Palavras-chave: Séries Temporais, Monte Carlo, Prophet, Tomada de decisão

Resumo

Este artigo levanta quais as principais decisões tomadas pelo produto de soja depois que todos os obstáculos operacionais foram ultrapassados e sua produção está pronta para entrega na cooperativa, que será vendida à vista ou custeado o armazenamento para venda no mercado futuro. Realizou-se 3 estratégias de simulação de Monte Carlo e 2 de previsão de séries temporais com o algoritmo Prophet desenvolvido pelo Facebook®. Tanto com a geração de Monte Carlo quanto Prophet obteve-se erros relativos menores que 8% e avaliações corretas quanto aos movimentos de altas e baixas do mercado. Notou-se em Prophet 9 movimentos corretos e com o método de Monte Carlo, 6 movimentos corretos de 11 possíveis dentro do período de um ano. Ambas estratégias tem pontos positivos, Mostrando-se assertivas para utilização como ferramentas de apoio à tomada de decisão. Todos os testes foram tratados programaticamente, com a linguagem Python 3.7,  permitindo maior segurança no tratamento dos dados.

Referências

CEPEA, Centro de Pesquisas Econômicas da Escola Superior de Agricultura ESALQ - Relatórios Agrícolas. Piracicaba, 2019. Disponível em: https://www.cepea.esalq.usp.br/br/busca.aspx?busca=RELATÓRIOS. Acesso: Junho 2019

FERNANDES, C. A. B. DE A. Gerenciamento de Riscos em Projetos: como usar o Microsoft Excel para realizar a simulação de Monte Carlo. B&B Brothers, p. 1–6, 2005. Disponível em: <http://www.bbbrothers.com.br/files/pdfs/artigos/simul_monte_carlo.pdf>. .

FIESP; Federação da Indústria e Comércio do Estado de São Paulo. Informativo Safra Mundial de Soja 2019 / 20 - 3o Levantamento do USDA. São Paulo, 2019. Disponível em: https://www.fiesp.com.br/indices-pesquisas-e-publicacoes/safra-mundial-de-soja/

HAMMERSLEY, J. Monte Carlo Methods. Springer Netherlands, 2013.

HASTIE, T. .; TIBSHIRANI, R. Generalized additive models: some applications. Journal of the American Statistical Association, v. 82, p. 371–386, 1987.

TAHA, H. A. Pesquisa Operacional: Uma visão geral. 8o ed. São Paulo, 2008.

TAYLOR, S. J.; LETHAM, B. Forcast at Scale Prophet. PeerJ Preprints, p. 1–25, 2017.

ZHANG, G.; PATUWO, B. E.; HU, M. Y. [10] -zhang1998 - Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, v. 14, p. 35–62, 1998. Disponível em: encurtador.com.br/bhsxz

Publicado
2019-09-01