VI SEMEAD

Ensaio
M.Q.I.

UMA BREVE DESCRIO DE ALGUMAS TCNICAS PARA ANLISE DE SRIES

TEMPORAIS: SRIES DE FOURIER, WAVELETS, ARIMA, MODELOS
ESTRUTURAIS PARA SRIES DE TEMPO E REDES NEURAIS.

Mauri Aparecido de Oliveira1

Luiz Paulo Lopes Favero2

Mestrando em administrao de empresas pela Faculdade de Economia, Administrao e Contabilidade da

Universidade de So Paulo FEA/USP. rea: Mtodos Quantitativos e Informtica. Engenheiro Mecnico (nfase em
Mecatrnica) pela Escola de Engenharia de So Carlos EESC/USP. E-mail: mauriao@usp.br.
2

Mestrando em administrao de empresas pela Faculdade de Economia, Administrao e Contabilidade da

Universidade de So Paulo FEA/USP. rea: Poltica de Negcios e Economia de Empresas. E-mail: lpfavero@usp.br

UMA BREVE DESCRIO DE ALGUMAS TCNICAS PARA ANLISE DE SRIES

TEMPORAIS: SRIES DE FOURIER, WAVELETS, ARIMA, MODELOS
ESTRUTURAIS PARA SRIES DE TEMPO E REDES NEURAIS3.
Resumo
Neste trabalho estamos interessados em fazer uma descrio das tcnicas mais empregadas para
anlise de sries temporais. Sero mostradas diferentes abordagens e suas particularidades no
tratamento das sries temporais. A idia no colocar as tcnicas como competidoras entre si mas
sim que podem ser muitas vezes usadas conjuntamente ou alternativamente para as anlises de
sries temporais. As descries no sero apresentadas com todo o rigor que normalmente
exigido em textos mais tcnicos, ou seja vrias consideraes probabilsticas, matemticas e
estatsticas podem ser consideradas faltantes para um leitor mais especializado no assunto. Nossa
pretenso apresentar de forma breve e sucinta as tcnicas que so utilizados para modelamento
e anlise das sries temporais e a importncia que desempenham na criao de estruturas
matemticas para representar o passado e prever o comportamento do futuro.
1. Introduo
Uma srie temporal pode ser definida como um conjunto de observaes de uma varivel
dispostas seqencialmente no tempo. A srie temporal pode ser classificada como determinstica
ou estocstica, quando os valores da srie podem ser escritos atravs de uma funo matemtica
y = f(tempo) diz-se que a srie estacionria, quando a srie envolve alm de uma funo
matemtica do tempo tambm um termo aleatrio y = f(tempo, ) chamamos a srie de
estocstica. Normalmente as sries temporais so analisadas a partir de seus principais
movimentos descritos como: tendncia, ciclo, sazonalidade e variaes aleatrias. Neste trabalho
vamos usar os termos sries temporais e sries de tempo como tendo o mesmo significado.
2. Anlise de Fourier Clssica
A anlise de Fourier uma das formas mais tradicionais para tratamento de sinais e sries
temporais. Esta tcnica foi criada por Jean Baptiste Joseph Fourier e publicada em 1822 no seu
trabalho intitulado Thorie Analitique de la Chaleur. Fourier dedicou-se na resoluo das
equaes diferenciais que regem a transferncia de calor utilizando uma tcnica de sries de
senos e cossenos (Srie de Fourier) para resolver seus problemas. Vamos restringir aqui nossas
explicaes para funes determinsticas peridicas. Uma funo, ou srie, dita peridica
quando f(t + p) = f(t), sendo p o perodo. A Figura-2.1 mostra sries que podem ser obtidas a
partir da combinao de senos e cossenos.
4

f(t) = sen(2t) cos(3t)

-2

-4
-7.0

-3.5

0.0
X

3.5

7.0

10

f(t) = 2 + sin(2t) + 4cos(3t) + sin(t) - 2cos(2t)

-5

-10
-10

-5

0
X

10

Figura-2.1 Sries formadas por funes de senos e cossenos

3

Agradecemos a colaborao do Prof. Dr. Jos O. Siqueira por todas as contribuies durante nossos estudos e em
particular no desenvolvimento deste trabalho.

Podemos adotar este procedimento para escrever uma srie f(t) genrica em termos de senos e
cossenos da seguinte forma:
f (t ) A a1 cos1t a2 cos 2t a3 cos 3t ... b1 sen1t b2 sen 2t b3 sen 3t ...
(2.1)

ou ainda como: f (t ) A ak cos kt bk sen kt . Portanto, surge a pergunta: Dada uma srie
k 1

f(t), definida em um certo intervalo, quais so os valores dos coeficientes A, ak e bk de

modo que a soma de senos e cossenos a represente? Estes valores, no intervalo , , so
1
1
1
f (t ) dt , ak f (t ) cos ktdt e bk f (t )sen ktdt .

2


Para que a srie no domnio do tempo seja convertida para o domnio da freqncia
expressos como sendo A

f t e

*
utilizada a transformada de Fourier (TF) dada por X f

i 2 f *t

dt , f representa

a freqncia e i 1 . Mudar para o domnio da freqncia importante porque na maioria

das vezes, a informao que no pode ser lida no domnio do tempo pode ser obtida no
domnio da freqncia.
Por exemplo, seja a srie x(t)=cos(2 10t)+ cos(2 25t) +cos(2 50t)+ cos(2 100t)
representada na Figura-2.2a4 a sua transformada de Fourier (TF) mostrando as freqncias
que a compem so representadas na Figura-2.2b. A Figura-2.2b tambm pode ser chamada
de espectro de freqncia da srie x(t).

(a)

(b)

Figura-2.2 Srie temporal mostrada em (a) e a sua transformada de Fourier em (b)

Para podermos prosseguir at o nosso prximo tpico chamado de transformadas de ondaletas ou

waveletes (TW) e entendermos melhor a sua necessidade vamos olhar mais atentamente para a
transformada de Fourier. A TF (bem como TW) uma transformada reversvel, ou seja, ela
permite ir para trs e para frente num processamento inicial (transformaes) dos sinais. Porm,
4

As Figuras 2.2a e 2.2b foram construdas utilizando-se o software Matlab v6.5, as linhas de comando so:
t = 0:0.001:0.6;
x = cos(2*pi*10*t)+cos(2*pi*25*t)+cos(2*pi*50*t)+cos(2*pi*100*t);
plot(x)
ylabel(' Funo x(t)')
xlabel('Tempo')
Y = fft(x,512);
Pyy = Y.* conj(Y) / 512;
f = 1000*(0:256)/512;
plot(f,Pyy(1:257))

apenas uma dessas alternativas disponvel para qualquer srie. Ou seja, no h informao de
freqncia disponvel no domnio do tempo da srie ou sinal, com isso no h informao de
tempo disponvel na transformada de Fourier do sinal. A questo natural que surge: o que
necessrio para ter ambos, a informao de tempo e de freqncia ao mesmo tempo? A resposta
para esta questo, depende em particular da aplicao e da natureza do sinal ou srie que temos.
Lembremos que a TF da a informao da freqncia do sinal, a qual significa que temos o quanto
de cada freqncia existe no sinal Figura-2.2b, mas isso no nos diz quando no tempo estas
componentes freqnciais existem. Esta informao no necessria quando o sinal
estacionrio. O conceito de estacionariedade importante, vamos analisado mais detidamente.
Sinais cujo contedo de freqncia no mudam no tempo so chamados de estacionrios.
Um processo X(t) estacionrio se ele se desenvolve no tempo, de modo que a escolha de uma
origem dos tempos no seja importante, as caractersticas probabilsticas de X(t + ), para todo
T , so as mesmas de X(t) [Morettin/1999]. Em outras palavras, o contedo de freqncias
dos sinais estacionrios no mudam no tempo. Neste caso, ns no precisamos saber em quais
tempos os componentes freqnciais existem, desde que nesse caso o que acontece que todos os
componentes freqnciais existem o tempo todo.
No caso de sries no-estacionrias a concluso que a transformada de Fourier pode ser usada
em sinais no estacionrios, apenas se estivermos interessados em qual o espectro de
componentes existe no sinal, mas no interessa quando estes ocorrem. Porm, se esta informao
necessria, isto , se ns queremos saber, qual o componente espectral que ocorre em qual
tempo (intervalo), ento a transformada de Fourier no a transformada correta para ser
utilizada.
3. Anlise de Ondaletas (Wavelets)
A transformada de ondaleta ou wavelet (TW) capaz de fornecer a informao de tempo e de
freqncia simultaneamente, conseqentemente dando a representao de freqncia-tempo da
srie. Nesse ponto vale lembrar o princpio da incerteza de Heisenberg. Ns no podemos
exatamente saber qual freqncia existe em um dado instante de tempo, mas apenas podemos
saber quais bandas de freqncia existem em determinados intervalos de tempo.
A freqncia e a informao do tempo de uma srie em certo ponto no plano freqncia-tempo
no podem ser conhecidos. Em outras palavras: ns no podemos saber qual o componente
espectral existe em qualquer dado instante de tempo. Este um problema para se resolver, e esta
a principal razo pela qual pesquisadores tem mudado das transformadas de Fourier para a TW.
A anlise de ondaletas tem sido utilizada em vrios ramos da cincia, em economia sua principal
aplicao encontra-se na econometria no tratamento de sries temporais utilizadas para realizar
previso [Torrence/1998] [Morettin/1999].
A transforma de wavelet contnua TWC uma ferramenta excelente para mapear as mudanas de
propriedades em sries no estacionrias. Sua expresso dada por:

1
t

TWC f , s
f t
(3.1)
dt s, , s 0

s
s
Onde f t a srie que estamos utilizando, os parmetros e s so chamados de translao e
escala, respectivamente. Psi(t) uma funo chamada de ondaleta me, sendo
1/ 2
t
s , t s

(3.2)
s, , s 0
s

usualmente so tomados valores especiais para e s: s 2 j , k 2 j , j , k .

A ondaleta-me funciona como uma janela de abertura finita percorrendo a funo f(t) - suporte
compacto. A translao est relacionada a posio da janela, ou seja a posio que a janela
assume atravs do sinal. A escala s refere-se ao comprimento da abertura da janela.
Srie no estacionria gerada com cem valores
Time Signal
Time Signal

Time Signal
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
0,11
0,12
0,13
0,14
0,15
0,16
0,17
0,18
0,19
0,2
0,21
0,22
0,23
0,24

0
-0,5877852
0,95105651
-0,9510565
0,58778527
-2,154E-08
-0,5877852
0,95105651
-0,9510565
0,58778528
-4,308E-08
-0,5877852
0,9510565
-0,9510565
0,5877853
-6,462E-08
-0,5877852
0,95105649
-0,9510565
0,58778532
-8,616E-08
-0,5877852
0,95105649
-0,5877853
0,9510565

26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50

0,25
0,26
0,27
0,28
0,29
0,3
0,31
0,32
0,33
0,34
0,35
0,36
0,37
0,38
0,39
0,4
0,41
0,42
0,43
0,44
0,45
0,46
0,47
0,48
0,49

5,3847E-08
-0,9510565
0,58778521
0,5877853
-0,9510565
-6,462E-08
0,95105654
-0,5877852
-0,5877853
0,95105649
7,5386E-08
-0,9510565
0,58778519
0,58778532
-0,9510565
-8,616E-08
0,95105654
-0,5877852
-0,5877853
0,95105649
9,6924E-08
-0,9510565
0,58778517
0,58778534
-0,9510565

51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75

0,5
0,51
0,52
0,53
0,54
0,55
0,56
0,57
0,58
0,59
0,6
0,61
0,62
0,63
0,64
0,65
0,66
0,67
0,68
0,69
0,7
0,71
0,72
0,73
0,74

5,3847E-08
-0,809017
-0,9510565
-0,309017
0,58778521
1
0,5877853
-0,3090169
-0,9510565
-0,809017
-6,462E-08
0,80901696
0,95105654
0,30901706
-0,5877852
-1
-0,5877853
0,30901693
0,95105649
0,80901704
7,5386E-08
-0,8090169
-0,9510565
-0,3090171
0,58778519

Time Signal
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100

0,75
0,76
0,77
0,78
0,79
0,8
0,81
0,82
0,83
0,84
0,85
0,86
0,87
0,88
0,89
0,9
0,91
0,92
0,93
0,94
0,95
0,96
0,97
0,98
0,99

-0,7071068
-0,9510565
-0,9876883
-0,809017
-0,4539905
-4,308E-08
0,45399046
0,80901697
0,98768833
0,95105653
0,70710681
0,30901704
-0,1564344
-0,5877852
-0,8910065
-1
-0,8910065
-0,5877853
-0,1564345
0,30901695
0,70710675
0,9510565
0,98768835
0,80901703
0,45399055

Tabela-3.1 Valores de uma srie no estacionria

A Figura-3.3 a representao grfica de uma srie no estacionria obtida a partir dos dados da
Tabela-3.1.
Generated Signal

0.75

0.75

0.5

0.5

0.25

-0.25

-0.25

-0.5

-0.5

-0.75
-1

-0.75

0.2

0.4

0.6

0.8

Time

Figura-3.3 Plotagem dos dados da srie no estacionria da Tabela-3.1

-1

S ig n a l

S ig n a l

0.25

Na Figura-3.45 temos a aplicao da TW sobre a srie no estacionria da Tabela-3.1.

As ondaletas so localizadas no tempo (ou espao), contrariamente do que ocorre com as funes
trigonomtricas. Esse comportamento torna-as ideais para analisar sinais no estacionrios,
contendo transitoriedades e estruturas tipo fractais. Bases de Fourier so localizadas em
freqncia, mas no no tempo: pequenas mudanas em algumas das observaes podem provocar
mudanas em todas as componentes de uma expanso de Fourier, o que no acontece com uma
expanso em srie de ondaletas [Morettin/1999].
Generated Signal
Continuous Wavelet Time-Frequency Spectrum

Int=PSD TISA

0.125
0.1
0.075
0.05
0.025

0.1
0.075
0.05
0.025

Int=PSD TISA

0.125

Figura-3.4 Transformada wavelet da srie no estacionria mostrada na Figura-3.3

4. Modelos ARIMA e Abordagem de Box e Jenkins

Durante a dcada de 1960 os professores George E. P. Box e Gwilym M. Jenkins escreveram
diversos trabalhos sobre a teoria de controle e anlise de sries temporais. Em 1970 publicaram o
livro Time Series Analysis, forecasting and control apresentando uma metodologia para a anlise
de sries temporais e em 1976 foi lanada a verso revisada desse livro e que normalmente a
mais mencionada, o grande mrito desse trabalho foi reunir as tcnicas existentes numa
metodologia para construir modelos que descrevessem com preciso e de forma parcimoniosa o
processo gerador da srie temporal, proporcionando dessa forma previses acuradas de valores
futuros.
A metodologia de Box-Jenkins estima modelos de sries temporais da forma:
yt 0 1 yt 1 L p yt p t 1 t 1 L q t q
(4.1)
Nesta equao temos que o termo 0 representa uma constante no modelo estimado, 1 at p
so parmetros que ajustam os valores passados de yt do instante imediatamente anterior at o
mais distante representado por p. Os valores de representam uma seqncia de choques
aleatrios e independentes uns com os outros, t uma poro no-controlvel do modelo
chamado normalmente de rudo branco. Os parmetros 1 at q possibilitam escrever a srie
5

A Figura-3.4 foi construda utilizando-se o software Autosignal v1.6 da Systat.

em funo dos choques passados. Em geral cada t considerado como tendo distribuio
normal, mdia zero, varincia constante e no-correlacionados. Em linguagem estatstica,
considerando que E x denota a mdia terica do valor de x, a seqncia t considerada um

processo rudo branco se para cada perodo de tempo t tivermos: (i) E t E t 1 L 0 ,

mdia

zero;

E t j . t j s

2
t21 L 2 , varincia constante;
(ii) E t E
L 0 , covarincia nula para todo valor de s.

(iii)

E t . t s

A equao (4.1) representa um modelo denominado como autoregressivo integrado de mdia

mvel, ou simplesmente ARIMA. Podemos escrever a equao (1) tambm com o seguinte
p

i 1

i 0

formato: yt 0 i yt i i t i , sendo 0 1 . Chamamos de modelo autoregressivo

p

quando podemos escrever uma srie temporal na forma yt 0 i yt i t , ou seja a srie yt

i 1

escrita a partir dos seus valores passados. Escrevendo a srie em termos dos seus choques
q

aleatrios temos o modelo de mdia mvel, ou seja yt i t i , onde 0 1 .

i 0

Agora considere a srie, yt 0 1 yt 1 t quando 0 0 e 1 1 esse modelo conhecido

como passeio aleatrio ou random walk, uma das caractersticas desse modelo violar a
condio de estacionariedade.
Um modelo estacionrio se para todo t e t-s tivermos: (i) E yt E yt s , mdia constante;
2
yt s 2 y2 , varincia constante; (iii) E yt yt s
(ii) E yt E

E yt s yt j s s , covarincia constante.
Muitas vezes para tornar uma srie estacionria precisamos utilizar um recurso chamado

diferenciao usando o operador , sendo que dj 1 Lj

j
e L yt yt j . Quando yt uma

srie temporal I(d) e depois de diferenciar d vezes ela pode ser modelada usando um modelo
AR(p), este modelo para yt pode ser escrito como [Franses/1998]:
1d yt 1 1d yt 1 K p 1d yt p t , t=p+d, p+d+1, ..., n
(4.2)
O modelo representado por (4.2) normalmente abreviado por ARI(p,d), ou seja autoregressivo
de ordem p e integrado de ordem d. Quando uma srie temporal apresenta uma tendncia
provavelmente ela poder ser representada por um modelo integrado ARI, ARIMA ou IMA.
importante destacar que os modelos ARIMA no apresentam especificidade grfica, somente
plotando a srie temporal no possvel identificar qual o modelo que a representa.
Para que possamos determinar qual o modelo da famlia ARIMA que melhor representa a srie e
que poder ser utilizado para fazer as previses, podemos seguir as seguintes etapas [Yim/2001]:
Identificao do
Modelo

Estimao

Na etapa de identificao queremos saber:

Verificao ou
diagnstico

Previso

AR
MA
ARMA
ARIMA

yt

p
q
p,q
p,d,q

Qual a ordem do modelo, ou seja quais

os valores de

M
Na identificao dos modelos so utilizados dois recursos : as funes de auto-correlao (FAC) e
as funes de auto-correlao parciais (FACP). A funo de auto-correlao (FAC) de uma srie
yt definida por k C ov yt , yt k / Var yt k / 0 , onde k a auto-covarincia de k-sima
ordem de yt , ou seja

k E yt yt k , k = ..., -2,-1,0,1,2,...
(4.3)
Dada a equao (4.3) podemos verificar que 0 1 , k k e que 1 k 1 . A FAC til
para caracterizar modelos ARMA, um exemplo simples a srie rudo branco t para a qual
E t 0 e k 0 para todo k 0 . Para o modelo AR(1) dado por yt 1 yt 1 t ,
t=2,3,...,n podemos escrever que E yt 1 E yt 1 E t 1 1 1 E yt 1 . Para
que o processo AR(1) seja convergente necessitamos 1 1 , sendo assim a esperana de yt
pode ser escrita como E yt 1 1 L
vamos iniciar calculando a varincia

1 1 . Para calcular a FAC do processo AR(1)

0 E yt E yt yt E yt , que pode ser escrita
1

alternativamente como 0 E yt

E t 2 dessa

forma

expresso

2
2

E t 1 t 1 1 t 2 ... . Sabemos que

da

varincia

pode

ser

simplificada

para

2
4
2
. A auto-covarincia para uma srie temporal
0 2 1 1 1 ... 2 1 1

2
2
AR(1) dada por 1 1 / 1 1 , com isso temos que o primeiro valor da FAC

1 1 / 0 1 . Para calcular todos os valores k precisamos considerar a seguinte expresso

k
2
2
para o modelo AR(1) E yt yt k 1 / 1 1
o que resulta em
k
k 1 k 1 1 . Como 1 1 a FAC exponencialmente declinante.
Para calcular a FACP podemos utilizar o sistema de equaes de Yule-Walker:
Para a FACP de primeira ordem temos que 11 1
e para a FACP de segunda 22

2 1
1 1

1 1 2 1 K k k 1
2 1 1 2 K k k 2
M
k 1 k 1 2 k 2 3 k 3 K k

A partir da terceira ordem podemos utilizar a recurso:

k 1

kk k k 1, j k j . 1 k 1, j k
j 1
j 1

k 1

, sendo k=3,4,5,...

Para um modelo AR(1) determinamos 11 a partir da primeira auto-regresso e achamos 11 11

na segunda auto-regresso teremos que 22 22 0 e assim por diante tendo que para todos os
outros valores kk 0 . Portanto, no modelo AR(1) temos apenas 11 0 , para k > 1 kk 0 .
Generalizando para um modelo AR(p) teremos kk 0 para k p e kk 0 nos casos k > p, ou
seja a FACP truncada na ordem p. Resumidamente a Tabela-1 apresenta o comportamento das
funes de auto-correlao para os modelos ARMA [Yim/2001].
Modelo
FAC
FACP
AR
declinante
truncada em p
MA
truncada em q
declinante
ARMA
declinante
declinante
Tabela-4.1 Comportamento da FAC e da FACP para os modelos ARMA

Na Figura-4.1 vemos os possveis padres de comportamento da FAC e da FACP para o modelo

AR(1).

kk

k
0

k
3

0 1

kk

Figura-4.1 Funes de autocorrelao FAC e FACP de um modelo AR(1)

Na etapa de estimao precisamos estimar os parmetros s do modelo AR, os parmetros s

2
do modelo MA e a varincia do erro . A estimao pode ser feita utilizando-se o mtodo dos
mnimos quadrados ou mxima verosimilhana. A srie temporal yt pode ser escrita como um
modelo ARIMA(p,d,q) se esta srie for no-estacionria podemos aplicar o operador diferena
d
nessa srie para torna-la estacionria na mdia, escrevendo uma nova srie wt yt , por
2
exemplo yt 1 yt 1 yt 1 2 yt yt 1 . O modelo a partir de wt permite que possa
escrever
a
srie
diferenciada
com
a
amostra
de
dados
como
sendo
w1 1 w0 1 w0 K p w p 1 1 1 0 2 1 K q q 1 .
De
forma
abreviada

B wt B t , onde B o operador backward, isolando o termo erro ficamos com

t 1 B B wt . Para realizar a estimao pelo mtodo dos mnimos quadrados devemos

2
minimizar t . No caso da estimao por mxima verosimilhana necessitamos da hiptese de

2
d
normalidade sobre a distribuio de wt yt , ou seja t : N 0, wt : N 0, e a
T
2

.exp w` 1 w . Depois da etapa de

2

estimao necessrio realizar a verificao ou diagnstico que compreende: a verificao dos

parmetros estimados, anlise dos resduos e anlise dos critrios de informao. Os critrios de
informao mais utilizados so o Akaike information criterion (AIC) e o Schwartz Bayesian
funo que ser otimizada L ; ; ; w 2

2
ln T
p q e SBC = ln 2
p q , onde T
T
T
o nmero de observaes usadas. O SBC tambm conhecido como Bayesian information
criterion (BIC). Idealmente, o AIC e o SBC devero ser os menores possveis podendo assumir
valores negativos, sendo que ambos medem o quanto o modelo estimado se ajusta aos dados.
Na etapa final, a de previso, dada uma srie y1 , y2 ,..., yt queremos prever os valores yt 1 , yt 2
at yt s . O interesse agora est concentrado em encontrar o previsor timo yt s , ou seja aquele
2
criterion (SBC), calculados como: AIC = ln

que minimiza o erro quadrtico mdio da previso: min E yT s yT s E eT2 s .

Quando fazemos previso temos o problema da perda de informaes a medida que avanamos
em tentar prever os valores mais adiante no tempo. Isto pode ser visto claramente usando-se, por
exemplo um modelo ARMA(2,3) dado por wT 1 wT 1 2 wT 2 T 1 T 1 2 T 2 3 T 3 .
Atualizando um perodo ficamos com wT 1 1 wT 2 wT 1 T 1 1 T 2 T 1 3 T 2 para
2

1
obtermos o previsor de wT um passo a frente, denotado por w T precisamos tomar a esperana
condicionada at o instante T da srie atualizada, o que resulta em
w T1 1 wT 2 wT 1 0 1 T 2 T 1 3 T 2 sendo que o valor zero nessa expresso representa
uma perda de informao, devido ao conjunto de informaes estar condicionado at o instante T
(ou seja: ET T 1 0 ).
Continuando desta maneira, na determinao do valor da srie para dois passos frente teremos a
seguinte expresso wT 2 1 wT 1 2 wT T 2 1 T 1 2 T 3 T 1 , o previsor condicionado
s informaes at o instante T obtido aplicando o operador esperana condicionada em ambos
os lados desta equao: ET wT 2 ET 1 wT 1 2 wT T 2 1 T 1 2 T 3 T 1 que resulta
2
1
em w T 1 w T 2 wT 2 T 3 T 1 , nota-se que a medida que avanamos em tentar prever o
futuro, ou seja determinar o valor da srie s passos frente, perdemos informaes referentes aos
choques aleatrios e a nossa previso passa a ser uma funo de outra previso, isso quer dizer
que o poder prditivo vai ficando mais pobre.

5. Modelos Estruturais para Sries de Tempo

Uma outra tcnica alternativa metodologia de Box e Jenkins para anlise de sries temporais foi
desenvolvida por Andrew Harvey. Nesse caso a srie yt considerada como sendo composta por:
tendncia t , ciclo t , sazonalidade t e erro t .
yt t t t t
(5.1)

Harvey faz aplicao do filtro de Kalman para estimar os componentes

e .
O filtro de Kalman um algoritmo computacional iterativo desenvolvido para realizar previses e
prever varincias de modelos de sries de tempo. Pode ser aplicado para qualquer modelo de
srie de tempo que possa ser escrita na forma de espao de estado. Quase todos os modelos
convencionais de sries de tempo podem ser escritos nesta forma [Harvey/1989].
A forma de espao de estado definida a partir das equaes (5.2), (5.3), (5.4) e (5.5) e das
hipteses (5.a) e (5.b):
yt zt . t t
t m 1 e zt 1 m
(5.2)

Na Equao-5.2, t representa o vetor de estado que pode ser observvel ou no. E zt relaciona y
ao vetor de estado.
E t 0; Var t ht
(5.3)
A Equao-5.4 chamada de equao de transio fornece a evoluo do vetor de estado ao
longo do tempo.
t Tt . t 1 t
(5.4)
Tt uma matriz m m .
E t 0;

Var t Qt

(5.5)

Hiptese (5.a): o vetor de estado inicial 0 tem mdia a0 e matriz de covarincia P0 .

Hiptese (5.b): Os termos aleatrios t e t so no-correlacionados entre si e nocorrelacionados com o vetor de estado inicial.
O software Structural Time Series Analyser, Modeller and Predictor (Stamp) foi desenvolvido
especificamente para trabalhar com o modelamento estrutural de sries temporais.
A tcnica de anlise estrutural uma alternativa para resolver alguns problemas da abordagem
dos modelos ARIMA: a necessidade de estacionariedade, nem todas as sries podem ser
diferenciadas e quando diferenciamos uma srie perdemos algumas caractersticas interessantes
da srie; com relao ao processo de identificao pela FAC e FACP, caso a srie tenha uma
amostra pequena de dados e estes apresentem sazonalidade os modelos identificados podem ser
precrios com relao ao seu poder de previso.
6. Processamento Temporal utilizando Redes Neurais Artificiais
Uma rede neural um processador maciamente paralelamente distribudo de unidades de
processamento simples, que tem a propenso natural para armazenar conhecimento experimental
e torn-lo disponvel para o uso. Ela se assemelha ao crebro em dois aspectos: (1) o
conhecimento adquirido pela rede a partir de seu ambiente atravs de um processo de
aprendizagem; (2) foras de conexes entre neurnios, conhecidos como pesos sinpticos, so
utilizados para armazenar o conhecimento adquirido [Haykin/1999].
Uma das principais aplicaes das redes neurais artificiais (RN) tem sido no reconhecimento de
padres temporais e previso, para isso utilizada uma arquitetura de rede denominada como
rede neural recorrente. A caracterstica da RN recorrente possuir um ou mais laos de
realimentao. A Figura-1 representa uma RN recorrente para aproximao de um modelo
ARMA no-estacionrio conhecidoycomo
NARMA(p,q) [Drossu/1996].
t 1
11
yt 2
wmw
1
w12
AR(p)
w
M m2
yt p
w1
w1 p
wmp

z 1

t 1
t 2

z 1

t q

MA(q)

yt

w11*
wm* 1
w*12*
wm 2
*
M
w1q
1
*
wmq
m
1
t yt yt 1

wm

Figura-6.1 Rede neural recorrente para predio de um processo no-estacionrio NARMA(p,q)

Para o modelo representado na Figura-6.1 temos que a sada yt dada pela equao-6.1
q
m
p

yt h yt 1,K , yt p , t 1,K , t q Wi . f wij yt j wij* yt j yt j i

(6.1)
i 1
j 1
j 1

sendo que f representa uma funo no-linear suave, Wi so os pesos entre os neurnios da
camada intermediria (ou escondida) e de sada, wij so os pesos entre as entradas externas e a
*
camada escondida, wij so os pesos entre a primeira camada de neurnios com entradas de retroalimentao (recorrentes) e a camada de neurnios escondidos, i so os termos que modificam
as sadas dos neurnios da camada escondida (tambm chamados de bias ou vis) e o bias
do neurnio de sada.
A grande vantagem de se usar RN est na sua capacidade de trabalhar com no-linearidade. De
forma bem simplificada, as sries temporais econmicas podem ser chamadas de no-lineares
quando grandes choques tem um impacto maior do que pequenos choques no sentido de que o
impacto de um choque no proporcional a sua extenso [Franses/1998]. Tem-se provado que as
redes neurais apresentam caractersticas de aproximadores universais, isso quer dizer uma rede
neural pode capturar qualquer tipo de comportamento, no importando o quo complexo ele seja.
No entanto, a maior fraqueza do modelamento neural a falta de procedimentos estabelecidos
para realizar testes para modelos no especificados e testes de significncia estatstica para os
vrios parmetros que foram estimados [Refenes/1997].

7. Bibliografia
BOX, G. E. P. & JENKINS, G. M.. Time Series Analysis: forecasting and control. San Francisco,
Holden-Day, 1976.
DROSSU, R. and OBRADOVIC, Z.. Rapid design of neural networks for time series prediction,
IEEE vol.3, no.2, p78-89, 1996.
ENDERS, W. Applied econometric time series. Wiley, 1995.
FISCHER, S. Sries univariantes de tempo metodologia de Box & Jenkins. Porto Alegre FEE,
1982.
FRANSES, P. H. Time Series models for business and economic forecasting, Cambridge, 1998.
HARVEY,A.C.Forecasting,structuraltimeseriesmodelsandtheKalmanfilter,1989.
HAYKIN, S. Neural networks: a comprehensive foundation. Prentice Hall, 1999.
MORETTIN, P. A. Ondas e ondaletas: da anlise de Fourier anlise de ondaletas. EDUSP, 1999.

REFENES, A. N., BURGESS, A.N. and BENTZ, Y. Neural networks in financial engineering: a
study in metodology, IEEE vol.8, no. 6, November, 1997.
TORRENCE, C. and COMPO, G. A practical guide to wavelet analysis, Bulletin of the
American Meteorological Society, v.79, no.1, p.61-78, January, 1998.
YIM, J. Previso de Sries de Tempo: Modelos ARIMA, Modelos Estruturais e Redes Neurais
Artificiais. Dissertao (Economia) - Universidade de So Paulo, 2001.