Modelo de markowitz na otimização de carteiras de investimentos usando o software r / Markowitz model in investment portfolio optimization using the r software

O Brasil apresentou mudanças significativas em sua matriz de energia elétrica nos últimos vinte anos, com a expansão das fontes de energia eólica e solar. No início dos anos 2000, com 70 gigawatts (GW) de capacidade, as hidrelétricas geravam 90% da eletricidade do país, enquanto a radiação solar e a velocidade do vento só geravam 1%. O presente e o futuro não apresentam e podem não apresentar o mesmo recorte da matriz brasileira, atualmente as energias eólicas e solares somam, aproximadamente, 25% da geração nacional. A presente pesquisa visou a aplicação de redes neurais com dados multivariados para a previsão da capacidade de geração de energia eólica brasileira. Contribuindo, desta forma, como ferramenta de apoio a decisão contemplando informações relevantes para os analistas, pesquisadores e participantes do mercado de energia renovável. Utilizou-se o volume monetário destinado a importação das principais componentes dos parques eólicos com algumas defasagens para prever a capacidade Instalada dos parques eólicos no Brasil. Os Testes de Causalidade Toda-Yamamoto evidenciaram causalidade Granger unidirecional, no sentido da variável de Importação para a variável de Capacidade Instalada brasileira para a produção de energia eólica. Outro resultado obtido foi a constatação de que a variável que mais importa na configuração multivariada da Rede Neural é variação da Capacidade Instalada em megawatts, seguida das variações das Importações de componentes para a produção de energia eólica com defasagem de 3 e 6 meses.

Anais do IX Simpósio de Engenharia de Produção - SIMEP 2021 (2318-9258) - Estudo De Caso De Uma Cessão De Campo De Óleo E Gás Natural: Uma Aplicação Da Teoria De Opções Reais

Anais do IX Simpósio de Engenharia de Produção - SIMEP 2021 (2318-9258) - Análise Do Consumo De Energia Elétrica No Setor Industrial Brasileiro: Uma Aplicação Dos Modelos De Alisamento Exponencial E Box & Jenkins

Muitas decisões tomadas em diferentes setores da economia dependem da previsão de séries macroeconômicas. Portanto, a aplicação de técnicas sofisticadas, como redes neurais, tem se mostrado uma estratégia viável para aumentar a precisão das previsões nesses casos e tornar as decisões mais congruentes. Este estudo teve como objetivos a implementação e avaliação de métodos de aprendizado de máquina, com foco em redes neurais, para a previsão de variáveis econômicas selecionadas. Para alcançar este objetivo foram construídos modelos de aprendizado de máquina lstm (long-short term memory). As variáveis selecionadas para a análise foram: a taxa de juros, o pib (sendo utilizado o produto industrial mensal para o seu cálculo mensal) e a inflação. A série temporal utilizada para a aplicação do modelo está no formato mensal dos períodos de 01/01/2002 até 01/03/2023. Após o treinamento e estruturação do modelo, calculou-se os valores dos erros (mae, mape e mse) do resultado de cada um. Cabe destacar que se testou diversas redes neurais lstm e observou-se que os modelos com múltiplas camadas de entradas possuem maior aderência e geram precisões mais assertivas.