000			02173n a2200289#a 4500
001			40180
003			P5A
005			20230123132003.0
007			cr cuuuuuauuuu
008			210928s2021 bl por d
035			_aocm51338542
040			_aP5A _cP5A
090			_atimpa
100	1		_aFigueiredo Neto, Mario de Mello _91278
245	1	0	_aFitting and Forecasting Brent and WTI future prices curve using Machine Learning/ _cMario Figueiredo.
260			_aRio de Janeiro: _bIMPA, _c2021.
300			_avideo online
500			_aDefesa de Tese - Dissertação de Mestrado.
500			_aBanca examinadora: Yuri Saporito (IMPA-FGV) Paulo Orenstein (IMPA) Fernando Aiube (UERJ) Suplente: Rodrigo Targino (IMPA-FGV)
505	1		_aResumo: Nesse trabalho, nós ajustamos os modelos Nelson-Siegel dinâmico e Schwartz-Smith de três fatores à curva de preços futuros do Brent e do WTI. Também estudamos a previsão de preços um dia à frente para toda a curva para cada modelo. Para isso, utilizamos duas abordagens diferentes: por OLS (minimização do erro quadrático) e por Filtragem. Para o modelo Nelson- Siegel dinâmico, nós utilizamos o passeio aleatório, o VAR e modelos baseados em LSTM, incluindo uma versão de LSTM com filtragem (LSTM-KF). Para o modelo de Schwartz-Smith de três fatores, utilizamos as equações que são dadas pelo modelo, assumindo não arbitragem. Nós também testamos um método de previsão a partir da curva diretamente, a que referimos como Basic Model. Nós mostramos que o modelo de Nelson-Siegel dinâmico foi o melhor no ajuste de dados em comparação com o de Schwartz-Smith e que a utilização de LSTM na abordagem OLS gerou as melhores previsões .
650	0	4	_aMatematica. _2larpcal _919899
697			_aTeses do IMPA _924311
700	1		_aSaporito, Yuri _u(IMPA) _eorientador _98522
711	2		_aDefesa de Tese _910070
856	4		_zVIDEO _uhttps://bit.ly/3kLr2M7
942			_2impa _cVIDEO
999			_aFITTING and Forecasting Brent and WTI future prices curve using Machine Learning. Mario Figueiredo. Rio de Janeiro: IMPA, 2021. video online. Disponível em: <https://bit.ly/3kLr2M7>. Acesso em: 28 set. 2021. _c38821 _d38821