Diversas metodologias são empregadas para realizar a análise de séries temporais, dentre as quais destaca-se o uso das redes neurais artificiais (RNA). Neste trabalho são utilizados quatro métodos para realizar previsão de séries temporais univariadas: os modelos ARIMAGARCH, RNA feedforward, RNA treinada com filtro de Kalman estendido (EKF) e RNA treinada com o filtro de Kalman unscented (UKF). Sendo que o uso de RNA-UKF é um avanço recente na área de sistemas de inteligência computacional. O uso de redes neurais treinadas com filtro de Kalman é uma metodologia que tem trazido bons resultados em uma ampla variedade de aplicações nas áreas comercial, militar e científica. Em 2002 aproximadamente 250 bilhões de dólares eram gerenciados em fundos de investimentos por modelos quantitativos (tais como lógica fuzzy, redes neurais, algoritmos genéticos, fractais e modelos de Markov). Desde 2006 estima-se que três em cada dez destes fundos utilizem estes modelos quantitativos. A capacidade das RNA em lidar com não linearidades é uma vantagem normalmente destacada quando são realizadas previsões de séries temporais. São apresentadas simulações de Monte Carlo que mostram a influência dos parâmetros dos modelos ARIMA-GARCH na predição de redes neurais artificiais do tipo feedforward, treinadas com o algoritmo de Levenberg-Marquardt. Pelos resultados obtidos verificou-se que a RNA feedforward realizou melhores previsões a medida que o parâmetro ligado a estacionariedade aumenta. Também é aplicada a teoria para construção de intervalos de predição (IP) e de confiança (IC) para RNA feedforward. As séries temporais analisadas são univariadas e compostas de dados reais do setor financeiro (Bradesco PN, Bradespar PN, Itausa PN e Itaú PN), setor de alimentos (Perdigão PN, Sadia PN, Saca da Soja de 60Kg e Saca de Açúcar de 50Kg), setor industrial (Marcopolo PN, Petrobrás PN, Embraer ON, Ripasa PN, Souza Cruz ON e Gerdau PN) e setor de serviços (Pão de Açúcar PN, Eletropaulo PNA, Eletrobras PNB, Brasil Telecom PN, Cesp PNA e Lojas Americanas PNA). Os resultados obtidos mostram que a RNA-UKF apresentou-se superior quando comparada com as técnicas concorrentes.

Many techologies has been applied to time series analysis, among these artifitial neural networks (RNA). In this work, four methods are used to univariate time series forecasting: ARIMA-GARCH, RNA feedforward, RNA trained using extended Kalman filter (EKF) and RNA trained using unscented Kalman filter (UKF). RNA-UKF is a recent method in computational intelligence field. The use of neural networks trained using Kalman filter is a methodology that has brought good results in a wide variety of applications such as commercial, military and scientific field. In 2002 approximately 250 billions of dollars were managed in investiment funds by quantitative models (such as fuzzy logic, neural networks, genetic algorithms, fractals and Markov models). Since 2006 it is estimated that three in ten investiment funds use these quantitative models. The RNA power to deal with non linearities is a highlited advantage when time series forecasting are performed. This work presents Monte Carlo simulations showing the ARIMA-GARCH parameters influence in the feedforward artifitial neural networks predictions, trained with Levenberg- Marquardt algorithm. According to the results, RNA feedforward performed best forecasts to the extent stacionarity parameter increase. Moreover, the theory for confidence (IC) e prediction (IP) intervals are applied to RNA feedforward. This work presents analysis to real data univariate time series from financial sector (Bradesco PN, Bradespar PN, Itausa PN and Itaú PN), food sector (Perdigão PN, Sadia PN, Soybean 60Kg and Sugar 50Kg), factory sector (Marcopolo PN, Petrobrás PN, Embraer ON, Ripasa PN, Souza Cruz ON and Gerdau PN) and service sector (Pão de Açúcar PN, Eletropaulo PNA, Eletrobras PNB, Brasil Telecom PN, Cesp PNA and Lojas Americanas PNA). The results showed RNA-UKF upper hand when compared with the competitors techniques.