Esta dissertação investiga a possibilidade de integração de Redes Neurais Artificiais (RNAs) e Método Estocásticos para previsão de séries temporais. O problema de previsão é geralmente abordado através de Métodos Estocásticos. Ultimamente, as RNAs têm sido muito utilizadas para a construção de previsores não lineares em diferente áreas de aplicações. Contudo, as arquiteturas da RNAs devem também ser parcimoniosas, ou seja, apenas considerar as entradas mais relevantes para realizar uma boa previsão. Assim, várias abordagens vêm sendo propostas para melhorar o projeto de arquitetura em problemas de previsão. Alguns exemplos destas abordagens são a combinação de RNAs e métodos Box 8c Jenkins, as técnicas de seleção usando métodos de poda de RNAs e modelos de RNAs com capacidade de processamento temporal. Além disso, as vantagens particulares dos previsores construídos seguindo tais abordagens podem ser combinadas através de comitês ou combinadores de previsão. Os experimentos desta dissertação foram realizados com dados sobre séries temporais de cotação de moedas e ações.

This work investigates the potential integration of Artificial Neural Networks (ANNs) and Stochastic Methods for time series prediction. The prediction problem is usually solved through stochastic methods. Recently, ANNs have been used in order to create nonlinear predictors in different arcas of application. However, the ANNs architecturcs should also be parsimonious, e. g., they should just consider the most relevant inputs so as to earry out good predietions. Therefore, severa] approaches have been proposed in order to improve the architecture design in this realm. Some examples of those approaches are the combination of ANNs the Box & Jenkins method, the variable seleetion teehniques using pruning methods and ANNs dynamic models with processing temporal skills. Besides, the particular advantages of each individual predictor that are created following those approaches can bc combined through a forecasting committee. The experiments of this dissertation were carried out using real-world data sets of exchange rate and stock markets time series.