Please use this identifier to cite or link to this item: https://ric.cps.sp.gov.br/handle/123456789/36661
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNESPOLO, Renan Guilherme-
dc.contributor.authorFERREIRA, Alexander-
dc.contributor.otherRANGEL, Alexandre Leite-
dc.contributor.otherMEDEIROS, Luís Roberto-
dc.date.accessioned2025-10-13T22:52:10Z-
dc.date.available2025-10-13T22:52:10Z-
dc.date.issued2025-07-08-
dc.identifier.citationFERREIRA, Alexander. Previsão de commodity laranja utilizando métodos de regressão e ciência de dados, 2025.Trabalho de conclusão de curso (Curso Superior de Tecnologia em Big Data no Agronegócio). Fatec Jorge Caram Sabbag. Bebedouro, 2025.pt_BR
dc.identifier.urihttps://ric.cps.sp.gov.br/handle/123456789/36661-
dc.description.abstractO mercado de commodities é altamente relevante para a economia global, afetando diretamente setores estratégicos como agricultura, energia e metais. Sua natureza volátil decorre de múltiplos fatores externos, como instabilidades geopolíticas, mudanças climáticas e variações na oferta e demanda, o que torna essencial a análise contínua dos riscos futuros. Este estudo tem como objetivo principal avaliar o comportamento de duas técnicas de regressão — Ridge e LASSO — aplicadas à previsão de preços de commodities, com foco na laranja. Para isso, foram considerados dois elementos adicionais: o uso de pré-processamento com expansão polinomial e o impacto da janela temporal de treino sobre o desempenho dos modelos. A pesquisa foi conduzida utilizando a linguagem Python e a biblioteca scikit-learn, com validação cruzada (K-Fold) e métricas de avaliação como Erro Quadrático Médio (MSE) e Erro Absoluto Médio (MAE). Os resultados indicam que o modelo Ridge apresentou maior robustez frente à multicolinearidade introduzida pela expansão polinomial, enquanto o LASSO demonstrou maior sensibilidade, embora tenha se beneficiado da calibragem via validação cruzada. A análise comparativa entre os métodos revelou que a escolha adequada da técnica de regressão e do pré-processamento pode melhorar significativamente a capacidade de generalização dos modelos. Além disso, o estudo contribui para o debate sobre estratégias de mitigação de riscos em mercados voláteis, oferecendo subsídios práticos para investidores, empresas e formuladores de políticas públicas. Ao compreender os principais fatores que influenciam a volatilidade dos preços, é possível desenvolver modelos preditivos mais eficazes, capazes de apoiar decisões econômicas mais seguras e sustentáveis. Dessa forma, a pesquisa reforça a importância da integração entre métodos estatísticos e tecnologias emergentes na gestão de riscos financeiros em ambientes complexos. The commodity market plays a crucial role in the global economy, directly impacting strategic sectors such as agriculture, energy, and metals. Its volatile nature stems from multiple external factors, including geopolitical instability, climate change, and fluctuations in supply and demand, making the continuous assessment of future risks essential. The primary objective of this study is to evaluate the behavior of two regression techniques — Ridge and LASSO — applied to commodity price forecasting, with a specific focus on orange prices. Two additional elements were considered: the use of polynomial feature expansion during preprocessing and the influence of the training window size on model performance. The research was conducted using the Python programming language and the scikit-learn library, employing crossvalidation (K-Fold) and evaluation metrics such as Mean Squared Error (MSE) and Mean Absolute Error (MAE). The results indicate that the Ridge model demonstrated greater robustness in the face of multicollinearity introduced by polynomial expansion, while the LASSO model showed higher sensitivity, although it benefited from parameter tuning via cross-validation. The comparative analysis revealed that the appropriate choice of regression technique and preprocessing strategy can significantly enhance the generalization capacity of predictive models. Furthermore, the study contributes to the ongoing discussion on risk mitigation strategies in volatile markets, offering practical insights for investors, companies, and policymakers. By understanding the key factors that influence price volatility, it becomes possible to develop more effective predictive models capable of supporting safer and more sustainable economic decisions. Thus, the research reinforces the importance of integrating statistical methods and emerging technologies in financial risk management within complex environments.pt_BR
dc.description.sponsorshipCurso Superior de Tecnologia em Bigdata no Agronegóciopt_BR
dc.language.isopt_BRpt_BR
dc.publisher280pt_BR
dc.subjectAgronegóciopt_BR
dc.subjectPreços - Variaçãopt_BR
dc.subjectReduçãopt_BR
dc.subjectMétodospt_BR
dc.subjectLaranjapt_BR
dc.subjectAnálise de regressão e de correlaçãopt_BR
dc.subject.otherInformação e Comunicaçãopt_BR
dc.titlePrevisão de commodity laranja utilizando métodos de regressão e ciência de dadospt_BR
dc.typeMonografiapt_BR
dcterms.typeOutros...pt_BR
Appears in Collections:Trabalhos de Conclusão de Curso



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.