Introdução
Historicamente, métodos estatísticos como ARIMA, ETS, MSTL, Theta e CES têm sido confiavelmente empregados em diversos domínios. Na última década, modelos de aprendizado de máquina como XGBoost e LightGBM ganharam popularidade. Agora, podemos entrar em uma nova fase na era da previsão: o uso da IA Generativa para a previsão de séries temporais. Neste exercício, demonstramos de forma introdutória o TimeGPT e criamos um exemplo usando o Ibovespa.
Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.
Previsão e IA Generativa
A previsão é um processo vital em diversos campos, desde o mundo dos negócios até estudos ambientais, permitindo antecipar resultados futuros com base em dados do passado. Nesse processo, utilizam-se dados históricos para identificar padrões, tendências ou regularidades, e então projetar esses padrões para o futuro. Por exemplo, um varejista pode analisar dados de vendas passadas para prever a demanda futura por um produto, um economista pode utilizar indicadores econômicos anteriores para antecipar as condições econômicas futuras e um meteorologista pode usar dados meteorológicos passados para prever padrões climáticos futuros.
Ao longo das décadas, a área de previsão tem sido objeto de estudo intenso, resultando na construção de diversos modelos estatísticos. Nas últimas décadas, os modelos de aprendizado de máquina também têm apresentado resultados satisfatórios. No entanto, em um mundo dinâmico, nenhum tipo único de modelo pode ser considerado dominante em todas as situações.
Recentemente, a área da inteligência artificial generativa ganhou destaque com o lançamento de diversos sistemas de linguagem baseados em Large Language Models (LLM). Esses sistemas oferecem a capacidade de melhorar a produtividade em uma variedade de tarefas. Não obstante, a possibilidade de aplicar esses avanços na entrega de previsões não está distante da realidade. Com o desenvolvimento contínuo nessa área, é possível vislumbrar um futuro onde a inteligência artificial generativa desempenhe um papel significativo na produção de previsões precisas e úteis em diversos domínios.
TimeGPT
TimeGPT é uma ferramenta avançada de previsão de séries temporais, capaz de identificar padrões e tendências relevantes, capacitando-o a realizar previsões precisas sobre o futuro. Sua flexibilidade permite adaptar-se a uma variedade de séries temporais, independentemente de sua complexidade ou características específicas. Em contraste com modelos de linguagem, como o LLM, o TimeGPT é otimizado exclusivamente para tarefas de previsão, o que significa que é treinado especificamente para minimizar erros nesse contexto.
Além disso, sua capacidade de lidar com diferentes frequências e características das séries temporais o torna altamente versátil em uma variedade de cenários de previsão. Isso porque foi treinado em uma coleção de séries temporais publicamente disponíveis, abrangendo coletivamente mais de 100 bilhões de pontos de dados.
Esse conjunto de treinamento incorpora séries temporais de uma ampla variedade de domínios, incluindo finanças, economia, demografia, saúde, clima, dados de sensores IoT, energia, tráfego na web, vendas, transporte e bancos. Devido a essa ampla variedade de domínios, o conjunto de dados de treinamento contém séries temporais com uma ampla gama de características.
Com base nesse amplo conjunto de dados, o TimeGPT adquire uma compreensão abrangente de uma variedade de séries temporais não vistas, capacitando-o a realizar projeções precisas para o futuro. Isso é possível através da assimilação da série temporal no código, permitindo que o modelo extrapole com confiança para pontos futuros.
Para ver mais informações sobre a biblioteca veja aqui e aqui.
Estudo de caso: previsão do Ibovespa
A previsão de índices acionários e preços de ações é um dos maiores desafios do mercado financeiro, principalmente devido aos "passeios aleatórios" dessas séries. Uma alternativa é prever os retornos, mas isso também apresenta desafios, como riscos de cauda e alta volatilidade, característicos dos mercados financeiros.
Diante desse cenário, avaliamos o uso do TimeGPT para projetar o principal índice acionário do Brasil: o Ibovespa. Para isso, coletamos dados mensais do preço de fechamento do ticker ^BVSP, disponíveis no Yahoo Finance, no período de janeiro de 2010 a fevereiro de 2025.
Com o TimeGPT, geramos o seguinte gráfico da série histórica:
A partir de poucas linhas de código, criamos uma previsão fora da amostra para os próximos 12 meses. O resultado pode ser visto abaixo:
Mas como saber se essa previsão é realmente boa? Para isso, precisamos comparar com dados de treino e teste. No gráfico abaixo, utilizamos um conjunto de teste composto pelas últimas 12 observações (fevereiro de 2024 a fevereiro de 2025) e um conjunto de treino que abrange do início da série até fevereiro de 2024.
O resultado é interessante, mas para uma análise mais robusta, utilizamos validação cruzada. Dividimos os dados em 5 folds e realizamos previsões para 12 meses à frente em cada um. Os resultados mostram que, em alguns períodos, a previsão não foi precisa, mas em outros apresentou boa aderência.
O TimeGPT pode ser uma ferramenta útil para previsões, especialmente quando a série apresenta um padrão bem definido. No entanto, assim como outros modelos tradicionais, ele enfrenta dificuldades ao lidar com séries altamente erráticas.
Por fim, ainda precisamos calcular os erros médios das previsões e compará-los com modelos tradicionais — mas deixemos essa análise para um próximo exercício.
Quer aprender mais?
Conheça nossa Formação do Zero à Análise de Dados Econômicos e Financeiros usando Python e Inteligência Artificial. Aprenda do ZERO a coletar, tratar, construir modelos e apresentar dados econômicos e financeiros com o uso de Python e IA.
