Desenvolvimento de modelos de previsão de preço do minério de ferro

Este trabalho teve como objetivo principal desenvolver e avaliar comparativamente modelos de previsão para o preço do minério de ferro, matéria-prima principal de diversas indústrias como construção civil e automobilística. Previsões nesse cenário podem trazer estabilidade econômica e saúde para empresas do ramo. Para tal, foram implementadas abordagens estatísticas tradicionais (ARIMA), de aprendizado de máquina (XGBoost) e estratégias híbridas (Ensemble e Método de Resíduos). A análise também investigou o impacto da incorporação de variáveis exógenas no desempenho dos modelos. Os resultados demonstraram a superioridade do modelo Ensemble, sem variáveis exógenas, que combinou as predições do ARIMA e do XGBoost, alcançando o menor erro quadrático médio (RMSE de 6.97) e o maior coeficiente de determinação R2 de 0.67. Este desempenho se destaca por ter sido o único a superar o resultado do modelo trivial (RMSE de 7.05 e R2 de 0.65), que por sua vez superou as demais abordagens complexas, evidenciando a dificuldade intrínseca da previsão. Verificou-se que a adição de variáveis exógenas foi, em geral, prejudicial à performance, especialmente em modelos lineares. Conclui-se que a combinação de modelos com diferentes naturezas é uma estratégia robusta para a previsão de séries temporais complexas, e que o tratamento adequado das variáveis externas é um fator crítico para o sucesso da previsão