Las redes neuronales, y en particular los perceptrones multicapa (MLP), han sido reconocidos como una de las más poderosas técnicas para estimar series de tiempo; sin embargo, la técnica de redes cascada-correlación (CC) es un fuerte competidor para pronosticar series temporales pues incorpora mejoras a los problemas de identificabilidad estadística del modelo del MLP. En éste artículo se compara el rendimiento de las redes CC respecto de otras técnicas, entre ellas el MLP, ANN y Arima, usando vrias series de tiempo no lineales del mundo real, con el fin de determinar si las CC ofrecen buenos resultados en la práctica. Los resultados indican que las redes CC, en la mayoría de los casos, son superiores a los MLP, ANN y Arima, logrando errores menores en magnitud que los reportados en la literatura usando dichas técnicas, mientras que en relación a DAN2 se lograron errores cercanos e incluso mejores

Artificial neural networks, especially multilayer perceptrons, have been recognised as being a powerful technique for forecasting nonlinear time series; however, cascade-correlation architecture is a strong competitor in this task due to it incorporating several advantages related to the statistical identification of multilayer perceptrons. This paper compares the accuracy of a cascadecorrelation neural network to the linear approach, multilayer perceptrons and dynamic architecture for artificial neural networks (DAN2) to determine whether the cascade-correlation network was able to forecast the time series being studied with more accuracy. It was concluded that cascade-correlation was able to forecast time series with more accuracy than other approaches.

An autoregressive neural network model is estimated for the monthly Brazilian electricity spot price, which describes the prices dynamics better than a linear autoregressive model and a classical multilayer perceptron using the same input and neurons in the hidden layer. The proposed model is specified using a statistical procedure based on a likelihood ratio test. The model passes a battery of diagnostic tests. The proposed specification procedure allows us to select the number of units in hidden layer and the inputs to the neural network based on statistical tests, taking into account the number of data and the model fitting to the price time series. The final model specification demonstrates that the price for the next month is a nonlinear function of the current price, the current energy inflow, and the energy saved in the equivalent reservoir in the current month and two months ago.

Una red neuronal autorregresiva es estimada para el precio mensual brasileño de corto plazo de la electricidad, la cual describe mejor la dinámica de los precios que un modelo lineal autorregresivo y que un perceptrón multicapa clásico que usan las mismas entradas y neuronas en la capa oculta. El modelo propuesto es especificado usando un procedimiento estadístico basado en el contraste del radio de verosimilitud. El modelo pasa una batería de pruebas de diagnóstico. El procedimiento de especificación propuesto permite seleccionar el número de unidades en la capa oculta y las entradas a la red neuronal, usando pruebas estadísticas que tienen en cuenta la cantidad de los datos y el ajuste del modelo a la serie de precios. La especificación del modelo final demuestra que el precio para el próximo mes es una función no lineal del precio actual, de la energía afluente actual y de la energía almacenada en el embalse equivalente en el mes actual y dos meses atrás.

Este estudo trata da utilização de uma metodologia para identificação da estrutura de séries temporais não lineares (ou lineares) baseada na estimação não e semi-paramétrica de curvas em modelos do tipo Yt = E(Yt|Xt) + et , onde Xt = (Yt-1,Yt-2,...,Yt-d), d = 1,2,.... Aqui, a esperança condicional é estimada de modo totalmente não-paramétrico ou através de um modelo (semi-paramétrico) aditivo. Especificamente, a função desconhecida será estimada através de regressões lineares locais, via estimadores núcleo. Com a metodologia proposta, verificamos que a "função de dependência da defasagem" (FDD) e a "função de dependência parcial da defasagem" (FDPD) conseguem captar estruturas não-lineares em séries temporais, generalizando as tradicionais funções de autocorrelação (FAC) e autocorrelação parcial (FACP). Os estudos de simulação foram conduzidos de forma a avaliar e comparar a metodologia proposta com metodologias já existentes. Para dados reais a metodologia proposta foi exemplificada com uma série diária de preços da ação Petrobras PN.

This paper suggests an approach for the identification of the structure of both linear and non-linear time series through semi-parametric estimation of the unknown curves in models of the type Yt=E(Yt| Xt ) +et , where Xt=(Yt-1,Yt-2,...,Yt-d), d=1,2,…. The conditional expectation is estimated either in a fully nonparametric fashion or via additive (semi-parametric) models. Specifically, the unknown function will be estimated by local linear regression, with kernel estimators. Under the proposed methodology, it was verified that the Lag Dependence Function (LDF) and the Partial Lag Dependence Function (PLDF) are capable of identifying non-linear structures in time series, generalizing the traditional autocorrelation and partial autocorrelation functions. The simulation studies were conducted to evaluate and compare the proposed methodology to traditional ones. The approach was illustrated with the study of the structure of a time series of prices of Petrobras PN’S shares.

En este artículo, se discute el estado del arte en la estimación de la predicción varios pasos adelante para modelos de series temporales no lineales basados en perceptrones multicapa. Se revisan las principales tendencias para la estimación de pronósticos puntuales e intervalos de confianza. En adición, se argumenta sobre los principales problemas abiertos para investigación futura en la predicción de series temporales usando redes neuronales.

In this paper, we discuss the state-of-art in estimating multiple steps ahead forecast for nonlinear time series models based on multilayer perceptrons. We review the main trends for estimating the point forecasts and confidence intervals. In addition, we argue the principal open issues for future research in time series forecasting using neural networks.

Ha sido ampliamente reconocida la importancia de la predicción en la toma de decisiones, y se han encontrado evidencias de que uno de los métodos más efectivos es el ajuste de los pronósticos obtenidos a partir de modelos matemáticos usando juicios informados. No obstante, existe una amplia cantidad de factores que pueden afectar la calidad y credibilidad de las predicciones; en este trabajo se examinan aquellos factores relacionados con las políticas organizacionales, y se proponen varias estrategias para su mitigación.

It has been long recognized, the importance of prediction in decision making, and evidences have been found about the one of most effective methods is the adjustment of forecasts based on mathematical models using judgement. Notwithstanding, it exists an amount of factors that might affect the quality and credibility of the predictions; in this work, the factors related with the organization politics are examined, and several strategies are proposed for their mitigation.