IEFA — CPAINT

Atividade prática integradora dos Módulos 10 e 11 — implementação, comparação e otimização de modelos de previsão de séries temporais.

O Contexto

A galáxia não é mais governada pela incerteza. Ela é governada por dados.

Após a consolidação do Império Galáctico sob o comando do Chanceler Supremo Sheev Palpatine, uma nova prioridade estratégica emergiu no Departamento de Inteligência Econômica Imperial: garantir a supremacia financeira do Império sobre todos os sistemas aliados — e isso inclui monitorar ativos estratégicos em planetas periféricos da Orla Externa.

Um desses ativos está sob análise urgente: uma corporação de extração de combustíveis hiperespaciais localizada no planeta Terra, cujo código de negociação na bolsa interestelar é PETR4.

O problema é grave.

A volatilidade dos mercados externos, as sabotagens coordenadas pela Aliança Rebelde e as oscilações na demanda por combustíveis tornaram imprevisível o comportamento do ativo. Os modelos atualmente em uso — baseados em médias simples de janela fixa — não estão capturando a dinâmica da série. As perdas acumuladas por posicionamento incorreto já chamaram a atenção do próprio Imperador.

Você acaba de ser nomeado Analista-Chefe de Previsão Econômica do Departamento Imperial de Inteligência Financeira.

Ordem Direta do Chanceler Palpatine

"Implemente modelos superiores, avalie-os com rigor e me apresente uma recomendação definitiva. A imprecisão é uma forma de traição ao Império. Falhe… e aprenderá o que significa servir em Kessel."

Nota do Arquivo Imperial — Anomalia Cronológica

Star Wars se passa muito, muito tempo atrás em uma galáxia muito, muito distante. Os dados históricos de PETR4 foram obtidos por interceptação temporal via Cristal Kyber de Ressonância Cronológica — um artefato Sith capaz de capturar transmissões de cronologias paralelas e transmiti-las ao HoloNet Imperial. Para fins desta operação, desconsidere o paradoxo e concentre-se nos modelos.

Seu trabalho é construir, comparar e otimizar modelos de previsão de séries temporais, e apresentar uma recomendação sustentada em dados ao Chanceler.

Missão dos Discentes

Com base somente na série histórica recebida, cada grupo deverá executar as cinco etapas abaixo.

Etapa 1 — Reconhecimento do Terreno

Antes de prever, é preciso compreender.

Construa um gráfico da série temporal e identifique os seguintes padrões:

Componente	O que observar
Tendência	A série sobe, desce ou permanece estável ao longo do tempo?
Sazonalidade	Existe algum padrão cíclico e repetitivo?
Ruído	Qual a amplitude das oscilações irregulares?
Anomalias	Existem valores discrepantes que merecem atenção especial?

Registre as observações por escrito — elas devem embasar a escolha de parâmetros nas etapas seguintes. Uma escolha de parâmetro sem justificativa apoiada na análise da série não será aceita pelo Chanceler.

Etapa 2 — Implementação dos Modelos

Implemente os três modelos abaixo no Excel e calcule a previsão para cada período da série.

Média Móvel Simples (MMS)

Teste ao menos duas janelas diferentes (ex.: n = 3 e n = 5). Para cada janela, calcule:

Previsão(t+1) = [D(t) + D(t-1) + … + D(t-n+1)] / n

Justifique qual janela parece mais adequada à dinâmica observada na Etapa 1.

Média Móvel Ponderada (MMP)

Defina pesos para os períodos dentro da janela, com maior peso para os dados mais recentes, de forma que Σ pesos = 1:

Previsão(t+1) = w₁·D(t) + w₂·D(t-1) + … + wₙ·D(t-n+1)

Justifique a distribuição de pesos: por que dados recentes merecem mais influência neste contexto?

Suavização Exponencial Simples (SES)

Teste ao menos dois valores de α (ex.: α = 0,2 e α = 0,8). Para cada valor, calcule:

F(t+1) = α · D(t) + (1 − α) · F(t)

Interpretação do Alpha

Um α próximo de 1 faz o modelo reagir quase exclusivamente ao último período observado — útil quando a série muda rapidamente. Um α próximo de 0 mantém a memória longa de toda a série — útil quando a série é estável. A escolha incorreta do α pode custar ao Império tanto quanto uma batalha perdida.

Etapa 3 — Avaliação Imperial

Para cada modelo — e cada parametrização testada — calcule as três métricas de erro abaixo e consolide os resultados em uma tabela comparativa:

Métrica	Fórmula	O que mede
MAD	`Σ\|Real − Prev\| / n`	Erro médio em unidade original; intuitivo e fácil de explicar
MSE	`Σ(Real − Prev)² / n`	Penaliza erros grandes; indicado para otimização via Solver
MAPE	`Σ(\|Real − Prev\| / Real) × 100 / n`	Erro percentual; permite comparar séries de escalas diferentes

Com base na tabela, discuta:

Qual modelo apresentou menor erro em cada métrica?
Há inconsistência entre as métricas? (ex.: um modelo vence no MAD mas perde no MAPE?)
Qual parametrização de cada modelo mostrou-se mais adequada e por quê?

Etapa 4 — Otimização pelo Solver (Elite do Império)

Esta etapa é obrigatória para grupos que visam a distinção máxima. Utilize o Solver do Excel para encontrar automaticamente os melhores parâmetros de cada modelo, minimizando o erro histórico:

Modelo	Variável de decisão	Restrição
MMS	Janela n	n inteiro ≥ 2
MMP	Pesos w₁, w₂, …, wₙ	Σ wᵢ = 1; wᵢ ≥ 0
SES	Parâmetro α	0 ≤ α ≤ 1

Compare os parâmetros otimizados com os definidos manualmente na Etapa 2. O Solver encontrou uma solução significativamente melhor, ou a intuição do analista já estava próxima do ótimo?

Atenção ao Overfitting

Parametrizar perfeitamente sobre dados históricos não garante boa previsão do futuro — o modelo pode ter "memorizado" o passado sem aprender o padrão subjacente. O relatório deve reconhecer esse risco explicitamente. O Chanceler já foi enganado por modelos perfeitos no papel que falharam na operação real.

Etapa 5 — Relatório ao Chanceler

Consolide toda a análise em um relatório executivo de no máximo 10 minutos, apresentado em uma plataforma de BI (Power BI, Looker Studio, Metabase ou equivalente), respondendo:

Qual é o comportamento da série? (tendência, sazonalidade, ruído identificados)
Qual modelo apresentou melhor desempenho geral?
Qual métrica você priorizou na comparação e por quê?
Existe trade-off entre os modelos? (velocidade de reação vs. estabilidade)
Se o Solver foi utilizado, os parâmetros ótimos fazem sentido intuitivo?
Qual é a recomendação final — modelo e parametrização a adotar?

O Chanceler não confia em quem não mostra os números

Toda afirmação deve ser sustentada pela tabela comparativa de erros. Não há espaço para "parece melhor" ou "julgamos mais adequado" sem o MAD, MSE e MAPE correspondentes visíveis na tela. Sem esses números no dashboard, a recomendação não será aceita — e as consequências são conhecidas.

Série Histórica para Download

Cada grupo recebe uma série histórica de preços para trabalhar ao longo das duas etapas do desafio.

Estrutura dos arquivos

Cada arquivo contém a série histórica de um ativo com 30 a 60 períodos (dias ou semanas). Os dados refletem comportamento real ou simulado com tendência e ruído característicos de ativos voláteis de energia.

(Os arquivos serão disponibilizados pelo professor no início da atividade, seguindo o mesmo padrão de cenários da Prática do Módulo 7.)

Critérios de Avaliação

Critério	O que se observa
Implementação correta dos modelos	MMS, MMP e SES calculados corretamente, com ao menos duas parametrizações cada
Cálculo das métricas de erro	MAD, MSE e MAPE presentes para cada modelo e cada parametrização testada
Análise comparativa	Tabela comparativa clara, comentada e com trade-offs explicitados
Coerência das justificativas	Escolha de parâmetros sustentada pela análise da série (Etapa 1)
Qualidade do relatório executivo	Comunicação objetiva, dentro do tempo, com estatísticas visíveis no BI
Otimização via Solver (bônus)	Solver configurado corretamente; resultado comparado com a parametrização manual e risco de overfitting reconhecido

Prática — Operação: Ordem do Império