Em economia bancária, a previsão de séries temporais é essencial nos processo de orçamentação, elaboração do guidance e definição de metas para os diversos níveis hierárquicos de uma instituição financeira. Na última década, a pesquisa em previsão hierárquica experimentou crescimento substancial, caracterizado por avanços significativos na precisão de modelos de previsão. Recentemente, os métodos de machine learning foram integrados à literatura de previsão hierárquica como uma nova abordagem para reconciliação de previsões. Este trabalho se baseia nesses avanços, explorando ainda mais o potencial desses métodos para otimizar a reconciliação de séries temporais hierárquicas no setor financeiro brasileiro, especificamente na previsão de saldos de empréstimos e financiamentos do Banco do Estado do Espírito Santo. Os resultados mostram que não há método ou estratégia únicos que superem consistentemente todos os outros. No entanto, a abordagem adequada pode melhorar em até 91% a precisão em comparação com o melhor método analítico.
Complete tool for submission, evaluation and publication of proceedings for scientific events.
