Revenue forecasting for the "Magnificent Seven" : Accuracy comparison between ANN, Prophet, and traditional econometric models

Abstract

In the recent past, with the widespread expansion of artificial intelligence, there has also been an increase in the application of machine learning methods for the purpose of forecasting company revenues. The present thesis proposes a comparative analysis of traditional econometric and machine learning approaches to forecasting revenues for Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia, and Tesla. The aim of this study is to determine the most accurate method based on a comparative analysis. The study employs a range of traditional statistical methods, including simple moving averages, decomposition, Holt-Winters exponential smoothing, and ARIMA models, in addition to more sophisticated approaches such as Facebook's Prophet and Artificial Neural Networks. The performance of the models is evaluated by means of standard error metrics, including mean squared error (MSE), root mean squared error (RMSE), and mean absolute percentage error (MAPE). The study ascertains whether the incorporation of holiday effects in Prophet enhances the accuracy of the model, and whether the automation of machine learning model tuning via hyperparameter grid search yields superior performance in comparison to the manual specification of parameters as its report time. It is also presented the architecture of the ANN in a transparent manner and elucidate the adjustments that facilitate the execution and reproducibility of forecasts. The findings indicate that while traditional econometric models furnish useful baselines for the development of more sophisticated methods, Prophet and Artificial Neural Networks consistently demonstrate superiority in terms of forecast accuracy.

No passado recente, com a expansão generalizada da inteligência artificial, tem-se verificado igualmente uma crescente utilização de métodos de machine learning para serem aplicados na previsão de receitas de empresas. A presente tese propõe uma análise comparativa entre as abordagens econométricas tradicionais e as abordagens de machine learning na previsão das receitas da Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia e Tesla. O objetivo do presente estudo é, a partir de uma análise comparativa, determinar o método mais preciso. O estudo em questão recorre a uma diversidade de métodos estatísticos tradicionais, incluindo médias móveis simples, decomposição, exponencial Holt-Winters e modelos ARIMA, bem como abordagens mais sofisticadas, tais como Prophet do Facebook e redes neurais artificiais. A avaliação é realizada através da aplicação de métricas de erro padrão, tais como o erro quadrático médio (MSE), o erro quadrático médio raiz (RMSE) e o erro percentual absoluto médio (MAPE). O estudo verifica se a incorporação do efeito dos feriados no Prophet melhora a precisão do modelo e se a automatização do ajuste do modelo de aprendizagem automática, através de uma grid search de hiperparâmetros, produz um desempenho superior em comparação com a especificação manual dos parâmetros como seu tempo de relatório. Também é apresentada a arquitetura da ANN de forma transparente e são esclarecidos os ajustes que facilitam a execução e a reprodutibilidade das previsões. Os resultados obtidos indicam que, embora os modelos econométricos tradicionais forneçam bases úteis para a construção de métodos mais sofisticados, o Prophet e as redes neurais artificiais demonstram superioridade em termos de precisão de previsão.