A simulação de cenários é uma técnica poderosa na área de previsões quantitativas, que permite aos analistas modelar possíveis resultados futuros com base em um conjunto de variáveis e parâmetros específicos. Essa técnica é especialmente útil para previsões em economia e finanças, onde a incerteza é um fator significativo.
Cenários em dados de corte transversal
Quando se trata de dados do tipo corte transversal (cross section), a simulação de cenários pode ser aplicada para prever comportamentos futuros de indivíduos, organizações ou grupos, com base em variáveis que possam influenciar esses comportamentos.
Por exemplo, imagine que você é um analista de crédito em um banco e precisa prever o risco de inadimplência de um conjunto de clientes. Você pode utilizar dados históricos de crédito e dados econômicos para modelar possíveis cenários futuros e estimar a probabilidade de inadimplência em diferentes níveis de risco.
Nesse caso, a simulação de cenários pode ser utilizada para gerar uma ampla gama de possíveis resultados futuros com base em diferentes variáveis, como renda, histórico de crédito, emprego e outras informações relevantes. Essa técnica permite que os analistas considerem diferentes cenários possíveis e suas respectivas probabilidades, a fim de tomar decisões informadas sobre a concessão de crédito e gestão de risco de inadimplência.
Cenários em dados de série temporal
Já no caso de dados do tipo série temporal (time series), a simulação de cenários pode ser utilizada para prever comportamentos futuros de uma série temporal com base em dados históricos e outras variáveis.
Por exemplo, imagine que você é um economista e precisa prever a taxa de juros para os próximos meses. Você pode utilizar dados históricos de inflação, crescimento econômico e outras variáveis macroeconômicas para modelar possíveis cenários futuros e estimar a taxa de juros em diferentes níveis de risco.
Nesse caso, a simulação de cenários permite que os economistas considerem diferentes possíveis trajetórias da economia e suas respectivas implicações na política monetária, como a necessidade de aumentar ou diminuir a taxa de juros para atingir as metas de inflação e crescimento econômico. Essa técnica é especialmente útil em ambientes de incerteza econômica, onde as previsões precisam levar em conta múltiplos fatores e cenários possíveis.
Técnicas de previsão com cenários
Existem diversas técnicas disponíveis para produzir cenários em previsões quantitativas em economia e finanças. Algumas das principais técnicas incluem:
Análise de sensibilidade
Esta técnica envolve a avaliação do impacto de uma mudança em uma variável-chave sobre os resultados de uma previsão. A análise de sensibilidade é frequentemente usada para avaliar a robustez de uma previsão e identificar as variáveis mais importantes.
Simulação de Monte Carlo
Esta técnica envolve a geração de múltiplas simulações estocásticas para avaliar os possíveis resultados em diferentes cenários. A simulação de Monte Carlo é útil para prever a incerteza em uma previsão e estimar a probabilidade de resultados em diferentes condições.
Modelagem de cenários
Esta técnica envolve a construção de modelos estatísticos para avaliar o impacto de diferentes cenários econômicos nas previsões. A modelagem de cenários é útil para prever os resultados em diferentes condições econômicas e identificar os fatores mais importantes que afetam os resultados.
O objetivo dessa técnica é gerar previsões com base em cenários plausíveis. Os cenários são criados considerando todos os possíveis fatores, a interação entre os mesmos e os impactos relativos que podem estar relacionados com a variável de interesse para a previsão. Cada cenário plausível pode ter, geralmente, uma baixa probabilidade de ocorrência e abre-se a possibilidade de criar, usando algum julgamento, um grande número de possíveis previsões.
Alguns cenários que comumente utilizados são:
- “Otimista”: considera-se que o desempenho dos fatores associados a variável de interesse será positivo no futuro (i.e., demanda aquecida, crescimento de renda, baixa concorrência);
- “Base”: considera-se que o desempenho dos fatores associados a variável de interesse ficará em situação de estabilidade no futuro (i.e., demanda normal, renda estagnada, sem mudanças na concorrência);
- “Pessimista”: considera-se que o desempenho dos fatores associados a variável de interesse será negativo no futuro (i.e., demanda desaquecida, decrescimento da renda, alta concorrência);
Note que a previsão baseada em cenários pode gerar possíveis previsões conflitantes para a variável de interesse, a depender do desenho dos cenários. Entretanto, os tomadores de decisão podem entender melhor os condicionantes de cada cenário e os possíveis resultados alternativos. Para isso, é importante uma boa sistematização e documentação da abordagem, facilitando a comunicação de uma equipe.
Como exemplo, no Brasil o Banco Central (BCB) utiliza frequentemente um cenário de referência e outros alternativos para as variáveis relevantes para as decisões de política monetária. No Relatório de Inflação de dezembro/2022, a autoridade monetária divulgou que o seu cenário de referência era:
E com base neste e em outros cenários o BCB projeta, por exemplo, a taxa de inflação medida pelo IPCA, usando um grande conjunto de informações para apoiar a criação de cenários.
Exemplo prático
Em termos práticos, como criar cenários para um modelo de previsão usando a linguagem Python?
Para exemplificar a criação de cenários para previsão realizamos um exercício de inspiração macroeconômica. O objetivo foi criar um modelo que explique o comportamento da autoridade monetária no Brasil, usando uma regra de Taylor em uma especificação simples para isso, e então criar cenários alternativos para gerar previsões para a variável de interesse em questão, a taxa de juros Selic.
Em resumo, este exercício de previsão com cenários percorre estas etapas:
- Coleta de dados: utilizamos a taxa Selic (% a.a., BCB), a meta para a inflação anual (%, CMN) e o IPCA esperado nos próximos 12 meses (%, BCB).
- Tratamento de dados: trimestralizamos as variáveis mensais usando média simples, replicamos a meta de inflação do ano para cada trimestre e calculamos o desvio das expectativas do IPCA nos próximos 12 meses em relação a meta de inflação anual.
- Modelagem: especificamos e estimamos o modelo simples abaixo usando o estimador de MQO, tendo como resultado resíduos não autocorrelacionados e sinal esperado (+) para o segundo coeficiente do lado direito da equação.
- Cenarização: criamos os cenários “pessimista”, “base” e “otimista”, retratando livremente em cada um os possíveis caminhos que as variáveis necessárias para previsão (preditoras) podem assumir. No primeiro caso uma possível interpretação seria “desancoragem das expectativas”, no segundo caso tudo permanece constante e no último caso “expectativas comportadas no futuro”.
- Previsão: por fim, usamos a tabela de valores dos cenários futuros para as variáveis como input para gerar previsões a partir do modelo estimado.
O resultado visual do exercício de previsão com cenários para uma regra de Taylor pode ser conferido no gráfico abaixo:
Conclusão
Cada técnica tem suas próprias vantagens e desvantagens, e a escolha da técnica mais apropriada dependerá dos dados disponíveis, do objetivo da previsão e da complexidade do modelo. Em geral, a combinação de várias técnicas pode levar a previsões mais precisas e confiáveis.
Para utilizar a simulação de cenários em previsões quantitativas, é importante contar com dados de alta qualidade e uma equipe de analistas experientes em estatística e modelagem. Além disso, é necessário escolher cuidadosamente as variáveis e parâmetros a serem utilizados na simulação, levando em consideração a relevância e a precisão dos dados.
Em resumo, a simulação de cenários é uma técnica valiosa para previsões quantitativas em economia e finanças, permitindo que analistas e tomadores de decisão modelarem possíveis cenários futuros e estimem os resultados com base em diferentes variáveis e parâmetros. Com a ajuda de dados precisos e uma equipe experiente, essa técnica pode ser uma ferramenta poderosa para auxiliar na tomada de decisões críticas em um ambiente de incerteza.
Códigos de reprodução em Python deste exercício estão disponíveis para membros do Clube AM da Análise Macro.
Referências
Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3. Accessed on 2023-01-18.
Lawrence, M., Goodwin, P., O’Connor, M., & Önkal, D. (2006). Judgmental forecasting: A review of progress over the last 25 years. International Journal of forecasting, 22(3), 493-518.
