Previsão da taxa de câmbio (R$/US$): é possível superar o Random Walk?

A taxa de câmbio é uma das variáveis mais difíceis de se gerar previsão quantitativa para alguns períodos à frente. Isso porque, são muitas as variáveis domésticas e externas que a influenciam. Não por outro motivo, há uma piada bastante conhecida entre os economistas de que Deus haveria de ter criado o câmbio para humilhá-los. Feita a ressalva, nesse Comentário de Conjuntura apresentamos um modelo de previsão para a taxa de câmbio, que replica o trabalho The unbeatable random walk in exchange rate forecasting: Reality or myth?proposto por Moosa, I. e K. Burns.

A aula completa e a replicação do modelo, de autoria do nosso Cientista de Dados Fernanda da Silva, estão disponíveis no nosso Curso de Modelos Preditivos aplicados à Macroeconomia.

A especificação do modelo estático é dada abaixo:

(1)   \begin{equation*} s_t = \alpha_0 + \alpha_1(m_{a,t} - m_{b,t}) + \alpha_2(y_{a,t} - y_{b,t}) + \alpha_3(i_{a,t} - i_{b,t}) + \varepsilon_t \end{equation*}

Onde s é o log da taxa de câmbio nominal, m é o log da oferta de moeda, y é o log da produção industrial, i é o log(1 + x/100) da taxa de juros, a e b se referem aos países em análise, Brasil e USA, respectivamente.

Já a especificação do modelo dinâmico é dada por:

(2)   \begin{equation*} s_t = \mu_t + \phi_t + \alpha_{1t}(m_{a,t} - m_{b,t}) + \alpha_{2t}(y_{a,t} - y_{b,t}) + \alpha_{3t}(i_{a,t} - i_{b,t}) + \varepsilon_t \end{equation*}

Onde \mu e \phi são as variáveis não observáveis - componentes extraídos de s_t - tendência e ciclo da variável dependente, respectivamente.

Os modelos são, então, comparados com o benchmark tradicional da literatura representado por um modelo Random Walk, além de outras especificações simples e previsões de agentes de mercado registradas no sistema de expectativas Focus/BCB.

Os dados utilizados são:

workflow proposto:

1. Obtenção das séries temporais nas bases de dados;
2. Tratamento prévio de dados;
3. Visualização dos dados;
4. Verificar estacionariedade (ADF, PP e KPSS) e aplicar diferenças necessárias, além de transformação logarítmica;
5. Estimação e previsão recursiva do modelo OLS estático e RW, considerando sequência crescente da amostra de dados (amostra inicial com 60 observações);
6. Benchmark com modelo OLS dinâmico (TVP) e expectativas do Focus<sup>1</sup>;
7. Escolha de modelo final e previsão fora da amostra.

O modelo para comparação da capacidade preditiva usado é um OLS TVP. Adicionalmente, comparamos as previsões dos modelos baseline e alternativo com as previsões dos agentes de mercado, reportadas no sistema de expectativas Focus/BCB.

O modelo OLS TVP demonstrou melhor performece, sendo estatisticamente mais acurado em relação a um modelo Random Walk, além de superar o benchmark de mercado (Focus).

_______________

A aula completa com o passo a passo de como replicar o modelo está disponível no Curso de Modelos Preditivos aplicados à Macroeconomia. Os códigos estão disponíveis no Clube AM.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PIB - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PIB 3º trimestre de 2024, com gráficos e tabelas elaborados em Python para coleta, tratamento e visualização de dados.

Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.