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

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.