Como melhorar a previsão da taxa de câmbio?

Em dezembro do ano passado, publiquei artigo onde me perguntava para onde ia o dólar. Pergunta das mais difíceis em economia, haja visto que o câmbio se parece muito com um passeio aleatório, onde a observação de hoje é igual a de ontem mais algum ruído. Mais fácil, desse modo, é prever a tendência do câmbio do que seu valor em determinado ponto do tempo. Aquela altura, com o conjunto de informações disponível, o mercado e eu projetamos um câmbio no fim desse ano próximo a 2,80 R$/US$, o que indicava uma tendência de desvalorização. Dado tudo o que ocorreu até aqui, o câmbio encontra-se acima de 4 R$/US$ e a tendência de desvalorização não parece ainda ter cedido. Por que, questiono, erramos tanto?

No artigo em questão, ressaltei que prever câmbio era algo extremamente complicado [para não dizer, insano], dado que o conjunto de choques a que a variável está sujeita parece ser excessivamente grande. Naquela época, chamei atenção para alguns fatores, que listo abaixo:

Não se sabe, por exemplo, por quanto tempo ainda o preço das commodities – e do petróleo, em particular – continuará caindo, com graves repercussões sobre os países emergentes. Os juros norte-americanos irão subir, mas não se tem indicação de quando isso de fato irá ocorrer. Além disso, no campo doméstico, como será feito o ajuste fiscal? Quais impostos serão elevados? Cide e CPMF voltam? E diante do quadro político desafiador, azeitado pela Operação Lava-Jato, será factível aprovar esse pacote fiscal no Congresso?

A pergunta que encerra o parágrafo, inconvenientemente difícil de ser posta nos modelos, parece ter tido um sonoro não como resposta, o que agravou nossa situação fiscal, tendo consequências diretas sobre a trajetória da taxa de câmbio.  Nesse aspecto, como podemos melhorar nossas previsões sobre essa variável? Ou, melhor, será que isso é possível?

Aproveitei que abri um script hoje com o pacote gtrend e pesquisei a palavra-chave "dólar". O gráfico é posto abaixo.

grafico01

gtrends parece captar essa desvalorização recente. O passo seguinte é comparar a pesquisa no gtrends com a taxa de câmbio. Esta, eu obtive do Banco Central com a função getSeries, elaborada pelo Alexandre Rademaker. Feito isto, precisamos mensalizar o dado do gtrends para que seja possível comparar com a taxa de câmbio, além é claro, de adequar a amostra das duas séries - os dados do gtrends só estão disponíveis a partir de janeiro de 2004. A correlação entre as duas séries pode, então, ser vista no gráfico abaixo.

grafico02

Qual a relação entre as séries? Um teste de causalidade de granger foi feito, não antes de verificar raiz unitária. O câmbio não passou no teste, enquanto o gtrends passou. Feito isto, verificou-se que tanto o câmbio exerce influência sobre o gtrends quanto este exerce influência naquele, dado todos os critérios de informação. Eu vou, entretanto, poupar o leitor desses passos, até por que isso já foi feito nesse espaço. Vamos passar para um BVAR, onde queremos ver as funções de impulso-resposta entre o gtrends e o câmbio. Com o teste de granger, estávamos apenas interessados em ver se estávamos autorizados a estimar um VAR. Com o BVAR, estamos querendo usar as séries em nível, informando, claro, a presença de raiz unitária. Antes, os correlogramas do câmbio e do gtrends são postos abaixo. Ah, sim, foi utilizado o pacote BMR.

grafico03

grafico04

Com base nessas informações, estimei um BVAR com p=1. A função do BMR utilizada foi a BVARW, que você pode aprender mais, além de todo o pacote BMR, aqui.  Estimado o modelo, chegamos, enfim, às funções impulso-resposta, postas abaixo.

grafico05

As funções impulso-resposta parecem mostrar que um choque nas pesquisas do google trends possui efeito sobre o câmbio. Dado o gráfico in natura do gtrends, que mostra um aumento das pesquisas no período recente, será que se o utilizarmos para prever o câmbio isso poderá melhorar a previsão? No momento atual, não custa tentar, não é mesmo? Quem sabe, outro dia... Enquanto isso, fique à vontade, leitor... 🙂

_______________________________________

Gostou do post? Quer aprender a fazer o mesmo? Dê uma olhada no nosso curso de Introdução ao R com aplicações em Análise de Conjuntura. Faça no Rio de Janeiro ou leve para sua empresa ou universidade!

Curso04

________________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

Construindo RAG para Análise do COPOM com SmolAgents

Este exercício demonstra, passo a passo, como aplicar o conceito de Retrieval-Augmented Generation (RAG) com agentes inteligentes na análise de documentos econômicos. Utilizando a biblioteca SmolAgents, desenvolvemos um agente capaz de interpretar e responder a perguntas sobre as atas do COPOM com base em buscas semânticas.

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.