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

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

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.