Previsão da taxa de câmbio Real/Dólar norte-americano usando modelos de Deep Learning

• Ano de defesa: 2025
• Autor(a) principal: Pereira, Renan Scavone Fernandes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro (UERJ)
• Palavras-chave em Português: Taxa de câmbio Ptax; Previsão; Deep Learning; Ciências econômicas e finanças; Secretaria-Geral da Marinha (SGM)
• Link de acesso: https://repositorio.marinha.mil.br/handle/ripcmb/848009

A previsão da taxa de câmbio constitui um dos maiores desafios da literatura econômica e financeira, assumindo relevância estratégica para a formulação de políticas e a tomada de de- cisões voltadas à alocação eficiente de recursos. Nesta dissertação, investiga-se a previsão da taxa de câmbio Ptax de venda do Real brasileiro frente ao Dólar norte-americano (BRL/USD) por meio de modelos de Deep Learning (DL), avaliados em horizontes de 1, 10 e 20 dias úteis à frente e comparados ao modelo Random Walk (RW), amplamente reconhecido na lite- ratura como um benchmark robusto em previsões cambiais. Utilizaram-se séries de dados com frequência diária, abrangendo o período de 2020 a 2024, divididas sequencialmente em con- juntos de treinamento, validação e teste, de forma a simular uma aplicação prática. O estudo adotou duas abordagens: a univariada, baseada exclusivamente na série da taxa de câmbio, e a multivariada, que incorporou variáveis econômicas e financeiras. Para cada horizonte de previ- são e abordagem, testaram-se arquiteturas de DL com uma (1CR) ou duas camadas recorrentes (2CR). A seleção do modelo de DL foi orientada pelas métricas de erro no conjunto de valida- ção, seguida da avaliação do desempenho no conjunto teste. Os resultados evidenciam que, na abordagem univariada, as previsões dos modelos de DL selecionados não superaram as do RW no conjunto de teste, período em que os dados são novos para os modelos. Apenas no horizonte de 10 dias úteis, o teste de Diebold-Mariano Modificado (DMM) indicou equivalência esta- tística. Entretanto, para 20 dias úteis, verificou-se deterioração acentuada do desempenho dos modelos de DL selecionados, com métricas de erro superiores em, no mínimo, 50% em relação ao RW. Por outro lado, na abordagem multivariada, o teste DMM, ao nível de 10% de significân- cia, apontou que as previsões dos modelos de DL selecionados apresentaram um desempenho estatisticamente superior as do RW no horizonte de 20 dias úteis, nas duas arquiteturas ava- liadas (1CR e 2CR). De forma consistente, os resultados do teste de flutuação de Giacomini e Rossi (2010) e do teste de racionalidade de Rossi e Sekhposyan (2016) indicaram, respecti- vamente, nas janelas temporais, uma acurácia igual ou superior das previsões dos modelos de DL multivariados selecionados e um menor viés e irracionalidade dos erros comparativamente ao RW. Conclui-se que, embora os modelos de DL não tenham superado o benchmark no cur- tíssimo prazo, a inclusão de variáveis econômicas e financeiras diárias proporcionou ganhos significativos no desempenho preditivo em horizontes mais longos, ainda no curto prazo. Os resultados reforçam o potencial dos modelos multivariados de DL para aprimorar a previsão da taxa de câmbio, contribuindo tanto para a literatura acadêmica quanto para aplicações práticas no mercado financeiro.