[en] MACHINE LEARNING FORECASTS OF EU ETS CARBON PRICES WITH ECONOMIC, FINANCIAL, AND POLICY UNCERTAINTY VARIABLES

• Ano de defesa: 2025
• Autor(a) principal: VICTOR GOULART OREIRO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PREVISAO DE SERIES TEMPORAIS; [pt] SISTEMA DE COMERCIO DE EMISSOES DA UNIAO EUROPEIA; [pt] SELECAO DE VARIAVEIS VIA LASSO; [pt] INCERTEZA GEOPOLITICA; [pt] APRENDIZADO DE MAQUINA; [en] TIME SERIES FORECASTING; [en] EUROPEAN UNION EMISSIONS TRADING SYSTEM; [en] VARIABLE SELECTION VIA LASSO; [en] GEOPOLITICAL UNCERTAINTY; [en] MACHINE LEARNING
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70759&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=70759&idi=2; http://doi.org/10.17771/PUCRio.acad.70759

[pt] Esta dissertação analisa um índice do preço do carbono negociado no EU ETS. Por meio da aplicação de diversos modelos, foram exploradas abordagens econométricas tradicionais, aprendizado de máquina, e aprendizado profundo. O estudo utilizou um conjunto abrangente de variáveis, incluindo indicadores econômicos e financeiros tradicionais, bem como medidas alternativas relacionadas à incerteza política, econômica e regulatória. Para evitar o risco de sobreajuste e aprimorar a seleção de variáveis, foi aplicada a técnica de regularização LASSO. Além de permitir a redução de dimensionalidade, o LASSO ofereceu insights sobre os fatores que influenciam a formação dos preços de carbono. Entre as variáveis de incerteza selecionadas, destacaram-se o índice de Incerteza de Política Econômica do Reino Unido e o Índice de Risco de Transição Climática, ambos com relevância na explicação da dinâmica do índice SeP Carbon Credit EUA index. A seleção de variáveis via LASSO resultou em ganhos significativos de desempenho nos testes fora da amostra, reduzindo o sobreajuste e melhorando a capacidade de generalização dos modelos. A consistência dos resultados foi confirmada por meio de validação cruzada para séries temporais e pelo teste de Diebold-Mariano, que verificou a existência de diferenças estatisticamente significativas no desempenho dos modelos. Os resultados evidenciam o potencial de indicadores alternativos de incerteza e de métodos de aprendizado de máquina na previsão de preços de ativos ambientais, apresentando desempenho preditivo superior, em diversos cenários de validação, quando comparado ao modelo univariado ARIMA, segundo as métricas, testes e estratégias de validação utilizados.