Alternativas para a previsão da taxa de câmbio: a eficácia dos modelos de deep learning

• Ano de defesa: 2025
• Autor(a) principal: Francisco, Pedro Paulo Galindo
• Orientador(a): Hadad Junior, Eli
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• País: Brasil
• Palavras-chave em Português: taxa de câmbio; séries temporais; machine learning; deep learning
• Link de acesso: https://dspace.mackenzie.br/handle/10899/40829

Este estudo aborda o quebra-cabeça de Meese-Rogoff introduzindo algumas das mais recentes técnicas de Deep Learning como alternativas para a predição da taxa de câmbio. Utilizando o RMSE como métrica de comparação, Meese e Rogoff descobriram que modelos econômicos são incapazes de superar o modelo de Random Walk como preditores do câmbio no curto prazo. Décadas após este estudo, nenhuma técnica de predição estatística se mostrou eficaz para vencer este obstáculo; ainda que houvesse resultados positivos, eles não se aplicavam para todas as moedas e períodos específicos. No entanto, o avanço recente de tecnologias envolvendo inteligência artificial, abriram o caminho para uma nova abordagem na predição do câmbio. Provendo-se dessa tecnologia, aplicamos seis técnicas de Deep Learning visando superar o quebra-cabeça de Meese e Rogoff. Consideramos o período diário para as moedas do real, iene, libra esterlina, euro e o yuhan chinês contra o dolar americano, em um horizonte de tempo de 2010 a 2023. Nossos resultados mostraram que nenhuma das técnicas apresentadas conseguiu produzir resultados melhores que os modelos de Random Walk, entretanto, parte dos modelos foram capazes de superar o ARIMA, além de apresentar um poder de previsão da direção do preço superior ao Random Walk. Essa conclusão sugere que modelos de Deep Learning possuem um potencial inexplorado, representando, no longo prazo, uma possibilidade eficaz na previsão da taxa de câmbio.