Essays in FX and commoditiesfrom Value at Risk to deep learning models

Resumo

A previsão em commodities e FX são assuntos de extrema relevância para empresas e entidades governamentais, sobretudo em países como o Brasil, que dependem significativamente do setor agrícola, de mineração e das indústrias desta cadeia produtiva. Nestas economias as taxas de juro; de inflação; de emprego; custos de produção; taxas de câmbio e exportações podem ser fortemente afetados pela influência dos preços e da forte volatilidade das commodities agrícolas no mercado internacional. No entanto, apesar da relevância deste aspecto, as atividades de monitoramento e previsão dos preços e volatilidades destes ativos e a influência do câmbio na determinação dos fatores fundamentais para as variações destes elementos faz com que o exercício seja custoso para muitos agentes privados e públicos. Por conta disso esta ainda é uma área que oferece extensas possibilidades de pesquisa, sobretudo com o avanço das tecnologias e dos modelos para previsão de dados em larga escala. Esta tese colabora para demonstrar as vantagens da utilização, no âmbito das empresas que atuam na cadeia industrial do agronegócio e aquelas que de alguma forma são afetadas pelas altas volatilidades internacionais das commodities agrícolas, de metodologias econométricas e de técnicas de aprendizagem de máquina com modelos de redes neurais profundas, para a melhoria na previsão dos riscos de mercado, nos retornos e nas volatilidades destes ativos. Foram analisados modelos de previsão para séries de contratos futuros de soja, açúcar, milho, café, boi gordo, trigo, algodão, farelo e óleo de soja, petróleo e a taxa de câmbio entre o Real e o dólar (BRL/USD) para o período de fevereiro/2001 a maio/2019. Foram comparadas metodologias para séries individuais do tipo ARMA-GARCH; modelos multivariados para séries cointegradas do tipo VECM; modelos autorregressivos de defasagens distribuídas ARDL e modelos de redes neurais profundas com memória do tipo LSTM (Long Short-Term Memory). Para os períodos e séries analisados a abordagem de redes neurais profundas se mostrou mais poderosa ao ser capaz de oferecer uma redução significativa nos erros médios de previsão, de mais de 80% para alguns ativos.

Ficha do documento

Tipo

Tese

Ano

2021

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Não informado

Identificador

oai:repositorio.fgv.br:10438/30896

Temas

EconomiaDesenvolvimento EconômicoTecnologiaDados

Palavras-chave

Deep learningARMA-GARCHARDLCommoditiesFXVolatility modelingFutures pricesDeep neural networksLSTMRedes neurais profundasVaRMercados futurosCâmbioForecastPrevisão de preçosEconomiaMercado futuro de mercadoriasMercado de câmbioVolatilidade (Finanças)Modelos econométricosRedes neurais (Computação)