ENDá para prever o dólar de amanhã?
Há 40 anos, economistas tentam vencer um palpite simples: o câmbio de amanhã será igual ao de hoje. A pesquisa pôs seis técnicas de inteligência artificial nessa disputa, com cinco moedas, dia a dia, de 2010 a 2023. Nenhuma errou menos que o palpite simples. Explicada em 10 telas.
Pódio pelo menor erro nas cinco moedas: o palpite "amanhã = hoje" ficou em 1º em todas; o LSTM, em 2º em todas. *Em 3º, o ARIMA no yuan, no euro e na libra; o N-BEATS no real; o Prophet no iene.
O palpite mais difícil de bater: "amanhã = hoje"
Se o mercado já incorpora no preço tudo o que se sabe, a próxima subida ou descida é imprevisível. Nesse caso, o melhor palpite para amanhã é o preço de hoje. Os economistas chamam isso de passeio aleatório (random walk).
Tente vencê-lo. A cada rodada, diga se o dólar vai subir, ficar ou cair. Contamos duas coisas: quanto você errou no valor e se acertou a direção. A pesquisa mede as duas.
Exercício ilustrativo. A série é sorteada pelo computador, com subidas e descidas ao acaso, como supõe a teoria do mercado eficiente (Fama, 1970). Não é a cotação real.
Quatro décadas tentando vencer o acaso
Em 1983, Meese e Rogoff mostraram que os melhores modelos econômicos da época erravam mais que o "amanhã = hoje". Desde então, cada vitória sobre ele veio só em casos específicos. A inteligência artificial é a tentativa mais recente. Toque nos marcos.
Marcos igualmente espaçados, não em escala de tempo. Estudos citados na revisão da literatura da dissertação (capítulo 2).
Cinco moedas, 14 anos de cotações diárias
Real, yuan chinês, euro, libra e iene, cada um contra o dólar, de janeiro de 2010 a dezembro de 2023, pela plataforma Bloomberg. Cerca de 3.300 dias de pregão por moeda. A tarefa dos modelos: prever o valor do dia seguinte.
Altura da barra: quanto o maior valor do período ficou acima do menor, em %. Cálculo nosso a partir da Tabela 1. O real foi a moeda que mais oscilou. Toque numa barra ou numa moeda.
Oito competidores: duas réguas, um veterano e cinco novatos
O "amanhã = hoje" e o ARIMA, um modelo estatístico clássico, são as réguas. O LSTM, uma rede neural de 1997 que já venceu em outros estudos, é o veterano. Os cinco novatos são técnicas recentes de deep learning (redes neurais com muitas camadas). Toque nos cartões para ver como cada um funciona.
Sem ajuste fino. Todos os modelos de IA rodaram com os parâmetros padrão das bibliotecas (Python, TensorFlow e Darts). A pesquisa conta seis técnicas de deep learning: o LSTM e os cinco novatos.
Ninguém venceu o "amanhã = hoje"
Em todas as moedas e nas três medidas de erro, o palpite simples errou menos. O LSTM chegou perto em quatro moedas (no iene, errou cerca de 10 vezes mais). Os novatos erraram de cerca de 7 a mais de 500 vezes mais.
Escala logarítmica: cada degrau de altura multiplica o erro por 10. O número na barra é o erro dividido pelo do "amanhã = hoje", calculado por nós com os valores arredondados das Tabelas 5 a 9 (aproximado quando os erros são muito pequenos).
Ver os valores da tese
O veterano ficou em 2º; os novatos, no meio
A ordem do topo e do fim não mudou: "amanhã = hoje" em 1º, LSTM em 2º e TimeGAN, de uma família de técnicas feita para gerar imagens, em último. No meio, a posição dos novatos e do ARIMA varia de moeda para moeda.
Altura do bloco: posição pelo RMSE (1º = mais alto). O número no topo é a posição. Toque num bloco para ver o erro.
Acertar se sobe ou desce: perto de cara ou coroa
Para quem negocia, acertar a direção pode valer mais que acertar o valor. Por isso alguns autores propõem essa régua. A dissertação mostra que todos os modelos de IA acertam a direção bem mais que o "amanhã = hoje".
Mas há um detalhe: o "amanhã = hoje" nunca diz "sobe" nem "desce", então quase nunca acerta a direção (de 0,6% a 5%). A comparação justa é com uma moeda jogada ao ar: 50%. Os modelos ficaram entre 40,4% e 54,9%.
Leitura nossa. Acerto de direção (MDA) das Tabelas 5 a 9. Nos gráficos da dissertação, o período de teste tem cerca de 700 dias. Nessa quantidade, quem chuta com uma moeda acerta entre 46% e 54% em 95% das vezes. A dissertação não testa se os acertos dos modelos diferem do acaso.
O que muda para quem depende do câmbio
O câmbio afeta o preço do pão, o custo de uma importação e a política do Banco Central. Um modelo que o previsse bem valeria muito. A pesquisa mostra que, no curto prazo, a inteligência artificial ainda não chegou lá.
Para empresas que compram ou vendem em dólar
- Para o dia seguinte, o preço de hoje continua sendo o melhor palpite.
- Faz mais sentido se proteger da variação (com contratos de hedge) do que apostar numa previsão diária.
Para governos e bancos centrais
- Prever o câmbio ajudaria a antecipar o efeito de decisões econômicas.
- Os resultados pedem cautela com qualquer ferramenta que prometa acertar o câmbio de amanhã.
Para investidores
- Para o autor, acertar a direção é o que importa para lucrar, e os modelos de IA fazem isso melhor que o "amanhã = hoje".
- Acertos perto de 50%, porém, não garantem vantagem sobre o acaso (tela 08).
Para pesquisadores
- Dos novatos, o N-BEATS foi o mais promissor (melhor posição média).
- Próximos passos: ajustar os parâmetros, usar mais dados e combinar técnicas em modelos híbridos.
Quatro décadas depois, o quebra-cabeça de Meese e Rogoff continua de pé, agora também diante da inteligência artificial. Para o autor, com o avanço rápido dessas técnicas, vale continuar tentando.
O que esta pesquisa não diz
- Sem ajuste fino. Os modelos rodaram com os parâmetros padrão. Ajustá-los, usar mais dados e combinar técnicas pode melhorar o desempenho. · segundo o autor
- Um horizonte só: o dia seguinte. Outros estudos encontram resultados diferentes em prazos mais longos (de meses a anos). · segundo a revisão da dissertação
- Período de teste não informado. A dissertação não diz quais dias foram usados para treinar e quais para testar os modelos. · observação nossa
- Diferenças sem teste estatístico. As posições vêm da comparação direta dos erros. Não há teste de que as diferenças entre modelos, ou entre o acerto de direção e 50%, não sejam fruto do acaso. · observação nossa
Créditos
FRANCISCO, Pedro Paulo Galindo. Alternativas para a previsão da taxa de câmbio: a eficácia dos modelos de deep learning. Dissertação (Mestrado em Administração de Empresas) — Universidade Presbiteriana Mackenzie, São Paulo, 2024. Orientador: Prof. Dr. Eli Hadad Junior.
Pesquisa com apoio da CAPES. Cotações diárias da Bloomberg; modelos em Python, com as bibliotecas TensorFlow e Darts. Esta versão simplifica o trabalho para o público em geral; a descrição técnica dos modelos e as tabelas completas estão no texto original.