Sistema Híbrido para Previsão de Preços de Commodities Agrícolas

Resumo

As commodities agrícolas como: boi gordo, açúcar, arroz, milho, etanol, ouro, dentre outros produtos do setor primário, desempenham uma participação significativa na economia brasileira e, por consequência, na balança comercial do país (CARPIO, 2019). Os preços das commodities sofrem influências de fatores como por exemplo: taxa de câmbio, pandemia, conflitos bélicos e clima que afetam agentes econômicos como: governo, consumidores, produtores agrícolas, empresários, investidores e corretores dos mercados financeiros (NAEEM et al, 2022). A alta volatidade dos preços dos produtos agrícolas, impactam diretamente nos índices de inflação do país, a exemplo do Índice Nacional de Preços ao Consumidor Amplo – IPCA. Isto porque, algumas commodities fazem parte da planilha de custos da cadeia produtiva, a exemplo do milho que é utilizado como ração para o frango, a cana-de-açúcar que é utilizada para a produção do combustível etanol. Nesse sentido, a volatilidade dos preços das commodities agrícolas têm impacto nos custos de produção, influenciando diretamente no fenômeno da inflação (GOSPODINOV, 2013). Para Rausser e Gorter (2014), a previsão correta dos preços das commodities agrícolas pode influenciar na tomada de decisão dos formuladores de políticas macroeconômicas envolvendo taxa básica de juros, composição da política fiscal do governo, projeção do PIB, dentre outros a fim de reduzir o impacto da volatilidade dos preços na economia. No entanto, a construção de modelos de previsão para commodities com intervalo de confiança significativo, ainda é uma tarefa desafiadora considerando que no mundo real os preços das commodities possuem padrões lineares e não lineares de comportamento (KOURENTZES et al, 2019). Em meio a esse cenário, o objetivo geral dessa pesquisa foi propor um sistema híbrido composto de três sistemas principais: Previsão linear utilizando a abordagem ARIMA, previsão de resíduos não lineares utilizando os modelos de previsão SVR e MLP, e combinação de previsões (Linear e Não Linear juntos). Especificamente, pretendeu-se aplicar um algoritmo de otimização de partículas – PSO para realizar a seleção de variáveis exógenas e, também, a otimização de hiper parâmetros do modelo de previsão não linear.  respectivamente. O algoritmo PSO conduz uma pesquisa global sobre o espaço de parâmetros, a fim de melhorar os resultados do sistema. Cada solução candidata, muitas vezes referida como uma partícula, é um Vetor N -dimensional, onde cada dimensão pode representar um dos parâmetros a serem otimizados. A otimização discreta de PSO foi empregada na tarefa de seleção de variáveis na primeira fase do sistema híbrido. Cada partícula na população é representada por um vetor binário que codifica um subconjunto de características. As partículas correspondem a uma série de bits com os únicos valores possíveis no conjunto {0,1}, onde 1 indica que a característica correspondente está selecionada. Caso contrário, a característica não é selecionada, as partículas são codificadas para permitir tanto uma otimização discreta quanto contínua (KENNEDY e EBERHART, 1997). Os experimentos da pesquisa foram realizados com os preços das commodities (milho, café, gado, arroz, soja, frango, algodão e etanol). Além da taxa de câmbio do dólar, e dados relacionados à covid-19 (número de novos casos, número de mortes, mortes acumuladas). O período coberto, com a frequência diária, foi de fevereiro/2020 a agosto/2021, totalizando 548 registros. Os dados sobre os preços das commodities foram coletados do Centro para Estudos Avançados em Economia Aplicada (CEPEA), a taxa de câmbio foi obtida do Ipeadata mantido pelo Instituto de Pesquisa Econômica Aplicada - (IPEA). Para o coronavírus foi utilizado o painel de comunicação sobre a situação epidemiológica da COVID-19 no Brasil. O banco de dados foi dividido em 60% para treino, 20% para validação e 20% para testes. O desempenho dos modelos de previsão foram analisados através das métricas: Erro Absoluto Percentual Médio (MAPE) e Erro Quadrático Médio (MSE). e os valores mais baixos de MSE estão em negrito. A pesquisa identificou que o método proposto alcançou o melhor MSE na maioria das commodities, exceto para os conjuntos de dados Milho, Arroz e Algodão. A inclusão de variáveis exógenas melhorou o modelo ARIMA em dois conjuntos de dados (Milho e Frango). Por fim, o estudo combinou um modelo linear com variáveis exógenas (ARIMAX) e um modelo não linear de Regressão Vetorial de Suporte com Otimização de enxame (PSO).
 
Palavras-chave: Previsão de Séries Temporais; Otimização por Partícula de Enxame – PSO; Preços de Commodities; Sistemas Híbridos.