Previsão de Preço de Commodities
GAMLSS · MSGARCH bayesiano · Validação em origem móvel · R
A pergunta de negócio
Quem compra grão não precisa saber apenas para onde o preço vai. Precisa saber o quanto esse número pode estar errado, e se errar custa o mesmo nas duas direções.
A maior parte da previsão para na primeira pergunta. Uma cooperativa decidindo quando vender, ou uma indústria decidindo quanto travar, está de fato fazendo a segunda.
Os dados
Apenas séries públicas: preços de commodities agrícolas em bolsas internacionais e no mercado doméstico brasileiro, diários, ao longo de vários anos, com o câmbio como ponte entre eles. Nenhum dado de cliente é usado em momento algum.
O método, e por que esse
A simplificação de sempre. Modelos padrão de volatilidade deixam a dispersão dos retornos variar no tempo, mas mantêm o resto fixo — assimetria e peso de cauda são tratados como constantes. Em mercado agrícola essa premissa é desconfortável: uma seca não alarga a distribuição de forma simétrica.
Deixar a distribuição inteira se mover. O GAMLSS dá a cada parâmetro da distribuição — posição, escala, assimetria, curtose — o seu próprio modelo, com suas próprias covariáveis. A forma da distribuição passa a ser estimada ao longo do tempo, em vez de presumida.
Regimes, não deriva gradual. Mercado de grão não desliza suavemente de calmo para turbulento; ele troca. O GARCH com mudança markoviana estima os estados e as probabilidades de transição entre eles, e o tratamento bayesiano carrega a incerteza dos parâmetros adiante, em vez de colapsá-la numa estimativa pontual.
Validação que respeita o tempo. Um modelo calibrado na amostra inteira sempre parece bom. A avaliação em origem móvel reestima a cada passo usando só o que era conhecível naquele momento, e cada camada acrescentada tem de justificar sua existência contra alternativas mais simples — um GARCH comum, um ARIMA, um passeio aleatório. Um modelo mais elaborado que não supera o simples é um achado, não um fracasso.
O resultado
Deliberadamente não publicado aqui. Os manuscritos por trás deste trabalho estão em avaliação por pares, e colocar os resultados num site pessoal antes de os periódicos se pronunciarem seria má prática — e injusto com quem os está revisando.
O que dá para dizer é o formato do trabalho: esta é uma etapa de uma tese de doutorado sobre otimização multiobjetivo e multiperíodo de portfólio em mercados de commodities agrícolas, na qual a modelagem distribucional alimenta a volatilidade com mudança de regime, que alimenta a simulação de cenários, que alimenta a camada de otimização. Cada etapa se sustenta como manuscrito próprio.
O que desta linha chegar a sair está listado na página de pesquisa, ao lado dos artigos de congresso que já trazem link para os anais. O caso abaixo é a parte que hoje é pública e roda.
O código
A escada de modelos descrita aqui — MSGARCH primeiro, recuando para GARCH e depois ARIMA quando os diagnósticos de resíduo reprovam — está implementada e rodando no estudo de caso multiagente, com dado público e cache congelado para que qualquer um reproduza:
Analista de Commodities Multiagente Repositório
O trabalho já publicado nesta linha está na página de pesquisa, onde quatro artigos de congresso trazem link para os anais.