Resumo Executivo

José Luis Almeida Rocha; Edilson José Rodrigues

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este trabalho desenvolve e compara um portfólio de modelos de séries temporais para prever o volume de operações de câmbio exportação no Brasil. O objetivo é identificar o algoritmo de maior acurácia, medido pelo Erro Percentual Absoluto Médio (MAPE), utilizando dados mensais do Banco Central do Brasil de um período economicamente diversificado. A finalidade é fornecer uma ferramenta quantitativa para subsidiar a tomada de decisão em ambientes corporativos e institucionais; a previsibilidade dos fluxos de divisas é crítica para planejamento financeiro e gestão de riscos. A pesquisa valida estatisticamente o modelo de melhor desempenho, assegurando que seus resíduos não contenham informação temporal remanescente e sigam uma distribuição normal, condições essenciais para a confiabilidade das previsões.

O comércio exterior é fundamental para a economia brasileira, posicionando o país como um fornecedor global de commodities. As operações de câmbio comercial, que viabilizam as transações de exportação, são centrais nesse processo, garantindo a entrada de divisas e impactando a competitividade dos produtos nacionais (Governo Federal, 2012). A dinâmica desses fluxos financeiros é sensível a fatores como políticas monetárias, preços de commodities e o cenário econômico internacional, tornando sua previsão uma tarefa complexa e de alto valor.

A previsão do volume de câmbio exportação é uma necessidade pragmática para diversos agentes econômicos. Para empresas exportadoras, estimativas acuradas otimizam o planejamento de caixa, a gestão de capital de giro e decisões de investimento. Para instituições financeiras, a previsibilidade desses volumes é crucial para a gestão de liquidez em moeda estrangeira e para o desenvolvimento de produtos de hedge cambial (BCB, 2020). Para formuladores de políticas públicas, projeções confiáveis servem como insumo para a condução da política cambial. Diante disso, modelos de séries temporais emergem como uma abordagem metodológica capaz de decodificar padrões históricos para projetar comportamentos futuros.

A literatura acadêmica apoia o uso de modelos de séries temporais para a análise de variáveis macroeconômicas brasileiras. Estudos como o de Genin (2022) demonstram que, em um ambiente de elevada volatilidade cambial, a escolha do modelo deve equilibrar precisão estatística e aplicabilidade prática, sugerindo que a comparação entre múltiplas técnicas é um caminho prudente. A pesquisa de Koshiyama et al. (2019) evidencia que o desempenho de modelos como ARIMA e Holt-Winters pode variar substancialmente a depender da intensidade da sazonalidade e da ocorrência de choques estruturais. Os autores argumentam que a robustez de um modelo se mede também por sua capacidade de se adaptar a mudanças de regime, o que justifica a análise comparativa realizada no presente estudo.

O debate metodológico se estende à comparação entre modelos lineares e não lineares. Enquanto Morettin e Toloi (2018) defendem a solidez e a interpretabilidade dos modelos lineares univariados, outras correntes apontam para o potencial de técnicas de aprendizado de máquina, como redes neurais, que podem capturar relações não lineares complexas. Contudo, como destacam Oliveira, Albarracin e Silva (2024), essas alternativas mais sofisticadas acarretam desafios como maior custo computacional, necessidade de grandes volumes de dados e risco de sobreajuste (overfitting), o que pode comprometer a generalização do modelo. Neste contexto, a pesquisa foca em um conjunto de modelos de séries temporais clássicos, cuja eficácia e parcimônia os tornam adequados para aplicações com dados de frequência mensal e horizontes de previsão de médio prazo.

Este estudo é uma pesquisa quantitativa, baseada na implementação de algoritmos de machine learning para análise de séries temporais. Foi utilizada a linguagem Python com as bibliotecas statsmodels, pandas e scikit-learn. Os dados secundários públicos foram obtidos da API “sgs” do Banco Central do Brasil. A série temporal utilizada é a de código 11045, que registra o volume mensal contratado de câmbio exportação no Brasil, em milhões de dólares. O período de análise abrange de janeiro de 2010 a dezembro de 2024, totalizando 180 observações. A base de dados foi dividida em um conjunto de treinamento (janeiro de 2010 a dezembro de 2022, 156 observações) e um de teste (janeiro de 2023 a dezembro de 2024, 24 observações) para validação externa (out-of-sample).

A metodologia envolveu a comparação de oito modelos de previsão. Foram testados modelos de benchmark simples (Naive, Mean, Drift, Naive Sazonal) e modelos de suavização exponencial, incluindo a Suavização Exponencial Simples (SES) e os modelos de Holt-Winters (Aditiva e Multiplicativa). Estes últimos são poderosos por decomporem a série em componentes de nível, tendência e sazonalidade (Hyndman & Athanasopoulos, 2018). Por fim, foi testado o modelo ARIMA/SARIMA (Média Móvel Integrada Autoregressiva Sazonal), cujos parâmetros foram otimizados através da função auto_arima para minimizar o Critério de Informação de Akaike (AIC).

A seleção do modelo de melhor desempenho foi realizada utilizando o Erro Percentual Absoluto Médio (MAPE) como métrica principal, calculado comparando as previsões para o período de teste (2023-2024) com os valores reais. O MAPE foi escolhido por sua fácil interpretação, expressando o erro como uma porcentagem. Adicionalmente, os critérios de informação AIC e BIC foram utilizados como medidas complementares para avaliar o ajuste dos modelos, favorecendo a parcimônia. O modelo com o menor MAPE, corroborado por valores competitivos de AIC e BIC, foi considerado o mais adequado.

Após a identificação do modelo ótimo, foi conduzida uma validação diagnóstica sobre seus resíduos. Aplicou-se o teste de Ljung-Box para verificar a ausência de autocorrelação serial, condição para que os resíduos se comportem como ruído branco (Box et al., 2015). A não rejeição da hipótese nula (p-valor elevado) indica que o modelo capturou a estrutura temporal dos dados. Em seguida, foram realizados os testes de normalidade de Kolmogorov-Smirnov e Shapiro-Wilk. A normalidade dos resíduos é uma premissa desejável, sugerindo que as variações não explicadas pelo modelo são aleatórias. A confirmação dessas propriedades confere maior validade estatística e confiabilidade às previsões.

A análise exploratória dos dados revelou uma média mensal de US$ 18.674 milhões e um desvio padrão de US$ 4.309,32 milhões. A série apresentou um valor mínimo de US$ 10.085,49 milhões e um máximo de US$ 32.867,56 milhões, indicando elevada variabilidade. A mediana de US$ 17.935,58 milhões, próxima à média, não aponta para assimetria extrema, mas a dispersão confirma a volatilidade da série. A inspeção visual do gráfico de evolução mensal reforçou a percepção de volatilidade e revelou uma tendência de crescimento não linear. A análise de decomposição da série separou-a em componentes de tendência, sazonalidade e resíduos, expondo um padrão cíclico recorrente, com picos de volume concentrados em determinados meses. A identificação clara da tendência e da sazonalidade justificou o potencial de modelos como Holt-Winters e SARIMA.

O teste de estacionariedade de Dickey-Fuller Aumentado, aplicado na série de treinamento, resultou em uma estatística de teste de -2,099 e um p-valor de 0,244. Isso não permitiu a rejeição da hipótese nula de que a série possui uma raiz unitária, confirmando estatisticamente que a série é não estacionária, uma característica que precisa ser tratada por modelos como o ARIMA através da diferenciação (Dickey & Fuller, 1979). A análise dos gráficos de autocorrelação (ACF) e autocorrelação parcial (PACF) forneceu insights adicionais. O gráfico ACF exibiu um decaimento lento, padrão de séries não estacionárias, e picos significativos em lags sazonais (12, 24), confirmando a componente sazonal. O gráfico PACF mostrou picos nos primeiros lags, sugerindo uma componente autorregressiva. Juntos, os gráficos indicaram que um modelo apropriado deveria lidar com tendência, sazonalidade e correlação temporal.

A comparação de modelos produziu resultados conclusivos. Após o treinamento e a geração de previsões para 24 meses, o cálculo do MAPE revelou uma clara hierarquia de desempenho. O modelo Holt-Winters Aditivo destacou-se como o mais preciso, com um MAPE de 7,05%. Em segundo lugar, o modelo Naive Sazonal obteve um MAPE de 8,71%, evidenciando a força da componente sazonal. O modelo Holt-Winters Multiplicativo ficou em terceiro, com um MAPE de 9,64%. Os modelos mais simples, como Drift (12,43%), SES (13,59%) e Naive (14,02%), apresentaram erros maiores, enquanto o modelo Mean (24,98%) se mostrou inadequado.

A análise do modelo Holt-Winters Aditivo revelou parâmetros otimizados que refletem a dinâmica da série: um parâmetro de nível (α) de 0,4211, e parâmetros de tendência (β) e sazonalidade (γ) próximos de zero (4,14 x 10⁻¹⁷ e 1,04 x 10⁻¹⁷, respectivamente). O valor de alfa sugere que o modelo atribui peso considerável às observações recentes para estimar o nível, adaptando-se a mudanças. Os valores baixos de beta e gama indicam que os componentes de tendência e sazonalidade são estáveis e foram bem capturados a partir dos dados históricos. Essa combinação permitiu ao modelo seguir a tendência geral e replicar com precisão o padrão sazonal aditivo.

Um resultado notável foi o desempenho relativamente fraco do modelo ARIMA/SARIMA, que obteve um MAPE de 15,78%, sendo o segundo pior modelo. Os critérios de informação confirmaram essa inferioridade: o SARIMA apresentou os maiores valores (AIC 2726; BIC 2747), enquanto o Holt-Winters Aditivo registrou os menores (AIC 2499; BIC 2548). Fatores como variações na intensidade dos ciclos anuais, quebras estruturais no período de estudo e a propagação de erros em um horizonte de previsão longo (24 meses) podem explicar esse resultado. A abordagem mais direta e adaptativa do Holt-Winters provou ser mais eficaz e robusta para esta série específica.

A validação final do modelo Holt-Winters Aditivo por meio da análise de resíduos confirmou sua adequação estatística. O teste de Ljung-Box, com defasagem de 12 períodos, resultou em um p-valor de 0,8860. Sendo o valor superior a 0,05, a hipótese nula de ausência de autocorrelação não foi rejeitada, indicando que os resíduos se comportam como ruído branco. Adicionalmente, os testes de normalidade de Kolmogorov-Smirnov e Shapiro-Wilk produziram p-valores de 0,9464 e 0,7957, respectivamente. Ambos os valores, também acima de 0,05, levaram à não rejeição da hipótese nula de que os resíduos seguem uma distribuição normal. Esses resultados atestam a qualidade do ajuste e a confiabilidade do modelo.

Os resultados evidenciam o potencial dos modelos de séries temporais como ferramentas de suporte à decisão no comércio exterior brasileiro. A superioridade do modelo Holt-Winters aditivo, com um MAPE de 7,05%, demonstra sua capacidade de capturar a combinação de tendência e padrões sazonais do volume de câmbio exportação. Para gestores de tesouraria e risco, essa acurácia permite a projeção de fluxos de caixa em moeda estrangeira com maior confiança, otimizando o planejamento de liquidez. Previsões consistentes fundamentam estratégias de hedge mais assertivas, permitindo que empresas dimensionem o uso de derivativos cambiais para mitigar a exposição à volatilidade do real, protegendo suas margens de lucro. A previsão se converte em um instrumento de gestão estratégica, aumentando a resiliência e a competitividade.

A escolha do modelo ótimo é contingente às características da série analisada. O desempenho superior do Holt-Winters neste estudo está ligado à natureza da série mensal de câmbio, que exibe uma sazonalidade aditiva bem definida. A alteração de parâmetros, como o uso de dados diários ou a inclusão de variáveis exógenas, poderia levar a uma hierarquia de modelos diferente, possivelmente favorecendo abordagens como SARIMAX ou vetores autorregressivos (VAR). A exploração de algoritmos não lineares, como redes neurais (LSTM), poderia, em futuras pesquisas, revelar padrões mais sutis e gerar previsões ainda mais acuradas, embora com maior complexidade. Conclui-se que o objetivo foi atingido: demonstrou-se que o modelo Holt-Winters aditivo é a ferramenta mais precisa e estatisticamente robusta para a previsão do volume financeiro de contratos de câmbio exportação dentre as alternativas avaliadas.

Referências:
BANCO CENTRAL DO BRASIL. Relatório de Estabilidade Financeira: Análise do mercado de câmbio no Brasil. Brasília, DF: Banco Central, jun. 2020. Disponível em: https://www. bcb. gov. br/publicacoes/relatorio-de-estabilidade-financeira. Acesso em: 30 mar. 2025.
BANCO CENTRAL DO BRASIL. Série Temporal 11045: Operações de câmbio exportação. Disponível em: https://api. bcb. gov. br/dados/serie/bcdata. sgs.11045/dados. Acesso em: 30 mar. 2025.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control. John Wiley & Sons.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
GENIN, Camila de Souza Vasconcelos. Modelos de Projeção de Câmbio: Uma Investigação Múltipla com Séries de Tempo, Modelos Estruturais e Model Selection. São Paulo: Universidade Presbiteriana Mackenzie, 2022. Disponível em: https://adelpha-api. mackenzie. br/server/api/core/bitstreams/7cd0de17-e2b9-4349-8e09-6e42abf9fa8c/content. Acesso em: 21 dez. 2025.
GOVERNO FEDERAL. Exportação Passo a Passo. Brasília, DF: [s. n.], 2012. Disponível em: https://www. gov. br/empresas-e-negocios/pt-br/invest-export-brasil/arquivos-e-imagens/PUBExportPassoPasso2012. pdf. Acesso em: 30 mar. 2025.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.
KOSHIYAMA, Adriano Soares; NASCIMENTO, Nat

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}