Alternativas para a previsão da taxa de câmbio: a eficácia dos modelos de deep learning
| dc.contributor.advisor | Hadad Junior, Eli | |
| dc.contributor.author | Francisco, Pedro Paulo Galindo | |
| dc.date.accessioned | 2025-05-20T15:02:17Z | |
| dc.date.available | 2025-05-20T15:02:17Z | |
| dc.date.issued | 2025-02-19 | |
| dc.description.abstract | Este estudo aborda o quebra-cabeça de Meese-Rogoff introduzindo algumas das mais recentes técnicas de Deep Learning como alternativas para a predição da taxa de câmbio. Utilizando o RMSE como métrica de comparação, Meese e Rogoff descobriram que modelos econômicos são incapazes de superar o modelo de Random Walk como preditores do câmbio no curto prazo. Décadas após este estudo, nenhuma técnica de predição estatística se mostrou eficaz para vencer este obstáculo; ainda que houvesse resultados positivos, eles não se aplicavam para todas as moedas e períodos específicos. No entanto, o avanço recente de tecnologias envolvendo inteligência artificial, abriram o caminho para uma nova abordagem na predição do câmbio. Provendo-se dessa tecnologia, aplicamos seis técnicas de Deep Learning visando superar o quebra-cabeça de Meese e Rogoff. Consideramos o período diário para as moedas do real, iene, libra esterlina, euro e o yuhan chinês contra o dolar americano, em um horizonte de tempo de 2010 a 2023. Nossos resultados mostraram que nenhuma das técnicas apresentadas conseguiu produzir resultados melhores que os modelos de Random Walk, entretanto, parte dos modelos foram capazes de superar o ARIMA, além de apresentar um poder de previsão da direção do preço superior ao Random Walk. Essa conclusão sugere que modelos de Deep Learning possuem um potencial inexplorado, representando, no longo prazo, uma possibilidade eficaz na previsão da taxa de câmbio. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/40829 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.publisher.country | Brasil | |
| dc.publisher.initials | UPM | |
| dc.subject | taxa de câmbio | |
| dc.subject | séries temporais | |
| dc.subject | machine learning | |
| dc.subject | deep learning | |
| dc.title | Alternativas para a previsão da taxa de câmbio: a eficácia dos modelos de deep learning | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2030318390506756 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-2985-9241 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/1040268503012844 | |
| local.contributor.authorOrcid | https://orcid.org/0009-0004-2429-2578 | |
| local.contributor.board1 | Basso, Leonardo Fernando Cruz | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/1866154361601651 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-3064-0194 | |
| local.contributor.board2 | Castro, Paulo Andre de Castro | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/2137986175572481 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0001-5515-1672 | |
| local.description.abstracten | This study addresses the Meese-Rogoff puzzle by introducing some of the latest Deep Learning techniques as alternatives for exchange rate prediction. Using RMSE as a comparison metric, Meese and Rogoff found that economic models are unable to outperform the Random Walk model as predictors of exchange rates in the short term. Decades after this study, no statistical prediction technique has proven effective in overcoming this hustle; even when positive results were achieved, they did not apply to all currencies or specific periods. However, recent advancements in artificial intelligence technologies have paved the way for a new approach to exchange rate prediction. Leveraging this technology, we applied six Deep Learning techniques aimed at overcoming the Meese-Rogoff puzzle. We analyzed daily exchange rates for the Brazilian real, Japanese yen, British pound, euro, and Chinese yuan against the US dollar, over a time horizon from 2010 to 2023. Our results showed that none of the presented techniques outperformed the Random Walk models; however, some models were able to surpass ARIMA and demonstrated a superior ability to predict price direction compared to Random Walk. This conclusion suggests that Deep Learning models have untapped potential, representing a promising long-term possibility for effective exchange rate forecasting. | |
| local.keywords | exchange rate | |
| local.keywords | time series | |
| local.keywords | machine learning | |
| local.keywords | deep learning | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.program | Administração de Empresas | |
| local.subject.cnpq | CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO DE EMPRESAS |