Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
2 resultados
Resultados da Pesquisa
Dissertação Forecasting do PIB e da Inflação do Brasil: usando técnicas de machine learning(2025) Braga, Isis Aparecida DrezzaEste estudo explora o uso de técnicas modernas de machine learning para aprimorar as previsões do PIB e da inflação no Brasil. A análise utiliza um conjunto abrangente de indicadores macroeconômicos, incluindo variáveis nacionais, fornecidas pelo Banco Central do Brasil, e internacionais. Modelos como Random Forest, Lasso e CatBoost são implementados, sendo avaliados em comparação com métodos tradicionais, como modelos autoregressivos (AR) e Random Walk. Além disso, o impacto das expectativas do Boletim Focus na precisão preditiva é investigado, utilizando métricas como o erro médio quadrático raiz (RMSE) e o Teste Diebold Mariano para identificar diferenças estatisticamente significativas entre os modelos. Adicionalmente, a análise de importância das variáveis permite avaliar a contribuição das expectativas para o desempenho preditivo. O estudo busca não apenas quantificar os benefícios das técnicas modernas de machine learning, mas também compreender como a incorporação de variáveis prospectivas pode enriquecer as previsões econômicas em cenários complexos e dinâmicos como o do Brasil.- Modelo de previsão de preço futuro de petróleo bruto nos Estados Unidos(2023) Guelman, BeatrizA indústria do petróleo ocupa um lugar de importância na economia mundial; segundo a Statistical Review of World Energy, publicada em 2021, mais de 80% da energia consumida no mundo é fruto de combustível fóssil. Dentro da indústria do petróleo, a economia americana e, consequentemente, o dólar ocupam um lugar de importância na indústria do petróleo principalmente após o ano de 1974. O entendimento do comportamento do petróleo e como ele se relaciona com o mercado financeiro é importante não apenas para empresas produtoras de mercadorias ou commodities, que são afetadas diretamente pela variação dos preços, mas também para investidores da bolsa, gerentes de portifólio e especuladores em geral; o petróleo é chave para a construção de portifólios bem diversificados e para decisões financeiras que maximizam retornos e otimizam as decisões de risco. O principal objetivo deste trabalho é examinar diferentes modelos de previsão para os preços futuros do petróleo nos Estados Unidos. Três modelos são examinados para identificar empiricamente o modelo com maior precisão e melhores resultados preditivos. Foram feitas previsões sob os modelos Autorregressivo e de Médias Móveis Integrado (ARIMA), Vetor Autorregressivo (VAR) e de Random Forest para os períodos de 01 de janeiro de 2019 a 01 de dezembro de 2019 e 01 de julho de 2021 a 01 de junho de 2022. O modelo VAR, se comparado aos três modelos selecionados e com os parâmetros utilizados, conseguiu descrever melhor o cenário econômico e o petróleo como um agente econômico e financeiro, levando em consideração seus componentes e relação com outros fatores. Contudo, o modelo de Random Forest tem maior sensibilidade em capturar as movimentações e os choques no preço, demonstrando quedas e altas ao longo do tempo.