Mestrado Profissional em Economia
URI permanente para esta coleçãohttps://repositorio.insper.edu.br/handle/11224/3240
Navegar
3 resultados
Resultados da Pesquisa
Dissertação Construção de Intervalos Dinâmicos de Previsão para a Inflação Norte-Americana via Random Forest e Predição Conformal(2026) Monetti, João Victor Aprile Tayar LoboA predição da inflação é uma tarefa central para a condução da política monetária, mas a literatura recente, embora bem-sucedida em melhorar as predições pontuais com Machine Learning, ainda carece de métodos robustos para a quantificação da incerteza em tempo real. Este trabalho propõe uma metodologia para construir intervalos de predição para a inflação norte-americana, combinando a acurácia do modelo Random Forest com a robustez do algoritmo de Predição Conformal Adaptativa via Agregação Dinâmica (DtACI). Utilizando a base de dados FRED-MD, a análise é conduzida em um esquema de janela rolante cobrindo o período de 1990 a 2025. Os resultados demonstram que o modelo preditivo reduz o erro quadrático médio em aproximadamente 30% em relação ao benchmark. Na quantificação de incerteza, evidencia-se que métodos com parâmetros fixos falham diante de mudanças de regime, resultando em falhas de cobertura ou volatilidade excessiva. O método DtACI soluciona este dilema ao arbitrar autonomamente entre especialistas conservadores e reativos. A abordagem gera intervalos que respeitam a cobertura nominal de 90% e atuam como um termômetro de risco, expandindo-se rapidamente durante choques exógenos como a crise de 2008 e a pandemia de 2020, mantendo-se estatisticamente robustos onde métodos estáticos falham.Dissertação Previsão de falências corporativas no Brasil: Uma abordagem multiperíodo comparando métodos tradicionais e aprendizado de máquina com ênfase nos impactos econômicos(2024) Miranda, Diego Filippe Assis deEsta dissertação investiga a previsão de falências corporativas no Brasil por meio de uma abordagem multiperíodo, comparando métodos tradicionais, como o modelo Z-Score de Altman, a técnicas de aprendizado de máquina, incluindo Random Forest e CatBoost. A análise concentra-se na avaliação da eficácia desses modelos em diferentes horizontes temporais, com ênfase nas métricas estatísticas e nos impactos econômicos associados. Dentre os aspectos econômicos investigados, destacam-se o custo de classificação incorreta, a precificação de crédito e os efeitos no valor alavancado das empresas. Além disso, o trabalho destaca a importância de adaptar técnicas preditivas ao contexto brasileiro, que é caracterizado pela escassez de dados financeiros robustos e por desafios específicos ao ambiente econômico local. Os resultados evidenciam que os modelos de aprendizado de máquina não apenas superam os métodos tradicionais em termos de precisão preditiva, mas também apresentam potencial para aprimorar a tomada de decisões estratégicas, mitigar riscos financeiros e aumentar o valor das empresas no longo prazo.Dissertação Previsão através de técnicas de machine learning de períodos risk-off no Brasil(2022) Fernandes, Carlos Vinícius CotrimEste artigo utiliza técnicas de machine learning como K-médias e clusters hierárquicos e o comovimento dos principais ativos financeiros brasileiros ligados aos mercados de juros, câmbio e renda variável para identificar períodos popularmente conhecidos como risk-on e risk-off no Brasil. Após identificar os períodos, busco prevê-los com o uso de diversas variáveis macroeconômicas em defasagens de três, seis e doze meses com relação aos períodos encontrados e Random Forests. Aqui temos a contribuição relevante de variáveis não frequentemente utilizadas para previsões como dados de emprego e índices de preços. Por fim, realizo simulações de carteiras com os ativos brasileiros e as previsões obtidas, buscando mostrar uma aplicação possível para os períodos risk-off encontrados e as previsões das Random Forests, nessas simulações temos ganho de rentabilidade independente da defasagem em relação ao portfólio 60/40 e ganho de rentabilidade das defasagens 6 e 12 meses em relação ao CDI