MODELOS DE PROJEÇÃO DA TAXA DE CÂMBIO DA MOEDA BRASILEIRA CONTRA A MOEDA AMERICANA

Resumo

O presente artigo compara o desempenho preditivo de quatro arquiteturas de redes neurais (LSTM, N-BEATS, N-HiTS e TCN) frente ao modelo de passeio aleatório, na projeção da taxa de câmbio entre o real e o dólar em frequência intradiária. O problema de pesquisa é verificar se essas arquiteturas superam o benchmark ingênuo que a literatura consagrou como critério mínimo para a previsão cambial. Utilizaram-se dados de um minuto do Sistema Bloomberg, entre janeiro de 2024 e abril de 2025, submetidos a tratamento que incluiu a reconstrução da linha temporal, a correção da conversão da cotação, a delimitação da sessão de negociação a partir de fontes oficiais do Banco Central e da B3 e a exclusão das variações que atravessam a virada de pregão. A série foi caracterizada por testes de raiz unitária, razão de variâncias, agrupamento de volatilidade e normalidade, calculados exclusivamente sobre a amostra de treino. As quatro arquiteturas foram treinadas sob protocolo experimental idêntico e avaliadas em quatro frequências, com comparação formal por meio do teste de Diebold-Mariano e de alternativas livres de suposição distributiva. Em quinze das dezesseis combinações, o erro superou o do passeio aleatório, mas, em nenhuma delas, a diferença mostrou-se estatisticamente significativa. A hipótese de superioridade das redes neurais não se confirmou. A vantagem do benchmark concentra-se integralmente nos intervalos em que o preço não se altera; nos intervalos em que há movimento, o desempenho das arquiteturas não revela vantagem sistemática.