Aplicação de técnicas de Machine Learning supervisionado na previsão da taxa de câmbio - Trabalho de Conclusão de Curso

Aug 3, 2026

Carregar por Aurelia

A taxa de câmbio, indicador econômico essencial para transações internacionais e para o planejamento estratégico de empresas e instituições financeiras, apresenta comportamento dinâmico e volátil. O trabalho propõe uma sistemática de previsão comparando modelos de séries temporais e técnicas de Machine Learning supervisionado. A seleção de variáveis é feita com o algoritmo mRMR. Modelos testados incluem Regressão Linear, Random Forest, Support Vector Machines, Stacking e ARIMA. A avaliação usa MAPE e RMSE, indicando desempenho superior do SVR, com melhor resultado ao utilizar apenas a Balança Comercial, para previsão mensal.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas30

Tempo de leitura46 min

AcessoDownload gratuito

Índice

RESUMO

ABSTRACT

1. INTRODUÇÃO

2. REFERENCIAL TEÓRICO

2.1 Algoritmos de Machine Learning supervisionado para predições financeiras

2.2 Modelos autorregressivos em previsões financeiras

2.3 Ranqueamento de variáveis em modelos preditivos

3. PROCEDIMENTOS METODOLÓGICOS

3.1 Cenário em estudo

3.2 Classificação da pesquisa

3.3 Etapas do trabalho

4. RESULTADOS E DISCUSSÕES

4.1 Análise exploratória

4.2 Resultado dos modelos supervisionados

4.3 Resultado do modelo ARIMA

4.4 Avaliação final dos modelos

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E TRANSPORTES TRABALHO DE CONCLUSÃO DE CURSO DE GRADUAÇÃO APLICAÇÃO DE TÉCNICAS DE MACHINE LEARNING SUPERVISIONADO NA PREVISÃO DA TAXA DE CÂMBIO GUSTAVO NUNES FERRAZ Orientador: MICHEL JOSÉ ANZANELLO, Ph.D PORTO ALEGRE NOVEMBRO/2025 RESUMO A taxa de câmbio é um indicador econômico vital, crucial para transações internacionais e o planejamento estratégico de empresas e instituições financeiras. Dada a natureza dinâmica, complexa e volátil do mercado de câmbio, a busca por métodos de previsão mais eficientes é constante. Este trabalho propõe uma sistemática para a previsão da taxa de câmbio, comparando modelos de séries temporais com técnicas de Machine Learning supervisionado. A metodologia envolve a ranqueamento das variáveis preditoras mais relevantes utilizando o algoritmo Minimum Redundancy Maximum Relevance (mRMR) . Os modelos de Machine Learning testados incluem Regressão Linear, Random Forest, Support Vector Machines e Stacking, além do modelo autorregressivo ARIMA. O desempenho dos modelos foi avaliadousando o Erro Percentual Absoluto Médio (MAPE) e a Raiz do Erro Quadrático Médio (RMSE) . Os resultados indicam que a maioria dos modelos supervisionados, exceto a Regressão Linear, apresentou um MAPE inferior a 10% na previsão da taxa de câmbio de periodicidade mensal. O modelo Support Vector Regression foi identificado como o modelopreditivo mais adequado, demonstrando o melhor desempenho ao utilizar apenas a variável Balança Comercial. Conclui-se que tanto os modelos de Machine Learning supervisionado quanto os de séries temporais podem gerar boas predições da taxa de câmbio de periodicidade mensal. Palavras-chave: machine learning, ranqueamento de variáveis, taxa de câmbio, séries temporais ABSTRACT The exchange rate is a vital economic indicator, crucial for international transactions and for the strategic planning of companies and financial institutions. Given the dynamic, complex, and volatile nature of the foreign exchange market, the search for more efficient forecasting methods is continuous. This study proposes a systematic approach for exchange rate forecasting by comparing time series models with supervised Machine Learning techniques. The methodology involves selecting the most relevant predictor variables using the Minimum Redundancy Maximum Relevance (mRMR) algorithm. The Machine Learning models tested include Linear Regression, Random Forest, Support Vector Machines, and Stacking, in addition to the autoregressive ARIMA model. Model performance was evaluated using the Mean Absolute Percentage Error (MAPE) and the Root Mean Squared Error (RMSE) . The results indicate that most supervised models, except Linear Regression, achieved a MAPE below 10% when forecasting the monthly exchange rate. The Support Vector Regression model was identified as the most suitable predictive model, demonstrating the best performance when using only the Trade Balance variable. It is concluded that both supervised Machine Learning models and time series models can generate reliable predictions of the monthly exchange rate. Keywords: machine learning, variable selection, exchange rate, time series SUMÁRIO RESUMO ................................................................................................................... 2 ABSTRACT................................................................................................................ 3 1. INTRODUÇÃO....................................................................................................... 5 2. REFERENCIAL TEÓRICO.................................................................................... 6 2.1 ALGORITMOS DE MACHINE LEARNING SUPERVISIONADO PARA PREDIÇÕES FINANCEIRAS ........................................................................................................... 6 2.1.1 REGRESSÃO LINEAR MÚLTIPLA

Perguntas frequentes

Quais modelos são comparados na previsão da taxa de câmbio?

O trabalho compara modelos de séries temporais, como ARIMA, com modelos de Machine Learning supervisionado, incluindo Regressão Linear, Random Forest, Support Vector Machines e Stacking.

Como as variáveis preditoras são selecionadas?

A seleção e ordenação das variáveis preditoras é feita com o algoritmo Minimum Redundancy Maximum Relevance (mRMR), buscando priorizar variáveis relevantes e reduzir redundância.

Quais métricas são usadas para avaliar o desempenho dos modelos?

O desempenho é avaliado pelo Erro Percentual Absoluto Médio (MAPE) e pela Raiz do Erro Quadrático Médio (RMSE).

Qual modelo apresenta melhor desempenho para previsão mensal e com quais variáveis?

O Support Vector Regression (SVR) é identificado como o modelo mais adequado, com melhor desempenho ao utilizar apenas a variável Balança Comercial.

Aug 3, 2026

Carregar por Aurelia