Essays in FX and commodities: from Value at Risk to deep learning models

Abstract

A previsão em commodities e FX são assuntos de extrema relevância para empresas e entidades governamentais, sobretudo em países como o Brasil, que dependem significativamente do setor agrícola, de mineração e das indústrias desta cadeia produtiva. Nestas economias as taxas de juro; de inflação; de emprego; custos de produção; taxas de câmbio e exportações podem ser fortemente afetados pela influência dos preços e da forte volatilidade das commodities agrícolas no mercado internacional. No entanto, apesar da relevância deste aspecto, as atividades de monitoramento e previsão dos preços e volatilidades destes ativos e a influência do câmbio na determinação dos fatores fundamentais para as variações destes elementos faz com que o exercício seja custoso para muitos agentes privados e públicos. Por conta disso esta ainda é uma área que oferece extensas possibilidades de pesquisa, sobretudo com o avanço das tecnologias e dos modelos para previsão de dados em larga escala. Esta tese colabora para demonstrar as vantagens da utilização, no âmbito das empresas que atuam na cadeia industrial do agronegócio e aquelas que de alguma forma são afetadas pelas altas volatilidades internacionais das commodities agrícolas, de metodologias econométricas e de técnicas de aprendizagem de máquina com modelos de redes neurais profundas, para a melhoria na previsão dos riscos de mercado, nos retornos e nas volatilidades destes ativos. Foram analisados modelos de previsão para séries de contratos futuros de soja, açúcar, milho, café, boi gordo, trigo, algodão, farelo e óleo de soja, petróleo e a taxa de câmbio entre o Real e o dólar (BRL/USD) para o período de fevereiro/2001 a maio/2019. Foram comparadas metodologias para séries individuais do tipo ARMA-GARCH; modelos multivariados para séries cointegradas do tipo VECM; modelos autorregressivos de defasagens distribuídas ARDL e modelos de redes neurais profundas com memória do tipo LSTM (Long Short-Term Memory). Para os períodos e séries analisados a abordagem de redes neurais profundas se mostrou mais poderosa ao ser capaz de oferecer uma redução significativa nos erros médios de previsão, de mais de 80% para alguns ativos.

Forecasting commodity and FX prices is a very important exercise, specially for countries that strongly rely on the agricultural and mining sector as Brazil, in which inflation; exchange rates; employment levels; terms of trade; exports; productivity; production costs and other economic aspects can be strongly affected by the agricultural sector’s performance. However, despite the relevance of this practice, monitoring commodities fundamental aspects (such as production volume; physical inventories; supply in other producing countries; local and foreign demand; climate conditions), all to a wide range of commodities each one having their own individual relevant elements, market structure and dynamics could be a very costly activity for policy makers and some players in the market and therefore this is still a field that offers extensive research possibilities, especially with the advances in technologies and models for large-scale data prediction. This thesis adds up to the research field by demonstrating the advantages in using econometric methodologies and machine-learning techniques with models of deep neural networks, to improve these assets’ market risks, returns and volatilities forecasts, in the scope of the companies that operate in the agribusiness industrial chain and those that are somehow affected by the high international volatilities. It were analyzed forecasting techniques for time series of futures contracts for soybeans, sugar, corn, coffee, live cattle, wheat, cotton, bran and soybean oil, petroleum and the exchange rate between the Real and dollar (BRL/USD), for the period from February/2001 to May/2019. Different ARMA-GARCH type methodologies for individual time series were compared against multivariate models for VECM cointegrated series; autoregressive models of ARDL distributed lags and models of deep neural networks with memory such as the LSTM (Long Short-Term Memory). Deep neural networks approach proved to be more powerful for the periods and series analyzed as it was able to offer a significant reduction in averaged forecast errors, of more than 80% for some assets.