A mixed-frequency approach for exchange rates predictions

Este artigo propõe uma abordagem baseada em modelos de frequência mista para prever taxas de câmbio, demonstrando sua eficácia na superação das limitações causadas pela agregação temporal e na resolução do "puzzle" de Meese e Rogoff, com validação empírica no par CAD/USD.

O essencial

Imagine que você é um meteorologista tentando prever se vai chover amanhã. Você tem dois tipos de dados:

1. Dados diários: A temperatura, a umidade e a pressão do ar que mudam a cada hora.
2. Dados trimestrais: Um relatório oficial que só é publicado a cada três meses, resumindo a média desses dias.

O problema é que, para fazer sua previsão, você é obrigado a usar apenas o relatório trimestral. Ao fazer isso, você perde todas as pequenas variações diárias que poderiam ter dado a dica de que a tempestade estava chegando. É como tentar adivinhar o sabor de um bolo olhando apenas uma foto do bolo pronto, sem ver os ingredientes sendo misturados.

Este é exatamente o dilema que os economistas enfrentam ao tentar prever taxas de câmbio (quanto vale o Dólar em relação ao Dólar Canadense, por exemplo).

O "Enigma" que ninguém conseguia resolver

Por décadas, economistas tentaram prever o câmbio usando teorias clássicas (como a diferença de juros entre países ou o preço das coisas). Mas eles sempre chegavam a uma conclusão frustrante: o modelo mais simples de todos (chamado "Caminhada Aleatória") era melhor.

Isso é como dizer que, para prever o tempo, é melhor chutar "vai chover" ou "não vai chover" aleatoriamente do que usar seus instrumentos científicos. Esse mistério é conhecido como o "Enigma de Meese e Rogoff". A pergunta era: Por que nossas teorias econômicas inteligentes falham tanto?

A Solução: O "Mixer" de Frequências

Os autores deste artigo (Raffaele Mattera e colegas) tiveram uma ideia brilhante. Eles disseram: "Espera aí! O problema não é a teoria, é como estamos misturando os dados."

Eles propuseram usar uma técnica chamada MIDAS (amostragem de dados mistos). Pense no MIDAS como um mixer de som de alta tecnologia ou um chef de cozinha que não joga fora nenhum ingrediente.

• O jeito antigo: Pegar dados diários de juros e preços, esmagá-los e transformá-los em uma média trimestral. Você perde os detalhes.
• O jeito novo (MIDAS): O modelo olha para a taxa de câmbio trimestral (o relatório final), mas usa todos os dados mensais dos juros e preços que aconteceram dentro daquele trimestre para fazer a previsão.

É como se, em vez de olhar apenas para a média de temperatura do trimestre, o meteorologista olhasse para cada dia do trimestre para entender a tendência exata antes de escrever o relatório final.

O Experimento: Dólar Canadense vs. Dólar Americano

Os autores testaram essa ideia com o câmbio entre o Canadá e os EUA. Eles compararam:

1. Os modelos antigos (que usam dados "esmagados" ou agregados).
2. Os novos modelos (que usam todos os dados mensais disponíveis).

O Resultado foi impressionante:

• Os modelos antigos continuaram falhando, confirmando o "Enigma". Eles não conseguiver prever nada melhor do que um chute aleatório.
• Os modelos MIDAS (mistos) funcionaram muito bem! Eles conseguiram prever o câmbio com muito mais precisão.

A Lição Principal

A descoberta mais importante é que o "Enigma de Meese e Rogoff" pode não ser culpa das teorias econômicas estarem erradas, mas sim de estarmos jogando fora informações valiosas ao agrupar os dados.

Ao usar a técnica de "frequência mista", os autores mostraram que, se você prestar atenção aos detalhes mensais enquanto faz previsões trimestrais, o mercado de câmbio deixa de ser um "jogo de azar" e passa a ser algo que pode ser previsto com inteligência.

Em resumo: Não é que o futuro seja imprevisível; é que os economistas estavam olhando para o futuro através de uma janela embaçada (agregação de dados). Ao limpar essa janela e usar todos os dados disponíveis (MIDAS), a visão fica clara e a previsão se torna possível.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "A mixed-frequency approach for exchange rates predictions" (Uma abordagem de frequência mista para previsões de taxas de câmbio), escrito em português.

1. Problema de Pesquisa

O artigo aborda o famoso "Quebra-Cabeça de Meese e Rogoff", que postula que as flutuações das taxas de câmbio são difíceis de prever na prática, sendo que modelos simples de "passeio aleatório" (random walk) frequentemente superam modelos econométricos complexos baseados em fundamentos econômicos.

O problema central identificado pelos autores é a viés de agregação temporal. A literatura tradicional frequentemente agrega dados de alta frequência (diários ou mensais) para frequências mais baixas (trimestrais ou anuais) para alinhar com a disponibilidade de dados macroeconômicos. Essa agregação resulta em uma perda significativa de informação e pode levar à má especificação do modelo, explicando por que alguns estudos com dados mensais encontram previsibilidade, enquanto outros com dados trimestrais não encontram.

2. Metodologia

Os autores propõem o uso de modelos de Frequência Mista (Mixed Data Sampling - MIDAS) para superar as limitações da agregação temporal.

• Abordagem MIDAS: Em vez de agregar os dados de alta frequência (ex: mensais) para baixa frequência (ex: trimestrais) antes da estimação, o modelo MIDAS utiliza diretamente os dados de alta frequência como regressores para prever a variável dependente de baixa frequência.
• Alinhamento Temporal (Temporal Alignment): O método emprega uma técnica de "alinhamento" onde um vetor de alta frequência é transformado em uma matriz de baixa frequência (vetores empilhados). Isso permite que o modelo capture a dinâmica dentro do período de baixa frequência (ex: os três meses de um trimestre) sem perder informações.
• Modelos Testados: O estudo reescreve e estima várias teorias clássicas de taxas de câmbio utilizando a estrutura MIDAS:
  • Paridade da Taxa de Juros Não Coberta (UIRP).
  • Paridade do Poder de Compra (PPP).
  • Modelos Monetários (versão de preços flexíveis e preços rígidos).
  • Regras de Taylor (instantâneas e com suavização).
• Dados e Caso de Estudo: O estudo utiliza dados da taxa de câmbio CAD/USD (Dólar Canadense/Dólar Americano) de 1985 a 2019.
  • Variável Dependente: Taxa de câmbio trimestral.
  • Regressores (Frequência Mista): Dados mensais de taxas de juros, preços (CPI), oferta monetária (M3), PIB e gaps de produção.
• Avaliação de Desempenho:
  • Análise out-of-sample (fora da amostra) utilizando duas abordagens: recursiva (tamanho da amostra crescente) e janela rolante (tamanho fixo).
  • Métricas de erro: Erro Quadrático Médio de Previsão (MSFE).
  • Testes de Significância Estatística: Teste de Diebold-Mariano (DM) e Teste de Clark-West (CW) para comparar a precisão preditiva entre os modelos.

3. Contribuições Principais

1. Aplicação Inovadora do MIDAS: É, segundo os autores, a primeira aplicação da regressão MIDAS para prever taxas de câmbio trimestrais utilizando preditores mensais, oferecendo um novo domínio de aplicação para essa técnica.
2. Explicação para o Quebra-Cabeça de Meese e Rogoff: O artigo sugere que a incapacidade dos modelos tradicionais de prever taxas de câmbio não se deve necessariamente à falha das teorias econômicas, mas sim à perda de informação causada pela agregação temporal. Ao preservar a frequência original dos dados, a previsibilidade pode ser recuperada.
3. Desempenho Superior em Cenários Diversos: Demonstra que a abordagem de frequência mista supera consistentemente os modelos clássicos de agregação temporal, especialmente em cenários onde os modelos tradicionais falham (como no caso da regra UIRP em dados trimestrais).

4. Resultados Empíricos

Os resultados foram analisados sob duas abordagens de amostragem:

• Abordagem Recursiva:

  • A maioria dos modelos de frequência mista (MF) superou os modelos clássicos e o passeio aleatório.
  • O modelo MF-TYLR2 (Regra de Taylor com suavização em frequência mista) e o MF-MM2 (Modelo Monetário de preços rígidos em frequência mista) apresentaram os melhores resultados.
  • Destaque: O modelo MF-MM2 foi 53,6% mais preciso que o modelo clássico MM2. O MF-TYLR2 foi 18% mais preciso que o TYLR2 clássico.

• Abordagem de Janela Rolante (Rolling Window):

  • Neste cenário, o "Quebra-Cabeça de Meese e Rogoff" torna-se mais evidente para os modelos clássicos (ex: UIRP clássico falha em prever, comportando-se como passeio aleatório).
  • Recuperação da Previsibilidade: A abordagem de frequência mista conseguiu reverter essa falha.
    • O MF-UIRP superou o benchmark (passeio aleatório) e foi 10% mais preciso que o UIRP clássico.
    • O MF-PPP foi 7,2% mais preciso que o PPP clássico.
  • Os modelos baseados na Regra de Taylor (MF-TYLR1 e MF-TYLR2) continuaram a fornecer previsões significativamente melhores que o passeio aleatório, confirmando a robustez da abordagem.

5. Significância e Conclusão

O estudo conclui que a agregação temporal é uma fonte crítica de viés e má especificação nos modelos de previsão de taxas de câmbio. Ao utilizar dados de alta frequência (mensais) diretamente para prever variáveis de baixa frequência (trimestrais) através do método MIDAS, é possível:

1. Recuperar informações econômicas que seriam perdidas na agregação.
2. Melhorar significativamente a precisão das previsões em comparação com os modelos lineares tradicionais.
3. Oferecer uma explicação plausível para a persistência do "Quebra-Cabeça de Meese e Rogoff" na literatura: a falha não está na teoria econômica, mas na metodologia de tratamento dos dados.

Para formuladores de políticas e banqueiros centrais, o artigo sugere que a incorporação de dados de alta frequência em modelos de previsão pode levar a decisões mais informadas sobre políticas monetárias e gestão de riscos cambiais.