A Bayesian Dirichlet Auto-Regressive Conditional Heteroskedasticity Model for Forecasting Currency Shares

Este artigo apresenta o modelo B-DARMA-DARCH, uma abordagem bayesiana que integra componentes ARCH a séries temporais Dirichlet para prever com maior precisão a volatilidade agrupada das participações de taxas de serviço do Airbnb em diferentes moedas, superando as limitações de modelos padrão ao capturar tanto a média quanto a variância das proporções.

O essencial

Imagine que você é o gerente financeiro de uma gigante empresa de viagens, como a Airbnb. Todo dia, milhões de pessoas ao redor do mundo reservam casas. O problema é que cada uma delas paga em uma moeda diferente: alguns em Dólar, outros em Euro, Real, Iene, etc.

Para a empresa saber quanto dinheiro ela realmente ganhou (em Dólar, que é a moeda oficial delas), ela precisa fazer uma "sopa de letrinhas" matemática: pegar o valor de cada reserva e somá-las, convertendo tudo para Dólar.

O desafio principal não é o valor total, mas sim a mistura. Se hoje 80% das reservas são em Dólar e amanhã, de repente, 80% são em Reais (talvez por causa de uma notícia no Brasil ou uma crise na Europa), o valor final em Dólar muda drasticamente, mesmo que o número de reservas seja o mesmo.

Aqui é onde entra o papel de "prever a mistura".

O Problema: A "Sopa" que Muda de Sabor

O artigo descreve um novo método para prever essa mistura de moedas. Pense nas moedas como ingredientes de uma receita. Você sabe que a soma de todos os ingredientes deve ser 100% (você não pode ter 110% de uma torta). Isso é chamado de dados composicionais.

Os métodos antigos de previsão funcionavam bem quando o "tempo" estava calmo. Mas, quando aconteciam crises (como a pandemia de COVID-19), o mercado ficava nervoso. A "volatilidade" (o quanto a mistura mudava de um dia para o outro) explodia.

• Modelos antigos: Eram como um cozinheiro que segue uma receita fixa. Se a temperatura da cozinha mudar bruscamente, o bolo queima, mas o cozinheiro continua usando a mesma quantidade de forno. Eles não conseguiam prever que a "agitação" do mercado aumentaria.
• O problema: Quando a volatilidade aumenta, as previsões ficam erradas e os intervalos de segurança (a margem de erro) não cobrem o suficiente.

A Solução: O "Termômetro" da Receita

Os autores criaram um novo modelo chamado B-DARCH. Vamos usar uma analogia simples:

Imagine que você está dirigindo um carro em uma estrada cheia de curvas (o mercado de moedas).

1. O Modelo Antigo (B-DARMA): É como um piloto que olha apenas para a estrada à frente e tenta prever onde o carro vai estar daqui a 5 minutos, assumindo que o carro vai manter a mesma estabilidade o tempo todo. Se o carro começar a tremer (volatilidade), ele não sabe o que fazer.
2. O Novo Modelo (B-DARCH): É como um piloto inteligente que tem um termômetro de agitação no painel.
   • Ele não só olha para onde o carro vai (a média), mas também sente o quanto o carro está tremendo (a volatilidade).
   • Se o termômetro mostra que a estrada está ficando cheia de buracos (uma crise), o modelo ajusta a previsão: "Ok, agora a direção pode variar muito, então vou dar uma margem de erro maior e me preparar para uma mudança brusca".

Como funciona na prática?

O modelo usa uma técnica matemática inteligente (chamada Dirichlet) que garante que a previsão nunca seja impossível (ex: nunca prevê 120% de Dólar e -20% de Euro).

A grande inovação é que ele trata a incerteza como algo que muda com o tempo.

• Em dias tranquilos, ele diz: "A mistura vai ficar estável".
• Em dias de crise (como o início da pandemia), ele percebe que a "precisão" da previsão cai e a "agitação" sobe. Ele ajusta o modelo para refletir esse caos, permitindo que a previsão se adapte rapidamente às mudanças bruscas.

O Resultado

Os autores testaram esse modelo com dados reais da Airbnb, divididos por regiões (América do Norte, Europa, etc.).

• Comparação: Eles compararam o novo modelo com os antigos e com outros métodos complexos.
• Vencedor: O novo modelo (B-DARCH) foi o melhor em quase tudo.
  • Previsão mais precisa: Acertou mais a quantidade de cada moeda.
  • Segurança real: Quando ele dizia "tem 95% de chance de estar entre X e Y", ele realmente estava certo 95% das vezes. Os modelos antigos muitas vezes falhavam nisso, dando uma falsa sensação de segurança.
  • Adaptação: Quando o mercado mudava de repente, o novo modelo se ajustava mais rápido do que os outros.

Resumo em uma frase

Este artigo apresenta um novo "GPS financeiro" que não só prevê para onde o dinheiro vai, mas também sente o quanto a estrada está perigosa, ajustando a rota e a margem de erro automaticamente quando o mercado fica agitado, garantindo que a empresa não seja pega de surpresa por mudanças bruscas nas moedas.

É uma ferramenta essencial para quem precisa transformar o caos do mundo global em uma previsão de caixa confiável.

Resumo técnico

Resumo Técnico: Um Modelo Bayesiano Dirichlet Auto-Regressivo de Heterocedasticidade Condicional para Previsão de Partes de Moeda

Autores: Harrison Katz e Robert E. Weiss (UCLA e Airbnb)
Contexto: Finanças de Marketplace, Séries Temporais Composicionais, Modelagem Bayesiana.

1. O Problema

No contexto financeiro de plataformas de marketplace como o Airbnb, a previsão de receita em Dólar Americano (USD) depende de duas variáveis: o volume total de reservas e a composição das moedas utilizadas pelos clientes (ex: EUR, CAD, BRL).

• Natureza dos Dados: As partes de cada moeda formam dados composicionais que residem em um simplex (soma igual a 1 e valores não negativos).
• Desafios:
  • Restrições do Simplex: Métodos de séries temporais padrão (como VARMA) não respeitam naturalmente essas restrições, exigindo transformações (como Log-Razão Aditiva - ALR) que podem distorcer a estrutura de dependência ao retornar ao espaço original.
  • Heterocedasticidade Condicional: A volatilidade das partes de moeda não é constante; ela exibe "agrupamento" (clustering) e picos súbitos durante eventos disruptivos (ex: pandemia de COVID-19, crises econômicas).
  • Limitações dos Modelos Atuais: Modelos Dirichlet ARMA (B-DARMA) existentes assumem precisão (inverso da variância) fixa ou determinística, falhando em capturar a dinâmica da volatilidade. Modelos transformados-Gaussianos (tVARMA) podem violar as restrições do simplex e não modelam a volatilidade intrínseca aos dados composicionais.

2. Metodologia: O Modelo B-DARCH

Os autores propõem o B-DARCH (Bayesian Dirichlet Auto-Regressive Moving Average com Dirichlet Auto-Regressive Conditional Heteroskedasticity). O modelo integra três componentes principais:

• Distribuição de Verossimilhança no Simplex:
  • Os dados $y_t$ são modelados diretamente via distribuição Dirichlet com vetor de média $\mu_t$ e parâmetro de precisão $\phi_t$. Isso garante que as previsões permaneçam válidas (no simplex) sem necessidade de transformações de retorno complexas.
• Média Dinâmica (ALR-VARMA):
  • A média $\mu_t$ é modelada no espaço de Log-Razão Aditiva (ALR) usando uma estrutura VARMA (Auto-Regressiva e de Média Móvel) orientada por observações.
  • Utiliza-se a transformação $alr(\mu_t)$ para lidar com a restrição de soma unitária, permitindo que a média evolua com base em observações passadas e covariáveis (sazonalidade, tendências).
• Processo de Precisão Dinâmica (DARCH):
  • A inovação central é a modelagem do parâmetro de precisão $\phi_t$ (que controla a dispersão/volatilidade) como um processo estocástico dinâmico, análogo ao GARCH.
  • O log da precisão, $\log(\phi_t)$, segue uma recursão auto-regressiva e de média móvel baseada nos resíduos passados e na precisão anterior:
    $$\log(\phi_t) = \sum \alpha_l (\log(\phi_{t-l}) - \dots) + \sum \tau_k (alr(y_{t-k}) - \eta_{t-k})' (alr(y_{t-k}) - \eta_{t-k}) + \dots$$
  • Isso permite que a volatilidade reaja a choques recentes e capture agrupamentos de volatilidade, adaptando-se a regimes de incerteza variável.

Inferência: O modelo é estimado em um framework Bayesiano completo, utilizando amostragem MCMC (via Stan) para obter distribuições preditivas e intervalos de credibilidade que se adaptam automaticamente à volatilidade temporal.

3. Contribuições Principais

1. Novo Classe de Modelos: Introdução do B-DARCH, que combina a restrição do simplex da distribuição Dirichlet com a capacidade de modelar volatilidade condicional (heterocedasticidade) via recursão DARCH.
2. Mecanismo de Volatilidade Orientado por Observações: Diferente de modelos de estado-estado (state-space) complexos, o B-DARCH utiliza uma recursão orientada por dados para a precisão, mantendo a inferência tratável enquanto captura choques súbitos.
3. Validação Rigorosa: Comparação abrangente contra três alternativas:
   • B-DARMA (Dirichlet com precisão fixa).
   • B-tVARMA (Gaussiano transformado com variância constante).
   • B-TVP-tVARMA (Gaussiano transformado com parâmetros de média variáveis no tempo).
4. Aplicação Prática: Demonstração do modelo em dados reais de alta frequência do Airbnb, cobrindo múltiplas regiões geográficas e períodos de crise (COVID-19).

4. Resultados

Estudos de Simulação:

• O B-DARCH superou consistentemente os outros modelos em precisão de previsão (RMSE e MAE) em cenários com choques de dados (observações mal relatadas) e mudanças de regime temporárias.
• Diagnóstico de Resíduos: O B-DARCH apresentou a menor persistência de autocorrelação nos resíduos quadrados padronizados (PACF), indicando que o modelo capturou eficazmente a dinâmica da volatilidade, enquanto os modelos concorrentes deixaram dependência residual em lags médios.

Análise de Dados do Airbnb:

• Desempenho Agregado: O B-DARCH alcançou o menor erro absoluto médio de previsão (FMAE) e a menor soma de quadrados dos resíduos (FRSS) em todas as 4 regiões analisadas.
  • Na Região 1, o B-DARCH reduziu o FMAE em mais de 60% em comparação ao B-DARMA padrão.
• Calibração de Incerteza: Os intervalos de credibilidade de 95% do B-DARCH tiveram cobertura próxima ao nominal (ex: 0.91-0.92), enquanto modelos com variância constante (B-DARMA, B-tVARMA) frequentemente subestimaram a incerteza (subcobertura) durante períodos de alta volatilidade.
• Análise de Resíduos: O B-DARCH eliminou a maioria das autocorrelações significativas nos resíduos de volatilidade após o lag 1, confirmando sua capacidade de adaptar-se a choques de volatilidade.
• Custo Computacional: Embora o B-DARCH seja mais complexo computacionalmente que o B-DARMA, ele é mais eficiente que o modelo de parâmetros variáveis no tempo (TVP-tVARMA), que exigiu os maiores tempos de execução.

5. Significância e Conclusão

O artigo estabelece que, para séries temporais composicionais sujeitas a volatilidade variável (comum em finanças e economia), modelar a precisão dinamicamente é superior a modelar apenas a média variável no tempo.

• Regra Prática: Quando a volatilidade é tranquila, modelos transformados-Gaussianos ou com parâmetros variáveis podem ser suficientes. No entanto, quando há agrupamento de volatilidade (clustering), o B-DARCH oferece uma melhoria substancial na precisão pontual e na calibração da incerteza.
• Impacto: O modelo fornece uma ferramenta robusta para equipes de tesouraria e gestão de risco, permitindo previsões de receita mais precisas e hedge mais eficiente contra flutuações cambiais, especialmente em cenários de crise ou transição de regime.
• Futuro: Os autores sugerem extensões para modelos hierárquicos (agrupando regiões), tratamentos de zeros (para moedas raras) e métodos de inferência mais rápidos (variacionais) para viabilizar o uso operacional em larga escala.

Em suma, o B-DARCH preenche uma lacuna crítica na modelagem de séries temporais composicionais, oferecendo um equilíbrio entre a fidelidade às restrições do simplex e a flexibilidade necessária para capturar a dinâmica complexa da volatilidade financeira.