Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

Prever o preço do petróleo bruto é uma das tarefas mais difíceis da economia moderna. O mercado não se move em linhas retas ou padrões previsíveis; em vez disso, comporta-se como uma tempestade caótica, impulsionada por uma mistura de dados econômicos, eventos políticos e mudanças súbitas na oferta e na demanda. Como o preço flutua de forma tão selvagem e imprevisível, as ferramentas matemáticas tradicionais frequentemente falham em capturar sua verdadeira natureza. Para dar sentido a esse caos, pesquisadores recorreram a uma estratégia chamada decomposição. Imagine tentar entender uma música complexa ouvindo toda a orquestra de uma só vez; é quase impossível ouvir a melodia. No entanto, se você pudesse separar os instrumentos para ouvir as cordas, depois os metais e, em seguida, a percussão individualmente, a estrutura da música se tornaria clara. No mundo dos dados, isso significa quebrar um fluxo único e desordenado de números em pedaços menores e mais simples, que são mais fáceis de estudar. Uma vez que esses pedaços sejam compreendidos, eles podem ser remontados para criar uma imagem muito mais clara do que pode acontecer a seguir.

Um estudo recente do pesquisador Abdelkader Aouar aborda um problema específico dentro dessa estratégia de decomposição. A pesquisa foca em um método chamado Decomposição de Modo Variacional, ou VMD, que é uma forma sofisticada de dividir dados de séries temporais nesses pedaços mais simples. Embora o VMD seja poderoso, ele requer dois ajustes críticos que devem ser configurados corretamente antes de poder funcionar: o número de pedaços em que os dados devem ser cortados e um fator que controla o quão estritamente os pedaços são separados. Se essas configurações estiverem erradas, os dados podem ser cortados em poucos pedaços, deixando detalhes importantes ocultos, ou em muitos pedaços, criando ruído desnecessário. No passado, cientistas usaram algoritmos de computador para encontrar automaticamente as melhores configurações, mas eles dependiam de uma regra específica para julgar o que significava ser a "melhor". Essa regra, conhecida como entropia de envelope, foi originalmente projetada para encontrar falhas em peças de máquinas, como um rolamento quebrado em um motor. Ela funciona procurando por picos agudos e repentinos em um sinal. Como essa regra funcionou bem para máquinas, muitos pesquisadores assumiram que ela também funcionaria bem para o preço do petróleo. O estudo de Aouar desafia essa suposição ao fazer uma pergunta simples: uma regra projetada para engrenagens quebradas realmente ajuda a prever o preço do petróleo?

Para responder a isso, o pesquisador construiu um sistema de previsão híbrido que combina três ferramentas distintas. Primeiro, o sistema utiliza um algoritmo de otimização chamado Otimização por Enxame de Partículas, que imita a forma como um bando de pássaros procura comida, para testar automaticamente milhares de configurações diferentes para a ferramenta VMD. Segundo, utiliza o método VMD para decompor os preços diários do petróleo em suas partes componentes. Terceiro, alimenta essas partes em um tipo de inteligência artificial chamada Rede de Memória de Longo Prazo, ou LSTM, que é excelente em lembrar padrões ao longo do tempo. A parte crucial do experimento não foram as ferramentas em si, mas a regra usada para dizer ao computador quais configurações eram as melhores. O estudo testou quatro regras diferentes: três que medem a complexidade ou irregularidade dos dados (chamadas de entropia de amostra, entropia de permutação e entropia de envelope) e uma que simplesmente mede quanta informação é perdida quando os dados são decompostos e remontados (chamada de erro de reconstrução).

Os resultados do experimento foram impressionantes e derrubaram o hábito prevalecente de usar a regra de falha de máquina. Quando os pesquisadores usaram a regra de entropia de envelope, que era a escolha padrão em muitos estudos anteriores, o modelo teve um desempenho ruim, resultando em um coeficiente de determinação (R²) de -0,3519. Esse valor negativo indica que as previsões do modelo foram menos precisas do que simplesmente usar a média de preço como uma base, um subdesempenho significativo em comparação aos outros métodos. As outras duas regras baseadas em complexidade tiveram um desempenho melhor, mas ainda não atingiram o objetivo. O vencedor claro foi a regra de erro de reconstrução. Esta regra, que foca em manter a informação original intacta em vez de tentar fazer o sinal parecer "limpo" ou "esparso", permitiu que o modelo alcançasse um nível de precisão muito superior aos outros. O modelo de previsão final usando esta regra foi capaz de prever os preços do petróleo com uma taxa de erro de apenas 1,37 por cento, um número que está notavelmente próximo dos valores reais. Em contraste, os modelos usando as outras regras tiveram taxas de erro várias vezes maiores.

O estudo também revelou por que a regra vencedora funcionou tão bem. Quando o computador foi instruído a minimizar a perda de informação, ele escolheu dividir os dados do preço do petróleo em nove partes distintas. Isso permitiu que o sistema capturasse tendências de longo prazo, ciclos de médio prazo e picos de curto prazo, tudo ao mesmo tempo. Em contrapartida, as regras baseadas em complexidade disseram ao computador para dividir os dados em apenas duas partes, o que era simples demais para capturar a história completa do mercado. Além disso, a regra vencedora selecionou uma configuração que permitiu que as partes dos dados retivessem mais de sua forma original, enquanto as outras regras forçaram os dados a uma forma mais suave e rígida, que eliminava detalhes valiosos. Os achados sugerem que, para mercados financeiros, que são definidos por sua volatilidade e saltos repentinos, o objetivo não deve ser encontrar o sinal mais simples possível, mas sim preservar o máximo da realidade original e desordenada possível.

Esta pesquisa faz mais do que apenas melhorar um único modelo de previsão; ela destaca uma falha crítica na forma como muitos estudos científicos são conduzidos. Por anos, pesquisadores aplicaram regras de um campo, como a engenharia mecânica, a outro, como as finanças, sem testar se essas regras realmente se encaixavam. Este estudo prova que o que funciona para uma peça de máquina vibratória não funciona necessariamente para o preço de um barril de petróleo. Ao testar sistematicamente diferentes regras sob as exatas mesmas condições, o pesquisador mostrou que a escolha da regra de avaliação é tão importante quanto o próprio algoritmo de computador. O estudo conclui que, para a previsão de dados financeiros complexos, a estratégia mais eficaz é priorizar a manutenção da informação original intacta, em vez de tentar forçar os dados em uma noção preconcebida do que deveria ser um sinal "limpo". Este insight oferece um novo caminho a seguir para qualquer pessoa que tente compreender os ritmos imprevisíveis dos mercados globais.