📈 economia

Beyond Persistence: Understanding Forecastability of Weekly Potato Prices Across Multiple Market Centres

Este estudo dos preços semanais da batata em 17 mercados indianos revela que, embora modelos de persistência simples superem algoritmos complexos em horizontes de curto prazo, o Suavizamento Exponencial torna-se o método superior para previsões de longo prazo, demonstrando que a previsibilidade de preços depende mais do horizonte de previsão e da força sazonal do que da complexidade do modelo.

Autores originais: Muktinath Vishwakarma, Manish Kurhekar

Publicado 2026-10-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Muktinath Vishwakarma, Manish Kurhekar

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da agricultura, o preço é o batimento cardíaco de um mercado. Para um agricultor, um comerciante ou um operador de armazenamento, saber quanto uma cultura custará na próxima semana ou no próximo mês pode significar a diferença entre o lucro e o prejuízo. Isso é especialmente verdadeiro para a batata, uma cultura que é colhida em surtos, apodrece rapidamente se não for manuseada corretamente e se move pelos mercados com um ritmo que muda com as estações. Como esses preços oscilam tão drasticamente, especialistas há muito tempo tentam construir modelos matemáticos para prevê-los. O objetivo é simples: olhar para o passado e adivinhar o futuro. Mas existe um problema persistente neste campo. Frequentemete, os programas de computador mais complicados, repletos de camadas de inteligência artificial, falham em vencer um truque muito mais simples. Esse truque é assumir que o preço da próxima semana será exatamente o mesmo desta semana. Essa suposição, conhecida como persistência, funciona surpreendentemente bem porque os preços tendem a permanecer próximos de onde estão de uma semana para a outra. A grande questão para os pesquisadores tem sido se adicionar mais complexidade aos modelos de previsão realmente ajuda, ou se o palpite simples já é o melhor possível.

Uma equipe de pesquisadores partiu para responder a essa pergunta analisando os preços semanais da batata de dezessete mercados diferentes na Índia ao longo de um período de dez anos. Eles não escolheram apenas um mercado e um método; eles testaram doze formas diferentes de previsão, variando de ferramentas estatísticas básicas a sistemas avançados de aprendizado de máquina e aprendizado profundo. Eles pediram a esses modelos que previssem os preços com uma semana, quatro semanas, oito semanas e treze semanas de antecedência. Para tornar o teste justo, eles compararam cada um dos modelos complexos contra esse benchmark simples de "a próxima semana é igual a esta semana". Eles queriam ver se os modelos sofisticados conseguiam encontrar padrões ocultos que o palpite simples não via, e se esses padrões mudavam dependendo de quão longe estavam olhando no futuro.

Os resultados revelaram uma história clara sobre o tempo. Quando os pesquisadores pediram aos modelos para prever apenas uma semana à frente, o benchmark simples venceu quase todas as vezes. Na verdade, para a maioria dos dezessete mercados, nenhum modelo complexo conseguiu melhorar o palpite básico. Os preços eram tão persistentes que o número mais recente detinha quase toda a informação necessária para o futuro imediato. No entanto, conforme os pesquisadores empurravam a previsão mais adiante, a história mudava. Com quatro semanas, e ainda mais com oito e treze semanas, o palpite simples começou a perder o controle. Os modelos que podiam reconhecer padrões mais amplos, especificamente aqueles que entendiam como os preços se movem em ciclos anuais, começaram a assumir a liderança. Um método estatístico específico, conhecido como suavização exponencial, que é projetado para rastrear níveis, tendências e ciclos sazonais, tornou-se o melhor desempenho nos horizontes mais longos. Ele superou o palpite simples em dezesseis dos dezessete mercados ao olhar treze semanas à frente.

O que foi mais surpreendente foi que a tecnologia mais avançada não liderou o grupo. Os modelos de aprendizado profundo, que são frequentemente aclamados como o futuro da previsão, e os algoritmos de aprendizado de máquina, que são conhecidos por encontrar relações não lineares complexas, geralmente falharam em vencer o benchmark simples. Eles não encontraram consistentemente respostas melhores do que os modelos estatísticos e, em muitos casos, tiveram um desempenho pior. Os pesquisadores descobriram que a capacidade de prever preços no futuro distante não era sobre ter um computador mais poderoso ou um algoritmo mais complexo. Em vez disso, dependia da natureza do próprio mercado. Mercados onde os preços mostravam um padrão forte e repetitivo ao longo de um ano eram muito mais fáceis de prever a longas distâncias. Em mercados onde os preços subiam e desciam sem um ritmo sazonal claro, o palpite simples permanecia a melhor opção.

O estudo também destacou que essa capacidade de previsão não é um traço fixo de um mercado. Um mercado que é fácil de prever hoje pode se tornar mais difícil de prever amanhã, dependendo de como os preços se comportam ao longo do tempo. Os pesquisadores foram cuidadosos ao notar que, embora as melhorias estatísticas fossem claras, elas nem sempre eram fortes o suficiente para serem consideradas uma vitória garantida para cada mercado individualmente. No entanto, ao olhar para o grupo de mercados como um todo, a evidência era forte: conforme a janela de previsão se estendia, o valor de entender os padrões sazonais crescia, enquanto o valor de apenas copiar o último preço desaparecia.

Em última análise, esta pesquisa sugere que a chave para uma melhor previsão não é construir máquinas mais complexas, mas sim entender o ritmo específico dos dados. Para previsões de curto prazo, o passado é o melhor guia. Mas para o planejamento de longo prazo, procurar pelo batimento cardíaco sazonal do mercado é muito mais útil do que tentar forçar um algoritmo complicado a encontrar padrões que não existem. O estudo conclui que a melhor abordagem é combinar a ferramenta com a tarefa: usar métodos simples quando o futuro está próximo e recorrer a modelos que entendem ciclos sazonais quando o futuro está distante, em vez de assumir que mais complexidade sempre leva a melhores respostas.

Resumo Técnico: Além da Persistência: Compreendendo a Capacidade de Previsão dos Preços Semanais da Batata em Múltiplos Centros de Mercado

Definição do Problema
Este estudo aborda o desafio de prever os preços semanais da batata em 17 centros de mercado indianos durante o período de 2005 a 2015. Embora a previsão de preços agrícolas tenha adotado cada vez mais arquiteturas complexas de aprendizado de máquina (ML) e aprendizado profundo (DL), permanece incerto se esses modelos sofisticados proporcionam um valor preditivo genuíno sobre os benchmarks de persistência simples. O problema central é distinguir entre modelos que meramente minimizam o erro e aqueles que extraem informações úteis além da previsão "Naive-1" (que assume que o preço da próxima semana é igual ao preço da semana atual). O estudo investiga especificamente como a capacidade de previsão varia através de diferentes horizontes de previsão (1, 4, 8 e 13 semanas) e se as diferenças de desempenho podem ser explicadas pelas características temporais das séries de preços, tais como persistência, tendência e sazonalidade.

Metodologia
A pesquisa emprega um design de avaliação de origem rotativa (rolling-origin) rigoroso para garantir a validade fora da amostra.

Conjunto de Dados: Preços semanais da batata (INR/kg) de 17 centros de mercado, compreendendo 539 observações cada (janeiro de 2005 – abril de 2015). Os dados são divididos cronologicamente (70% para desenvolvimento, 30% para avaliação).
Modelos: Doze métodos de previsão foram avaliados:
- Benchmarks: Naive-1, Seasonal Naive, Drift.
- Estatísticos: Suavização Exponencial (ETS), ARIMA.
- Aprendizado de Máquina: Regressão Ridge, XGBoost.
- Aprendizado Profundo: LSTM, N-BEATS, PatchTST, iTransformer, TCN.
Protocolo de Avaliação: As previsões foram geradas em horizontes de 1, 4, 8 e 13 semanas. O desempenho foi medido usando MAE (Erro Médio Absoluto), RMSE (Raiz do Erro Quadrático Médio), MAPE Simétrico e MASE (Erro Absoluto Médio Escalado).
Métrica de Habilidade: A habilidade de previsão ( $S$ ) foi definida em relação ao benchmark Naive-1 ( $S = 1 - \frac{MAE_{modelo}}{MAE_{Naive-1}}$ ). Valores positivos indicam melhoria sobre a persistência.
Teste Estatístico: O teste de Diebold–Mariano (com a correção de Harvey–Leybourne–Newbold) foi utilizado para comparações par a par contra o Naive-1, com o procedimento de Holm aplicado para corrigir testes múltiplos. Os testes de Friedman e Wilcoxon foram usados para o ranking de modelos entre os mercados.
Análise Explicativa: Cinco características temporais (autocorrelação de lag-1, força da tendência, força da sazonalidade, volatilidade normalizada, entropia espectral) foram calculadas para explicar as diferenças entre os mercados na habilidade de previsão.

Principais Resultados

Previsibilidade Dependente do Horizonte:
- Curto Prazo (1 semana): O Naive-1 é o método dominante, alcançando o menor erro médio. Apenas 5 de 17 mercados mostraram qualquer melhoria numérica sobre o Naive-1.
- Longo Prazo (4–13 semanas): À medida que o horizonte aumenta, a capacidade dos modelos de superar a persistência melhora significativamente. Em 13 semanas, 16 de 17 mercados mostraram habilidade numérica positiva.
Desempenho dos Modelos:
- A Suavização Exponencial (ETS) emergiu como o melhor modelo de desempenho médio para os horizontes de 4, 8 e 13 semanas, superando significativamente o Naive-1 no horizonte de 13 semanas em testes estatísticos entre mercados.
- Aprendizado de Máquina e Aprendizado Profundo: Nem o ML (Ridge, XGBoost) nem o DL (LSTM, N-BEATS, Transformers, TCN) forneceram ganhos consistentes sobre o Naive-1. De fato, a maioria das arquiteturas neurais teve um desempenho pior do que o benchmark de persistência simples em todos os horizontes.
Direcionadores da Capacidade de Previsão:
- Persistência: Embora todos os mercados tenham exibido forte persistência de curto prazo (autocorrelação de lag-1 > 0,90), o grau de persistência não explicou por que alguns mercados eram mais previsíveis do que outros em horizontes mais longos.
- Sazonalidade: A força da sazonalidade foi a única característica significativamente associada à habilidade de previsão em horizontes mais longos. A correlação entre a força da sazonalidade e a habilidade de previsão aumentou de uma correlação fraca em 1 semana ( $\rho \approx 0,16$ ) para uma correlação muito forte em 13 semanas ( $\rho \approx 0,83$ ). Mercados com padrões sazonais fortes (ex: Delhi) mostraram os maiores ganhos sobre a persistência, enquanto aqueles com sazonalidade fraca (ex: Ahmedabad, Shillong) não mostraram.
Significância Estatística: Embora tenham sido observadas melhorias numéricas em horizontes mais longos, nenhum par mercado-horizonte individual permaneceu estatisticamente significativo após a correção de Holm para comparações múltiplas. No entanto, a análise entre mercados confirmou que o ETS performa significativamente melhor que o Naive-1 no horizonte de 13 semanas.

Principais Contribuições e Significância
O artigo reformula a previsão de preços da batata não como uma competição para encontrar o modelo mais complexo, mas como uma investigação da capacidade de previsão (forecastability) dos dados subjacentes em relação a um benchmark forte.

Além da Complexidade do Modelo: O estudo demonstra que, para preços semanais univariados de batata, aumentar a complexidade do modelo (via ML/DL) não resulta automaticamente em melhores previsões. Modelos estatísticos parcimoniosos (ETS) são suficientes para capturar a estrutura temporal explorável presente nessas séries.
O Papel do Horizonte: A utilidade dos modelos de previsão está intrinsecamente ligada ao horizonte de previsão. A previsão de curto prazo é dominada pela persistência, enquanto a previsão de longo prazo beneficia-se da modelagem de estruturas sazonais recorrentes.
Heterogeneidade de Mercado: O estudo destaca que a capacidade de previsão não é uma propriedade fixa de um mercado, mas depende da interação entre o horizonte de previsão e a estrutura temporal específica do mercado (especificamente a sazonalidade).
Rigor Metodológico: Ao empregar avaliação de origem rotativa e testes estatísticos rigorosos contra um benchmark de persistência, o estudo fornece um framework robusto para distinguir entre redução de erro numérico e valor preditivo genuíno e reproduzível.

Conclusão
Os autores concluem que o principal desafio na previsão de preços semanais da batata não é a falta de algoritmos poderosos, mas o descompasso entre a complexidade do modelo e a estrutura de informação dos dados. Para horizontes curtos, a persistência simples é quase ótima. Para horizontes mais longos, os ganhos são impulsionados pela estrutura sazonal em vez da complexidade do modelo, e esses ganhos são melhor capturados por modelos estatísticos padrão, como o ETS. O estudo sugere que melhorias futuras neste domínio podem depender mais da incorporação de variáveis externas (ex: clima, chegadas de produtos, armazenamento) do que do desenvolvimento de arquiteturas univariadas mais complexas.

Mais como este