Decomposition-Based Preprocessing Versus Architectural Complexity in Neural Forecasting of Economic and Financial Time Series: A Comparative Empirical Study

Prever o futuro do dinheiro e dos mercados é um dos desafios mais difíceis da ciência. Economistas e analistas financeiros há muito dependem de ferramentas estatísticas para tentar adivinhar para onde os preços irão a seguir, seja para uma única ação, um barril de petróleo ou uma unidade de gás natural. Essas ferramentas funcionam bem quando o passado se move em uma linha reta e previsível, mas o mundo real raramente é tão simples. Os mercados financeiros são desordenados, instáveis e cheios de saltos repentinos que não seguem um padrão claro. Para lidar com essa desordem, pesquisadores recorreram à inteligência artificial, especificamente a um tipo de programa de computador chamado rede neural. Esses programas são projetados para aprender com os dados, encontrando padrões ocultos que os olhos humanos poderiam perder. No entanto, há um problema: para tornar esses programas inteligentes o suficiente para entender mercados caóticos, os cientistas muitas vezes precisam torná-los incrivelmente complexos, com milhares de partes internas trabalhando juntas. Essa complexidade torna os programas lentos, caros para executar e difíceis de gerenciar. A questão central para os pesquisadores tem sido se a única maneira de obter uma previsão melhor é construir uma máquina maior e mais complicada, ou se existe uma maneira mais inteligente de preparar os dados antes de inseri-los.

Uma equipe de pesquisadores partiu para testar exatamente esse equilíbrio. Eles queriam ver se limpar os dados brutos antes de entregá-los a um programa de computador poderia fazer o mesmo trabalho que tornar o próprio programa mais poderoso. Para fazer isso, eles reuniram três tipos de dados financeiros muito diferentes: o preço diário da ação da Apple, o preço do petróleo Brent e o preço do gás natural. Estes foram escolhidos porque se comportam de maneiras únicas; a ação da Apple cresceu de forma constante ao longo de décadas, o preço do petróleo oscila violentamente com eventos globais e o preço do gás natural salta para cima e para baixo com volatilidade extrema. Os pesquisadores pegaram esses números brutos e tentaram prever o preço do dia seguinte usando três tipos diferentes de redes neurais. A primeira era um modelo básico e direto. O segundo era um modelo mais avançado que lembra melhor os eventos passados. O terceiro era o mais complexo, capaz de olhar para os dados tanto do passado quanto do futuro para encontrar conexões mais profundas.

Em vez de apenas inserir os números brutos nesses modelos, os pesquisadores também tentaram uma abordagem diferente. Antes que o computador visse os dados, eles usaram técnicas matemáticas para decompor o histórico de preços desordenado em pedaços menores e mais simples. Imagine uma música complexa que é difícil de cantar porque tem muitas notas acontecendo ao mesmo tempo. Se você pudesse separar a melodia do ritmo de fundo e da linha de baixo, cada parte seria muito mais fácil de cantar sozinha. Os pesquisadores fizeram algo semelhante com os dados financeiros. Eles usaram cinco métodos diferentes para dividir o histórico de preços em componentes separados, como a tendência de longo prazo, os oscilações de curto prazo e o ruído aleatório. Eles então ensinaram o computador a prever cada uma dessas peças simples separadamente e somaram os resultados para obter uma previsão final.

Os resultados deste experimento foram impressionantes. Os pesquisadores descobriram que decompor os dados em pedaços mais simples permitiu que os modelos de computador tivessem um desempenho muito melhor, mesmo quando os próprios modelos eram mantidos pequenos e simples. De fato, o método mais eficaz para limpar os dados foi uma técnica chamada decomposição de modo variacional. Quando este método foi usado, os modelos fizeram previsões significativamente mais precisas do que quando foram alimentados com dados brutos. Talvez mais importante, os modelos não precisaram ser tão complicados para alcançar esses resultados. Para os modelos de computador mais avançados, que geralmente exigem centenas de partes internas para funcionar bem com dados brutos, os pesquisadores descobriram que poderiam reduzir o número de partes em dez vezes ou mais quando os dados eram pré-processados. Por exemplo, um modelo que precisava de cem partes internas para prever os preços do petróleo com precisão poderia alcançar os mesmos ou melhores resultados com apenas cinco partes se os dados fossem limpos primeiro.

Esta descoberta sugere que, para previsões de curto prazo de mercados financeiros, o segredo do sucesso reside menos em construir uma máquina massiva e complexa e mais em preparar os dados corretamente. O estudo mostrou que um modelo simples com dados limpos frequentemente superou um modelo complexo com dados desordenados. Esta é uma descoberta significativa para qualquer pessoa que dependa dessas previsões, desde traders até formuladores de políticas. Isso significa que os sistemas de previsão podem ser tornados mais rápidos, mais baratos e mais eficientes sem sacrificar a precisão. Em vez de gastar recursos construindo redes neurais maiores, o foco pode mudar para compreender e organizar os próprios dados. Os pesquisadores concluíram que, para a natureza caótica e instável das séries temporais econômicas, um sinal bem preparado é mais poderoso do que uma arquitetura profunda e complicada. Esta abordagem oferece um caminho prático para a criação de ferramentas de previsão que não são apenas precisas, mas também eficientes o suficiente para serem usadas em ambientes do mundo real e de ritmo acelerado.