Artigo de Alexandre Theoharidis, egresso do Mestrado Profissional em Economia, propõe um modelo híbrido de aprendizagem de máquina que ajuda nas decisões do mercado financeiro

 

Leandro Steiw

 

Entender o comportamento da inflação é vital no trabalho de Alexandre Fernandes Theoharidis, gestor de portfólios de investimentos e ex-aluno do Mestrado Profissional em Economia do Insper. Com o uso da tecnologia, a tarefa pode ficar menos complexa, como ele demonstra no artigo “Deep learning models for inflation forecasting” (Modelos de aprendizado profundo para previsão de inflação, em tradução livre), publicado no periódico científico Applied Stochastic Models in Business and Industry, da Sociedade Internacional de Estatísticas Empresariais e Industriais (ISBIS, na sigla em inglês).

O trabalho também é assinado pelo economista Diogo Abry Guillén e pelo estatístico Hedibert Freitas Lopes, professores do Insper e orientadores da dissertação de Theoharidis que originou o artigo. Os autores propõem um modelo híbrido de aprendizagem de máquina para predição da inflação. “A inflação é um fator determinante na performance das empresas ao longo do tempo e influi na qualidade de crédito das companhias nas quais investimos”, diz Theoharidis, que administra fundos de crédito na Compass Group, em São Paulo. “A previsão de inflação também tem impacto sobre os juros, que são relevantes nas decisões de gestão de portfólios.”

O potencial do tema foi ganhando nitidez durante o mestrado. Em suas pesquisas na literatura especializada, Theoharidis percebeu que poucos autores usavam modelos de deep learning à projeção de inflação. “Diversas abordagens já foram utilizadas no passado e nenhuma delas se tornou até hoje a estratégia vencedora, que produz previsões fidedignas com alta taxa de acerto”, afirma.

A principal referência foi um artigo do engenheiro Marcelo Cunha Medeiros, publicado em 2019, que utilizou uma base de dados macroeconômicos e técnicas básicas de machine learning, que superaram o desempenho de técnicas tradicionais na previsão de inflação. Para avançar na pesquisa, Theoharidis aplicou uma técnica mais sofisticada, juntando redes neurais chamados convolucionais LSTM (long short-term memory, ou memória de longo e curto prazo) e autoencoders, e obteve resultados mais precisos usando a mesma base de dados de Medeiros.

Os estudos sobre inflação dependem da disponibilidade e da qualidade dos dados, explica Theoharidis. No Brasil, por exemplo, já existem muitos dados públicos e séries históricas longevas, suficientes para testar e treinar esses modelos de deep learning. Mas o acesso aos números não basta. Projetar a inflação oferece alguns desafios extras no tratamento das informações, que podem ser enfrentados com a ajuda da computação.

Nos modelos econométricos mais simples, assume-se que as diversas variáveis macroeconômicas — juros e câmbio, por exemplo — interagem de forma linear com a inflação. Conforme Theoharidis, essa simplificação não corresponde à verdade. “Diferentemente da vasta maioria dos modelos econométricos, os modelos de deep learning são capazes de identificar e replicar essas não linearidades nos dados, como mostram as simulações que fiz com sucesso”, diz.

Os dados do artigo abrangem ciclos variados da economia norte-americana: o período inflacionário dos anos 1970 e 80, a estabilidade dos 1990 e 2000, as crises de 2007 e 2008, entre outros. “Nos Estados Unidos, apesar dos diferentes ciclos, há política monetária e estabilidade macroeconômica que permitem comparar os dados da década de 1990 com os atuais”, afirma Theoharidis. “No Brasil, no entanto, não faz sentido olhar para os dados antes do Plano Real, porque a política monetária e a dinâmica inflacionária e fiscal do Brasil mudaram depois de 1994. É um caso bem emblemático. Às vezes, mudanças de regime muito bruscas prejudicam a análise e tornam os dados incomparáveis.”

 

Passo à frente

Theoharidis está no mercado financeiro desde o primeiro estágio na faculdade de Engenharia de Produção na Escola Politécnica da Universidade de São Paulo, em 2010. Naquela época, a escolha foi motivada pelas conversas com colegas que já estagiavam na área. “Em paralelo à Engenharia, sempre tive interesse por Economia, e gostei tanto do mercado financeiro que estou aqui até hoje”, diz. As lições do dia a dia, aprendidas nas práticas do mercado, aos poucos foram alimentando a necessidade de um passo à frente.

Ele conta: “Senti que na minha trajetória faltava um pouco mais de conhecimento em Economia quando fiz o CFA, que é uma certificação tradicional do mercado financeiro, talvez a mais importante para quem segue essa carreira de analista. A certificação tem um estudo teórico pesado e me deu ótima bagagem para analisar investimentos, gerir carteiras e tomar outros tipos de decisão. Percebi, então, que o mestrado em Economia poderia preencher essa lacuna na minha formação”.

Além da reputação do curso de pós-graduação em Economia, Theoharidis destaca a grade curricular, a qualidade dos professores e a infraestrutura do Insper. “Foi a escolha certa porque consegui realmente complementar a minha formação e tive a oportunidade de estudar um tema superinteressante, que eu já queria explorar há algum tempo”, afirma. “O mestrado casou bem com o meu momento de carreira e com as minhas necessidades naquele momento.”

Na opinião de Hedibert Lopes, o conhecimento prévio e pragmático de problemas com dados econômicos ajudou Theoharidis a perceber rapidamente a potencialidade da implementação de ideias de aprendizagem de máquina em prol da capacidade preditiva de previsões macroeconômicas. “Ao contrário de problemas atemporais, onde dados são coletados num determinado instante ou janela de tempo, modelos econométricos de séries de tempo para dados financeiros e econômicos são abundantes e sólidos, matemática e estatisticamente”, diz Lopes. “O artigo se encaixa perfeitamente nesse movimento recente de combinar técnicas de aprendizagem de máquina com as estruturas e restrições de dados de séries de tempo, que só tende a se expandir nos próximos anos e décadas.”

Lopes recorda como Theoharidis conseguiu acrescentar novas ideias e desdobramentos às sugestões de pesquisas dos orientadores. Diretor de Política Econômica do Banco Central, Diogo Guillén também ressalta alguns desses resultados. “Em primeiro lugar, o empenho, a qualidade e o interesse do aluno são fundamentais para uma boa pesquisa”, diz Guillén. “Orientar o Alexandre foi um prazer e confesso que mais aprendi do que orientei no processo, com sua determinação, e sua forma pragmática e objetiva de atacar o problema.”

A dissertação de Theoharidis deixa contribuições importantes no contexto da pós-graduação, acredita Guillén. “A incorporação de métodos mais recentes de machine learning e deep learning para previsão de variáveis ‘clássicas’, como a inflação, é um tema sobre o qual a literatura tem se debruçado, e a dissertação traz vários avanços nesse campo, que deve crescer nos próximos anos”, afirma. “Por fim, me deixa um ensinamento de que podemos e devemos incentivar dissertações de mestrado profissional que almejem alto impacto e que contribuam na literatura acadêmica.”