Reumo
Este estudo aborda o Puzzle de Meese-Rogoff introduzindo as mais recentes técnicas de
machine learning como alternativas para a predição da taxa de câmbio. Utilizando o RMSE
como métrica de comparação, Meese e Rogoff descobriram que modelos econômicos são
incapazes de superar o modelo de random walk como preditores do câmbio no curto prazo.
Décadas após este estudo, nenhuma técnica de predição estatística se mostrou eficaz para vencer
este obstáculo; ainda que houvesse resultados positivos, eles não se aplicavam para todas as
moedas e períodos definidos. O avanço recente de tecnologias envolvendo inteligência
artificial, abriram o caminho para uma nova abordagem na predição do câmbio. Provendo-se
dessa tecnologia, aplicamos cinco técnicas de machine learning visando superar o puzzle de
Meese e Rogoff. Consideramos o período diário para as moedas do real, iene, libra esterlina,
euro e o yuhan chinês contra o dolar american, em um horizonte de tempo de 2010 a 2023.
Nossos resultados mostraram que nenhuma das técnicas apresentadas conseguiu produzir um
RMSE menor que o modelo de Random Walk, entretanto, a performance de parte deles, em
especial os modelos LSTM e N-BEATS, se aproximou do esperado, sendo superior ao modelo
ARIMA. Os resultados também sugerem que modelos de machine learning possuem um
potencial inexplorado, representando, no longo prazo, uma possibilidade eficaz na busca de
ultrapassar o puzzle de Meese e Rogoff