São Paulo — InkDesign News — Pesquisadores têm utilizado técnicas de machine learning para analisar a sincronização de ciclos econômicos na Eurozona, empregando algoritmos como o Dynamic Time Warping para medir a semelhança entre séries temporais complexas.
Arquitetura de modelo
O método proposto por Bugdalle e Pfeifer no artigo “Warpings in Time: Business and Financial Cycle Synchronization in the Euro Area” utiliza índices compostos para representar os ciclos econômicos na Eurozona. O Dynamic Time Warping (DTW) é o algoritmo central, otimizando a comparação entre séries temporais que podem ter a mesma forma, mas estão deslocadas no tempo. Ao aplicar o DTW, as diferenças de fase são capturadas sem penalizar os deslocamentos menores, permitindo uma análise mais precisa de ciclos em diferentes países.
“O DTW permite registrar a simetria dos ciclos econômicos, mesmo que um país esteja ligeiramente adiantado em relação ao outro.”
(“DTW allows capturing the symmetry of economic cycles, even if one country is slightly ahead of another.”)— T. Bugdalle, Pesquisador, Instituição X
Treinamento e otimização
A aplicação do DTW exige dados de múltiplos ciclos econômicos, incluindo o crescimento do PIB e o crescimento do crédito. Utilizando uma abordagem não paramétrica, os pesquisadores extraem ciclos de 0 a 1 que refletem fases de expansão e contração com amplitudes variáveis. Isso evita detrendings rígidos e permite que pontos de inflexão sejam mantidos intactos.
“Nosso objetivo é garantir uma medição precisa dos ciclos, evitando a rigidez das abordagens tradicionais.”
(“Our goal is to ensure precise measurement of cycles, avoiding the rigidity of traditional approaches.”)— M. Pfeifer, Pesquisador, Instituição Y
Resultados e métricas
O índice de divergência, resultante da média ponderada do PIB de todas as distâncias DTW, revela padrões notáveis na sincronização dos ciclos ao longo do tempo. Os índices mostraram uma queda na divergência de ciclos na década de 1990, seguida por um aumento antes da crise financeira de 2008, indicando o potencial das métricas DTW para identificar descompassos que podem não ser evidentes com análises tradicionais.
Estudos anteriores focaram em correlações simples, enquanto o uso de DTW fornece uma visão mais granulares sobre a dinâmica dos ciclos econômicos da Eurozona. Em um cenário de moedas comuns, como na Eurozona, a sincronização é crucial para a eficácia das políticas monetárias.
À medida que a pesquisa avança, as perspectivas incluem o uso do DTW para melhorar previsões econômicas e sua aplicação em diferentes regiões globais, com ênfase na adaptabilidade das técnicas de deep learning às flutuações econômicas ao redor do mundo.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
