INFORMANDO PRIORS PARA MODELOS DSGE: UMA ANÁLISE EMPÍRICA DA DINÂMICA DO PRÊMIO DE RISCO-PAÍS DO BRASIL

Resumo

Este trabalho desafiou a hipótese de homocedasticidade dos choques do risco-país, uma premissa padrão em modelos DSGE. Por meio de uma análise comparativa rigorosa entre um modelo GARCH(1,1) e uma rede neural LSTM, demonstrou-se que o modelo de aprendizado de máquina é superior na captura da dinâmica complexa e não-linear da volatilidade do índice EMBI+ do Brasil, tanto em termos de ajuste in-sample quanto em capacidade de previsão out-of-sample. Este resultado transcende a mera superioridade estatística, sugerindo como descoberta econômica que a volatilidade do risco-país é um fenômeno estruturalmente mais complexo do que os modelos econométricos canônicos geralmente postulam. A principal contribuição da pesquisa é, portanto, a proposição de uma metodologia clara e data-driven para aprimorar a fundamentação empírica do modelo SAMBA, substituindo a hipótese de variância constante por um processo de volatilidade estocástica, cujos priors para a persistência e para o nível incondicional de volatilidade são disciplinados pelos métodos aqui demonstrados. Este trabalho constrói uma ponte entre a econometria financeira de alta frequência e a teoria macroeconômica estrutural, contribuindo para o desenvolvimento de ferramentas mais robustas para a análise de política econômica. Enquanto este artigo oferece uma robusta ponte metodológica, diversas avenidas promissoras para pesquisa futura emergem de nossos achados. Primeiro, uma extensão natural seria a incorporação de fundamentos macroeconômicos nos modelos de previsão, expandindo o framework univariado para um modelo multivariado (GARCH-X ou LSTM com múltiplos regressores) que inclua variáveis como os termos de troca, o balanço fiscal ou proxies de aversão ao risco global como o VIX. Segundo, o passo mais crucial é a implementação formal desta proposta no framework do SAMBA, re-estimando o modelo completo para analisar quantitativamente como as funções de impulso-resposta e os mecanismos de propagação de choques se alteram ao incorporar uma volatilidade mais realista. Finalmente, a fronteira do Machine Learning avança rapidamente, e trabalhos futuros poderiam explorar arquiteturas mais sofisticadas, como redes baseadas em atenção ou Transformers, ou investigar modelos híbridos que combinam a estrutura paramétrica do GARCH com a flexibilidade não-linear do LSTM, em busca de previsões ainda mais acuradas.