Previsão de commodity laranja utilizando métodos de regressão e ciência de dados

Abstract

O mercado de commodities é altamente relevante para a economia global, afetando diretamente setores estratégicos como agricultura, energia e metais. Sua natureza volátil decorre de múltiplos fatores externos, como instabilidades geopolíticas, mudanças climáticas e variações na oferta e demanda, o que torna essencial a análise contínua dos riscos futuros. Este estudo tem como objetivo principal avaliar o comportamento de duas técnicas de regressão — Ridge e LASSO — aplicadas à previsão de preços de commodities, com foco na laranja. Para isso, foram considerados dois elementos adicionais: o uso de pré-processamento com expansão polinomial e o impacto da janela temporal de treino sobre o desempenho dos modelos. A pesquisa foi conduzida utilizando a linguagem Python e a biblioteca scikit-learn, com validação cruzada (K-Fold) e métricas de avaliação como Erro Quadrático Médio (MSE) e Erro Absoluto Médio (MAE). Os resultados indicam que o modelo Ridge apresentou maior robustez frente à multicolinearidade introduzida pela expansão polinomial, enquanto o LASSO demonstrou maior sensibilidade, embora tenha se beneficiado da calibragem via validação cruzada. A análise comparativa entre os métodos revelou que a escolha adequada da técnica de regressão e do pré-processamento pode melhorar significativamente a capacidade de generalização dos modelos. Além disso, o estudo contribui para o debate sobre estratégias de mitigação de riscos em mercados voláteis, oferecendo subsídios práticos para investidores, empresas e formuladores de políticas públicas. Ao compreender os principais fatores que influenciam a volatilidade dos preços, é possível desenvolver modelos preditivos mais eficazes, capazes de apoiar decisões econômicas mais seguras e sustentáveis. Dessa forma, a pesquisa reforça a importância da integração entre métodos estatísticos e tecnologias emergentes na gestão de riscos financeiros em ambientes complexos.