Desenvolvimento de modelo de previsão da exportação de carne brasileira com machine learning

Abstract

Este trabalho avaliou o desempenho de modelos de previsão para as exportações trimestrais de carne bovina, suína e de frango no Brasil entre 2015 e 2024, utilizando séries históricas e variáveis econômicas (câmbio, custos de milho/soja, preço médio). Foram testados os modelos ARIMA, Random Forest, XGBoost, Regressão Linear e LSTM, aplicando-se dois cenários: com e sem engenharia de atributos (lags, médias móveis, EWMA, termos de Fourier e taxas de crescimento). Os resultados mostraram que a Regressão Linear simples (com ano como preditor) obteve bom desempenho para as carnes bovina e suína, enquanto para a carne de frango o ajuste foi insatisfatório. No caso dos modelos ARIMA, Random Forest, XGBoost e LSTM, apresentaram R² negativos ou próximos de zero para bovino e frango, e apenas para a carne suína o XGBoost e o Random Forest alcançaram resultados aceitáveis, porém limitados. O LSTM não superou o baseline de média móvel exponencial em nenhuma série. Conclui-se que a escassez de dados e a alta volatilidade das exportações restringem a eficácia de modelos complexos, favorecendo abordagens parcimoniosas como regressão linear e médias móveis. Recomenda-se ampliar a base temporal e utilizar exclusivamente defasagens para evitar viés com vazamento de dados.