Previsão do preço do aço utilizando random forest com variáveis macroeconômicas

Abstract

O aço é uma das principais commodities da economia mundial, desempenhando papel estratégico em setores como construção civil, indústria automotiva e fabricação de máquinas. Diante desse cenário, este trabalho teve como objetivo desenvolver um modelo preditivo para previsão do preço do aço utilizando o algoritmo Random Forest, bem como identificar as variáveis macroeconômicas mais relevantes para esse processo. O algoritmo foi escolhido por sua capacidade de modelar relações não lineares, reduzir problemas de sobreajuste por meio da combinação de múltiplas árvores de decisão e fornecer medidas de importância das variáveis utilizadas na modelagem. A pesquisa adotou uma abordagem quantitativa baseada em Ciência de Dados e Aprendizado de Máquina, utilizando séries históricas mensais referentes ao período de maio de 2016 a março de 2026. A base de dados foi composta pelo preço do aço (Steel Coil), dólar comercial, taxa SELIC, minério de ferro e petróleo Brent. Durante o pré-processamento, foram realizadas a integração das bases de dados, a padronização dos formatos, a conversão das variáveis para valores numéricos, o tratamento de dados ausentes e a organização cronológica da série temporal. Em seguida, foram criados atributos derivados, incluindo variáveis defasadas (lags) e médias móveis, permitindo incorporar o comportamento histórico da série ao processo de previsão. O modelo foi desenvolvido utilizando o Random Forest Regressor, configurado com 300 árvores de decisão, profundidade máxima de 10 níveis, amostragem Bootstrap e validação interna por Out-of-Bag Score (OOB). O desempenho foi avaliado por meio das métricas RMSE, MAE, MAPE, R² e OOB Score. Os resultados demonstraram desempenho satisfatório, com RMSE de 56,57, MAE de 47,46, MAPE de 5,07%, R² de 0,63 e OOB Score de 0,92, evidenciando boa capacidade preditiva. A análise da importância das variáveis revelou que o comportamento histórico do próprio preço do aço foi o principal fator para as previsões, destacando-se a média móvel dos três últimos meses e o preço do mês anterior. Entre as variáveis macroeconômicas, o minério de ferro apresentou maior relevância, seguido pelo dólar comercial, evidenciando sua influência sobre os custos de produção e a dinâmica do mercado siderúrgico. Conclui-se que o algoritmo Random Forest mostrou-se eficaz para a previsão do preço do aço, apresentando erro percentual médio de 5,07%. Os resultados demonstram o potencial da aplicação de técnicas de Aprendizado de Máquina como ferramenta de apoio à tomada de decisão, ao planejamento estratégico e à gestão de custos em empresas do setor siderúrgico e em organizações que dependem das oscilações do preço do aço. Palavras-chave: Preço do aço. Random Forest. Aprendizado de Máquina. Séries temporais. Ciência de Dados.