Previsão de preços de commodities utilizando inteligência artificial: integração de séries históricas e análise de notícias com redes lstm

Abstract

Este estudo propõe um modelo preditivo baseado em redes LSTM, que integra séries temporais semanais de preços do café arábica (2019–2024) com variáveis de sentimento extraídas de notícias por meio de PLN. Em comparação a um modelo ARIMA, a LSTM reduziu o erro quadrático médio em 73,5%; ao adicionar os dados textuais, houve uma redução adicional de 7,7% no MSE, elevando o coeficiente de determinação (R²) de 0,25 para 0,31. Esses ganhos comprovam que a inclusão de notícias torna as previsões mais precisas e contextualizadas, oferecendo suporte a produtores, traders e formuladores de políticas. Limitações como o horizonte fixo de oito semanas e o desequilíbrio na amostra de sentimentos apontam direções para pesquisas futuras.

This study proposes a predictive model based on LSTM networks that integrates weekly time series of arabica coffee prices (2019–2024) with sentiment variables extracted from news via NLP. Compared to an ARIMA model, the LSTM reduced the mean squared error by 73.5%; when textual data were added, there was an additional 7.7% reduction in MSE, raising the coefficient of determination (R²) from 0.25 to 0.31. These gains demonstrate that incorporating news makes forecasts more accurate and contextualized, supporting producers, traders, and policymakers. Limitations such as the fixed eight-week horizon and imbalance in the sentiment sample suggest directions for future research.