Título: Previsão de Preços de Contratos Futuros de Café Uma Abordagem Adaptativa Utilizando Redes Neurais Líquidas e Variáveis Climáticas
Título alternativo: Forecasting Coffee Futures Prices An Adaptive Approach Using Liquid Neural Networks and Climate Variables
Autoria de: Nathan Bernardini de Loyolla
Orientação de: Leonilson Kiyoshi Sato de Herval
Coorientação de: Ana Claudia Festucci de Herval
Presidente da banca: Leonilson Kiyoshi Sato de Herval
Primeiro membro da banca: Leomar Santos Marques
Segundo membro da banca: Paulo Henrique Sales Guimaraes
Terceiro membro da banca: Ana Claudia Festucci de Herval
Palavras-chaves: redes neurais líquidas, previsão de séries temporais, contratos, futuros de café, variáveis climáticas
Data da defesa: 06/07/2026
Semestre letivo da defesa: 2026-1
Data da versão final: 08/07/2026
Data da publicação: 08/07/2026
Referência: Loyolla, N. B. d. Previsão de Preços de Contratos Futuros de Café Uma Abordagem Adaptativa Utilizando Redes Neurais Líquidas e Variáveis Climáticas. 2026. 69 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Física Bacharelado)-Universidade Federal de Lavras, Lavras, 2026.
Resumo: A volatilidade inerente ao mercado de contratos futuros de café arábica, determinada em grande medida por choques climáticos de oferta, impõe desafios significativos à modelagem preditiva por métodos econométricos e arquiteturas de aprendizado profundo convencionais. Modelos clássicos como o ARIMA apresentam limitações estruturais frente à não linearidade das séries financeiras, ao passo que arquiteturas recorrentes discretas, a exemplo das redes Long Short-Term Memory (LSTM), enfrentam instabilidades no treinamento e dificuldades no processamento de dados temporalmente irregulares. Para caracterizar empiricamente a complexidade do problema e motivar a adoção de uma abordagem mais expressiva, foram estimados modelos da família GARCH ?? GARCH(1,1), GARCH(2,1) e EGARCH(1,1) ?? sobre a série histórica completa do contrato KC e avaliados em horizonte de 90 dias. Os resultados, com acurácia direcional entre 46,67 e 53,33, evidenciam que abordagens paramétricas clássicas apresentam desempenho equivalente ao do passeio aleatório nessa série, confirmando a necessidade de arquiteturas capazes de capturar dinâmicas não lineares e adaptar-se a choques exógenos de natureza climática. O presente Trabalho de Conclusão de Curso propõe a aplicação de Redes Neurais Líquidas (Liquid Neural Networks ?? LNN), formalizadas como Redes de Constante de Tempo Líquida (Liquid Time-Constant Networks ?? LTC), na previsão das cotações de contratos futuros de café arábica negociados na ICENYMEX. A arquitetura LNNLTC, cujos estados ocultos são governados por equações diferenciais ordinárias com constante de tempo variável e dependente da entrada, adapta-se dinamicamente à velocidade e à intensidade das mudanças nos dados durante a própria inferência. O modelo integra variáveis meteorológicas de alta resolução espacial das regiões cafeicultoras brasileiras obtidas via NASA POWER API, transformadas em indicadores de estresse agronômico com semântica fenológica explícita, como temperatura máxima durante a floração, acumulado de chuva e alertas de geada. Os resultados demonstram que a LNNCfC supera a Rede Neural Recorrente em 59,24 em RMSE na previsão de um passo à frente, reduzindo simultaneamente o tempo de treinamento em 50. A inclusão de variáveis climáticas reduz o RMSE da previsão direta de 90 dias em aproximadamente 6 em relação ao modelo univariado. O modelo identificou corretamente a direção da variação de preços em todos os cinco ciclos históricos avaliados, com erros percentuais no preço final entre 1 e 5,23, demonstrando utilidade prática para agentes de hedge de médio prazo no mercado de commodities agrícolas.
Abstract: The inherent volatility of arabica coffee futures markets, driven substantially by climate-induced supply shocks, poses significant challenges to predictive modeling through conventional econometric methods and standard deep learning architectures. Classical models such as ARIMA exhibit structural limitations when confronted with the nonlinearity of financial time series, while discrete recurrent architectures, including Long Short-Term Memory (LSTM) networks, suffer from training instabilities and difficulties in processing irregularly sampled temporal data. To empirically characterize the complexity of the forecasting problem, models from the GARCH family ?? GARCH(1,1), GARCH(2,1), and EGARCH(1,1) ?? were estimated on the full historical series of the KC contract and evaluated over a 90-day horizon as a comparative baseline. The results, with directional accuracy between 46.67 and 53.33, demonstrate that classical parametric approaches perform equivalently to a random walk on this series, motivating the adoption of architectures capable of capturing nonlinear dynamics and adapting to exogenous climate shocks. This undergraduate thesis proposes the application of Liquid Neural Networks (LNN), formally defined as Liquid Time-Constant Networks (LTC), to the forecasting of arabica coffee futures prices traded on the ICENYMEX exchange. The LNNLTC architecture, whose hidden states are governed by ordinary differential equations with an input-dependent variable time constant, dynamically adapts to the rate and intensity of changes in the data stream during inference. The model incorporates high-resolution meteorological data from Brazilian coffee-producing regions via the NASA POWER API, transformed into agronomic stress indicators with explicit phenological semantics, including maximum temperature during flowering, accumulated rainfall, and frost alerts. Results show that the LNNCfC outperforms a Recurrent Neural Network by 59.24 in RMSE for one-step-ahead forecasting while simultaneously reducing training time by 50. The inclusion of climate variables reduces the RMSE of direct 90-day forecasts by approximately 6 relative to the univariate model. The model correctly identified the direction of price variation across all five historical cycles evaluated, with percentage errors in the final price ranging from 1 to 5.23, demonstrating practical utility for medium-term hedge strategies in agricultural commodity markets.
URI alternaviva: sem URI do Repositório Institucional da UFLA até o momento.
Curso: G037 - ENGENHARIA FÍSICA (BACHARELADO)
Nome da editora: Universidade Federal de Lavras
Sigla da editora: UFLA
País da editora: Brasil
Gênero textual: Trabalho de Conclusão de Curso
Nome da língua do conteúdo: Português
Código da língua do conteúdo: por
Licença de acesso: Acesso aberto
Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras
URI da licença: repositorio.ufla.br
Termos da licença: Acesso aos termos da licença em repositorio.ufla.br
Detentores dos direitos autorais: Nathan Bernardini de Loyolla e Universidade Federal de Lavras
Baixar arquivo