Quantificação do risco em investimentos na indústria de transformação: uma abordagem estocástica

Abstract

A quantificação do risco em investimentos na indústria de transformação constitui um desafio analítico relevante, em função da elevada intensidade de capital, dos longos horizontes temporais e da incerteza associada à evolução conjunta de variáveis econômicas fundamentais. Custos, preços, demanda e demais fatores que afetam o desempenho econômico de projetos industriais apresentam dinâmicas estocásticas e interdependentes, cuja representação inadequada pode comprometer a consistência das análises de viabilidade e das decisões de alocação de capital. Esta dissertação propõe uma abordagem metodológica voltada ao suporte à quantificação do risco em investimentos produtivos, fundamentada na projeção estocástica multivariada de longo prazo de séries temporais econômicas. Ressalta-se que o método proposto não calcula diretamente medidas de risco, seu objetivo central é gerar representações probabilísticas coerentes dos insumos necessários para a aplicação consistente dessas métricas em análises posteriores de risco. O trabalho estrutura-se em três eixos complementares: (i) uma revisão sistemática da literatura sobre análise de viabilidade econômica e quantificação do risco na indústria de transformação, com ênfase em abordagens baseadas na geração de cenários; (ii) a proposição de um modelo conceitual para a análise de investimentos industriais, integrando a representação do processo produtivo, a projeção estocástica das variáveis econômicas e a obtenção de distribuições probabilísticas de indicadores financeiros; e (iii) o desenvolvimento e a validação de um modelo computacional híbrido para projeção probabilística multivariada de longo prazo. O modelo proposto, denominado CMP-LSTM, combina a estimação de distribuições marginais por meio de redes Long Short-Term Memory (LSTM) com a modelagem da dependência multivariada via cópulas do tipo R-vine, permitindo a geração de cenários estocásticos coerentes em horizontes de longo prazo. A partir desses cenários, torna-se possível derivar distribuições de indicadores financeiros, como fluxos de caixa e métricas de viabilidade econômica, que servem de base para a quantificação do risco associado a decisões de investimento. A abordagem é avaliada por meio de aplicações em dados reais de cadeias produtivas da indústria de transformação, sendo comparada a métodos tradicionais, como o modelo VARMA combinado com simulação de Monte Carlo. Os resultados indicam desempenho superior do método proposto em métricas probabilísticas univariadas e multivariadas, como CRPS, WIS, Energy Score e Variogram Score, especialmente em horizontes de cinco e dez anos. Além da melhoria na calibração marginal, o modelo demonstra capacidade consistente de preservar a estrutura de dependência entre variáveis econômicas, aspecto fundamental para a geração de cenários realistas e para análises robustas de risco em investimentos produtivos sob incerteza.

Abstract: The quantification of risk in investments in the manufacturing industry constitutes a relevant analytical challenge due to high capital intensity, long time horizons, and the uncertainty associated with the joint evolution of fundamental economic variables. Costs, prices, demand, and other factors affecting the economic performance of industrial projects exhibit stochastic and interdependent dynamics, whose inadequate representation may compromise the consistency of feasibility analyses and capital allocation decisions. This dissertation proposes a methodological approach aimed at supporting risk quantification in productive investments, grounded in long-term multivariate stochastic forecasting of economic time series. It is important to emphasize that the proposed method does not directly compute risk measures; rather, its primary objective is to generate coherent probabilistic representations of the inputs required for the consistent application of such metrics in subsequent risk analyses. The study is structured around three complementary pillars: (i) a systematic literature review on economic feasibility analysis and risk quantification in the manufacturing industry, with emphasis on scenario-generation-based approaches; (ii) the proposal of a conceptual framework for industrial investment analysis, integrating the representation of the production process, stochastic forecasting of economic variables, and the derivation of probabilistic distributions of financial indicators; and (iii) the development and validation of a hybrid computational model for long-term multivariate probabilistic forecasting. The proposed model, named CMP-LSTM, combines the estimation of marginal distributions using Long Short-Term Memory (LSTM) networks with multivariate dependence modeling through R-vine copulas, enabling the generation of coherent stochastic scenarios over long-term horizons. From these scenarios, it becomes possible to derive distributions of financial indicators, such as cash flows and economic feasibility metrics, which serve as a basis for risk quantification in investment decision-making. The approach is evaluated through applications to real data from manufacturing supply chains and is compared with traditional methods, such as the VARMA model combined with Monte Carlo simulation. The results indicate superior performance of the proposed method in univariate and multivariate probabilistic metrics, such as CRPS, WIS, Energy Score, and Variogram Score, particularly at five- and ten-year horizons. In addition to improved marginal calibration, the model demonstrates a consistent ability to preserve the dependence structure among economic variables, a fundamental aspect for generating realistic scenarios and conducting robust risk analyses in productive investments under uncertainty.