Previsão da flutuação do preço do carbono usando uma rede neural residual de atenção adaptativa de canal duplo otimizada com otimizador white shark e proveniência de dados baseada em blockchain

Por que as previsões do preço do carbono importam para o cotidiano

Os mercados de carbono são uma das principais ferramentas políticas para enfrentar as mudanças climáticas. Eles atribuem um preço às emissões de gases de efeito estufa, incentivando as empresas a poluir menos e a investir em tecnologias mais limpas. Mas os preços nesses mercados oscilem de maneiras complexas, tornando difícil para empresas, investidores e governos planejar com antecedência. Este estudo apresenta uma nova forma de prever preços do carbono com maior precisão e confiabilidade, com o objetivo de reduzir a incerteza nas decisões financeiras relacionadas ao clima.

O problema das oscilações bruscas no preço do carbono

Os esquemas de comércio de carbono permitem que empresas comprem e vendam licenças de emissão, transformando a poluição em uma mercadoria negociável. Quando os preços são muito voláteis, as empresas têm dificuldade para orçar custos futuros e os formuladores de políticas enfrentam desafios para desenhar regras climáticas estáveis. Os preços do carbono são influenciados não apenas pela oferta e demanda básicas, mas também por mudanças regulatórias, preços de energia, ciclos econômicos e até o sentimento nas notícias. Essas forças tornam os movimentos de preço altamente não lineares e ruidosos, de modo que métodos tradicionais de previsão frequentemente perdem pontos de inflexão ou reagem lentamente a choques.

Limites das ferramentas de previsão atuais

Pesquisadores tentaram muitos métodos avançados para domar essa complexidade, desde dividir séries de preços em sub‑sinais mais suaves até usar modelos de aprendizado profundo e algoritmos de otimização bio‑inspirados. Métodos de decomposição ajudam a reduzir o ruído ao dividir uma série de preços em vários componentes, que são previstos separadamente e recombinados. Modelos de aprendizado profundo, como combinações híbridas de redes convolucionais e recorrentes ou arquiteturas no estilo Transformer, podem capturar padrões temporais intrincados. Otimizadores metaheurísticos, inspirados em enxames de animais ou predadores, buscam boas configurações de modelo além do simples gradiente descendente. No entanto, as abordagens existentes geralmente tratam apenas parte do problema: podem lidar com ruído, ou com padrões complexos, ou com otimização, mas raramente com os três simultaneamente. Também tendem a negligenciar a confiabilidade e a rastreabilidade dos dados de mercado subjacentes.

Um caminho integrado dos dados para previsões confiáveis

Os autores propõem um framework integrado chamado ADRGPNN‑WSO que conecta várias ideias em um único pipeline. Primeiro, dados brutos diários de negociação de três grandes bolsas chinesas de carbono (Hubei, Xangai e Shenzhen) são limpos usando um método de correspondência difusa que preenche valores ausentes e minimiza a influência de outliers. Ao mesmo tempo, os registros brutos são ancorados em um tipo especial de blockchain projetado para permitir correções controladas mantendo um rastro de auditoria criptográfico. Apenas registros cujas impressões digitais digitais correspondam ao blockchain são permitidos no modelo, garantindo que as previsões se baseiem em dados confiáveis e não em entradas adulteradas.

Como o motor de previsão inteligente funciona

Uma vez que os dados são verificados e limpos, eles são alimentados em uma rede neural personalizada composta por duas partes fortemente vinculadas. Uma parte é uma estrutura de canal duplo que processa dois fluxos de indicadores técnicos em paralelo, imitando como neurônios biológicos respondem a pulsos ao longo do tempo. Isso ajuda o modelo a capturar tanto choques de curto prazo quanto tendências de preço de mais longo prazo em indicadores como preço de abertura, volume de negociação e taxa de variação. A segunda parte é um módulo residual de atenção que agrupa características e aprende a "focar" mais fortemente nos padrões de preço e volume mais informativos, mantendo o treinamento estável em redes mais profundas. Além disso, os autores usam um otimizador "white shark", uma metaheurística inspirada no comportamento de caça de tubarões, para ajustar os muitos parâmetros da rede. Esse otimizador é projetado para explorar amplamente o espaço de busca inicialmente e depois concentrar‑se em regiões promissoras, reduzindo o risco de ficar preso em soluções pobres.

O que os resultados dizem sobre mercados reais

O framework é testado em vários anos de dados diários das três bolsas, com anos anteriores usados para treinamento e o ano mais recente reservado estritamente para teste. Em mercados que variam de relativamente calmos (Hubei) a extremamente voláteis (Shenzhen), o modelo apresenta alta precisão de previsão, com coeficiente de determinação em torno de 0,94 e erros médios relativamente baixos. Ele supera uma longa lista de alternativas, incluindo modelos tradicionais de aprendizado profundo e sistemas de ponta baseados em Transformer projetados para previsão de sequências longas. Experimentos de ablação cuidadosos mostram que remover qualquer componente — pré‑processamento de ruído, mecanismo de atenção, otimizador ou camada de blockchain — enfraquece tanto o desempenho preditivo quanto as propriedades relacionadas à governança. Testes estatísticos confirmam que os ganhos sobre modelos concorrentes dificilmente são devidos ao acaso.

O que isso significa para o futuro dos mercados de carbono

Do ponto de vista de um público leigo, este trabalho oferece uma "previsão do tempo" mais inteligente e confiável para preços do carbono. Ao combinar limpeza de dados, reconhecimento de padrões, otimização inteligente e rastreamento seguro da origem dos dados, o sistema proposto transforma registros de mercado desordenados em perspectivas de preço mais estáveis e interpretáveis. Embora o estudo atual esteja limitado a três bolsas chinesas e a dados históricos, a abordagem aponta para ferramentas de previsão que poderiam ajudar empresas a gerenciar riscos financeiros relacionados ao clima, auxiliar reguladores a desenhar políticas de carbono mais estáveis e, em última instância, apoiar uma transição mais suave para uma economia de baixo carbono.

Citação: Biswal, S., Kotecha, K. & Munjal, N. Carbon price fluctuation forecasting using an adaptive dual-channel residual attention neural network optimized with white shark optimizer and blockchain-based data provenance. Sci Rep 16, 13802 (2026). https://doi.org/10.1038/s41598-026-43184-6

Palavras-chave: mercados de carbono, previsão de preços, aprendizado profundo, dados em blockchain, política climática