Construção e Análise Exploratória de Base Multivariada com Sentimento de Mercado para Modelagem Preditiva do Preço do Café Arábica

O presente trabalho apresenta a construção e a análise exploratória de uma base de dados multivariada voltada para a modelação preditiva do preço da saca do café arábica no Brasil, partindo da premissa de que a alta instabilidade e volatilidade desta commodity impõem limitações a modelos econométricos lineares clássicos, como o ARIMA. Diante desta complexidade, o estudo fundamenta a adoção de técnicas de aprendizado profundo, especificamente redes Long Short-Term Memory (LSTM), desenvolvendo para isso uma base consolidada com 3.244 registos diários desde 2013. A variável-alvo, baseada nas cotações do CEPEA, foi associada à quatro categorias preditoras: fatores macroeconômicos, dados de produção, variáveis físico-climáticas centradas no município de Patrocínio (MG) e métricas comportamentais extraídas de notícias jornalísticas do setor cafeeiro para capturar o viés especulativo. A análise exploratória confirmou a dispersão da variável-alvo (desvio padrão de R$ 562,81 e CV de 70,74%), influenciada por uma tendência histórica de alta e pela clássica sazonalidade de bienalidade da cultura, além de revelar um contraste dimensional entre os preditores, o que exige processos de normalização para evitar vieses de escala. Adicionalmente, os testes de correlação apontaram a taxa de câmbio como a variável com forte associação linear (r = 0,727), apresentando a natureza multivariada e não linear da precificação agrícola. Desse modo, ao integrar dados de esferas diferentes com métodos de aprendizado profundo e de inteligência artificial explicável, a base desenvolvida cria condições para o avanço de pesquisas aplicadas ao agronegócio, contribuindo para a redução de incertezas na formação de preços