PREVISÃO DOS PREÇOS DAS EMISSÕES DE CARBONO USANDO NO EU ETS USANDO MÉTODOS DE MACHINE LEARNING E DEEPLEARNING

Esta dissertação avalia a capacidade preditiva dos preços do carbono no âmbito do Sistema de Comércio de Licenças de Emissão da União Europeia (EU ETS), recorrendo a técnicas de machine learning. A análise foca-se na previsão do nível absoluto de preços diários, em vez dos retornos, permitindo uma avaliação mais direta da aplicabilidade dos modelos a contextos reais de decisão. Foram testadas diversas abordagens, com destaque para modelos Random Forest aplicados a diferentes regimes do mercado (Fase 3, Fase 4), bem como uma estratégia de janela deslizante, que permite adaptar o modelo às dinâmicas mais recentes do mercado. Os resultados demonstram que modelos simples, quando corretamente ajustados, podem superar arquiteturas complexas como a CNN-LSTM, especialmente em contextos com dados tabulares e regimes instáveis. A abordagem de janela deslizante revelou-se particularmente eficaz, reforçando a importância da adaptabilidade em mercados caracterizados por mudanças estruturais frequentes. Conclui-se que, apesar dos desafios inerentes à previsão diária, é possível melhorar significativamente a performance preditiva com técnicas adequadas e segmentação temporal, contribuindo para uma melhor compreensão do comportamento dos preços no EU ETS.