Preparando material para os cursos da Análise Macro, esbarrei por acaso com o pacote GetTDData que baixa dados do Tesouro Direto diretamente para o R. Abaixo coloco um exemplo para a NTN-B com vencimento em 2035.
library(GetTDData)
library(ggplot2)
ntnb <- download.TD.data('NTN-B')
ntnb35 <- read.TD.files(dl.folder = 'TD Files',
maturity = '150535')
ggplot(ntnb35, aes(x=ref.date, y=yield.bid*100))+
geom_line()
Fica a dica para quem usa essas séries... 🙂
A criação de agentes de Inteligência Artificial (IA) capazes de transformar dados brutos em visualizações claras e informativas está se tornando cada vez mais acessível. Esses agentes podem automatizar tarefas complexas, desde a coleta de dados de diversas fontes até a geração de gráficos e tabelas, permitindo que os usuários foquem na análise e na tomada de decisões. Este post explora o processo de construção de um agente de IA para visualização de dados, destacando as ferramentas e os conceitos fundamentais envolvidos.
O exercício utiliza o LangGraph para criar personas fictícias de analistas econômicos, entrevistá-las com um especialista fictício e, a partir dessas interações, gerar relatórios técnicos usando LLMs, buscas na web e execução paralela.
Este post explica o conceito de Agentic CRAG (Corrective Retrieval-Augmented Generation) e sua aplicação na análise das atas do COPOM. Mostramos como combinar recuperação de informações, avaliação de relevância, correção de consultas e busca externa em um fluxo estruturado com LangGraph.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus
como podemos ajudar?
Preencha os seus dados abaixo e fale conosco no WhatsApp
Boletim AM
Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.
