Modelando o IFIX através de Mínimos Quadrados Parciais (PLS)

A Edição 61 do Clube do Código, que estará disponível para os membros essa semana no repositório privado, busca estimar um modelo via mínimos quadrados parciais para o IFIX, o Índice de Fundos de Investimentos Imobiliários. Segundo a B3, "O IFIX é o resultado de uma carteira teórica de ativos, elaborada de acordo com os critérios estabelecidos nesta metodologia. O objetivo do IFIX é ser o indicador do desempenho médio das cotações dos fundos imobiliários negociados nos mercados de bolsa e de balcão organizado da B3".

A opção por mínimos quadrados parciais para modelar a variável se dá devido a grande quantidade de preditores utilizados, entre variáveis reais de desempenho da economia brasileira e variáveis eminentemente financeiras, com relação entre si. A modelagem via mínimos quadrados ordinários implicaria, assim, em problemas de multicolinearidade.

Uma vez escolhidos os preditores e estimado o modelo dentro da amostra de treino, o ajuste do modelo nos pareceu satisfatório, como mostra o gráfico acima. Isso foi confirmado por medidas de acurácia avaliadas na amostra de teste.

____________________________

O Clube do Código é o projeto de compartilhamento de códigos da Análise Macro. Conheça e apoie o projeto! 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

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.