library(dygraphs)
library(quantmod)
getSymbols('FEDFUNDS', src='FRED')
dygraph(FEDFUNDS, main = 'Comportamento dos FED Funds',
xlab='', ylab='% a.a.') %>%
dyOptions(stackedGraph = TRUE) %>%
dyRangeSelector(dateWindow = c("1954-07-01", "2015-11-01")) %>%
dyShading(from='2008-10-01', to='2015-11-01', color='lightblue')
Os “AI Assistants” são ferramentas que permitem automatizar e agilizar o processo de análise de dados e tomada de decisão. Neste artigo, mostramos como usar IA Generativa para criar um AI Assistant simples que analisa as decisões sobre a política de juros do FED.
A previsão de demanda é um componente essencial da análise econômica e empresarial. Para avaliar a precisão das previsões, diversas métricas de erro são utilizadas. Entre elas, o Erro Percentual Absoluto Médio (MAPE - Mean Absolute Percentage Error) é uma das mais conhecidas. Neste artigo discutimos suas vantagens e desvantagens com exemplos.
Neste exercício, utilizamos Python para aplicar um Modelo Oculto de Markov (HMM) na identificação e análise de regimes inflacionários no Brasil, com base na série temporal do IPCA mensal.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus – Hospedagem HostWP
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.
