Como usar Principal Component Analysis para analisar ações
Como identificar os fatores significativos que influenciam a variabilidade nos retornos de ações individuais? Como comparar esses fatores ao selecionar empresas de setores distintos? Neste artigo, aplicamos a Análise de Componentes Principais para examinar ações nos setores de tecnologia e bancário, com o objetivo de identificar os fatores estatísticos relevantes.
Métodos de Reamostragem
Métodos de reamostragem são ferramentas indispensáveis na estatística moderna. Eles envolvem, basicamente, extrair de forma repetida amostras de um conjunto de treino de modo a reestimar o modelo de interesse em cada uma das amostras, obtendo assim informação adicional sobre o modelo ajustado. Vamos conhecer dois métodos úteis aplicáveis a dados de séries temporais de forma a auxiliar previsões: cross-validation e bootstrap.
Estimando a Inércia Inflacionária usando o Python
Como que a inflação passada pode afetar a inflação presente? É possível mensurar esse efeito, isto é, o grau de persistência da inflação, por meio de um processo autorregressivo de ordem 1. Mostramos como construí-la utilizando o Python como ferramenta de coleta de dados, análise e ajuste do modelo.
Volatility Cones
Um dos maiores desafios é determinar se opções são baratas ou caras. Usualmente, realiza-se a transação tomando uma posição na volatilidade do ativo subjacente. Se o mercado espera uma alta na volatilidade, os preços das opções tendem a ser maiores. Se o mercado espera baixa volatilidade, a opção os preços tendem a serem baixos. Mostramos, conforme Burghard e Lane (1990) como se pode usar informações sobre a estrutura de maturidade das volatilidades históricas do ativo subjacente, representadas como cones de volatilidade, para determinar se as opções são baratas ou caras. Usamos a linguagem R como ferramenta para coleta e análise de dados.
Modelos de Machine Learning aplicados à Macroeconomia
O termo "Machine Learning" foi cunhado por Arthur Samuel em 1959 e definido como a capacidade que proporciona aos computadores a habilidade de aprender sem requerer programação explícita. Ao longo do tempo, essa área tem evoluído em paralelo com os avanços computacionais, consolidando-se como um elemento crucial na construção de modelos preditivos. Com a profusão de dados, particularmente os de natureza econômica, tornou-se possível a elaboração de modelos de previsão para variáveis macroeconômicas. Este artigo oferece uma introdução a esses tipos de modelos e apresenta um exemplo concreto: a construção de uma previsão para a probabilidade de recessão nos EUA, utilizando as linguagens R e Python.
