Blog

Blog Análise Macro – Desde 2011, encontrando a verdade nos dados

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

Como usar o Python para tratar e manipular dados financeiros

Este exercício tem como objetivo apresentar a biblioteca pytimetk para a manipulação de dados financeiros no Python. Utilizaremos como exemplo ações brasileiras, demonstrando como carregar, estruturar, manipular e visualizar esses dados.

Como usar o Python para tratar e manipular dados de Séries Temporais

Este exercício tem como objetivo apresentar a biblioteca pytimetk para a manipulação de dados em séries temporais no Python. Utilizaremos como exemplo os núcleos de inflação, demonstrando como carregar, estruturar, manipular e visualizar esses dados.

Um modelo explicativo para a inflação de alimentos

É notável que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. De 2010 para cá a inflação de alimentos foi de 211%, enquanto que a inflação cheia foi de 138%, uma diferença de ~4.9% por ano. Aquela estourou o intervalo da meta de inflação em 13 anos, enquanto esta estourou 5 anos. O que explica esta diferença gritante?

Aplicação de Hidden Markov Models para Finanças usando Python

Neste exercício, criamos um tutorial no Python de como usar o Hidden Markov Models, utilizando como exemplo a detecção de mudanças de regime nos retornos mensais do Ibovespa, identificando períodos de alta e baixa volatilidade

Como resolver problemas de multicolinearidade em modelos preditivos?

O VIF é uma estatística útil para identificar multicolinearidade em regressões. Esse problema gera, dentre outros, erros padrões maiores, o que pode impactar os intervalos de confiança em modelos preditivos. Este Neste artigo, mostramos seu cálculo, a interpretação e uma aplicação em Python.

Previsão do Ibovespa utilizando IA (TimeGPT) + Python

Historicamente, métodos estatísticos como ARIMA, ETS, MSTL, Theta e CES têm sido confiavelmente empregados em diversos domínios. Na última década, modelos de aprendizado de máquina como XGBoost e LightGBM ganharam popularidade. Agora, podemos entrar em uma nova fase na era da previsão: o uso da IA Generativa para a previsão de séries temporais. Neste exercício, demonstramos de forma introdutória o TimeGPT e criamos um exemplo usando o Ibovespa.

Previsão do Ibovespa com Chain-of-Thought + Python

Realizar previsões de séries financeiras é uma tarefa inglória. Ainda mais quando utiliza-se uma variável tão errática quanto um índice de mercado. Mas, e se ao invés de utilizarmos modelos já conhecidos, fazermos o uso da IA Generativa? Neste exercício usamos Gemini, Python e técnicas de Engenharia de Prompt e Árvore de Pensamento para prever o Ibovespa.

Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.