Blog

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

Neste artigo investigamos se a previsão desagregada da inflação é capaz de gerar previsões mais acuradas do que a previsão agregada. Utilizamos o Índice Nacional de Preços ao Consumidor Amplo (IPCA) como medida de interesse, aplicando um modelo simples e um modelo de passeio aleatório para comparação. Todo o processo pode ser feito de maneira automatizada utilizando a linguagem de programação R.
Como quantificar sentimentos e emoções a partir de comunicados de política monetária? Neste exercício utilizamos os statements do FOMC para construir um índice de sentimentos, o que permite comparar a “narrativa” com a prática da política monetária, ou seja, mudanças da taxa de juros. Também avaliamos se tal índice é útil em prever mudanças de política através do teste de causalidade de Granger.
Neste artigo mostramos como coletar dados de inflação segmentados por faixa de renda e como calcular a variação acumulada em 12 meses usando a linguagem de programação Python.
Como criar o Fator Momentum para o Mercado Acionário Brasileiro? No post, apresentamos uma forma de criação do Fator usando o Python.
Toda vez que a autoridade monetária divulga o seu Índice de Nível de Atividade do Banco Central (IBC-Br), a imprensa costuma dizer que o mesmo antecipa os resultados do PIB. Mas será que isso é verdade? Vamos usar o Python como ferramenta de coleta, tratamento, análise e modelagem dos dados para verificar esse argumento.
Como o surgimento de modelos de inteligência artificial, como os LLMs, estariam as profissões de economistas e cientistas de dados ameaçadas? Neste exercício, tentamos responder esta pergunta ao avaliar o potencial de LLMs em produzir previsões para a inflação no Brasil em diferentes períodos. Comparamos a qualidade das previsões do modelo Google PaLM com as previsões dos profissionais e instituições de mercado, disponibilizadas no relatório Focus do Banco Central.
Se textos pudessem falar, o que eles diriam? O uso de dados textuais é capaz de melhorar um modelo de previsão? Neste exercício exploramos o uso de fatores textuais extraídos dos comunicados do FOMC para a previsão da inflação norte-americana.
Como melhorar o processo de alocação de peso em um portfólio de investimentos? Veremos como realizar a aplicação do Hierarchical Risk Parity (HRP) no Python.
Nosso objetivo neste exercício será estender a taxa de desemprego fornecida pela Pesquisa de Nacional por Amostra de Domicílios Contínua (PNAD Contínua) através daquela fornecida pela Pesquisa Mensal de Emprego (PME). Serão construídas duas séries: uma normal, outra dessazonalizada. Faremos todo o exercício utilizando o Python.
Em ciência de dados, a interpretação de resultados é fundamental para alcançar os objetivos da modelagem preditiva. Mas como analisar os modelos? Olhar as métricas de erros é suficiente? O melhor modelo é o que tem a maior acurácia? É necessário escolher um modelo? Neste artigo discutimos sobre estas e outras considerações no processo de tomada de decisão de modelos preditivos.

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp