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.
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.
Neste exercício, contruímos um modelo simples de previsão para o Resultado Primário do Setor Público Consolidado (acumulado em 12 meses, % PIB), usando apenas dados públicos, modelos econométricos, a literatura recente e a linguagem R. Em uma abordagem automatizada, as previsões do modelo se aproximam das previsões do mercado para o ano de 2025.
Este exercício estima o Hiato do Produto do Brasil utilizando quatro métodos univariados distintos. Para lidar com o problema de fim de amostra causado por filtros univariados, incorporamos previsões do PIB provenientes de agentes econômicos e projeções simples, estendendo a série temporal além da amostra original. Todo o processo de coleta, tratamento, estimação e visualização dos hiatos foi realizado na linguagem de programação R.
Este exercício examina o problema de fim de amostra, uma limitação comum em estimativas do hiato do produto baseadas em métodos univariados e bidirecionais. A análise é conduzida por meio de estimativas em quase tempo real, implementadas na linguagem de programação R.
Na corrida da IA, novas ferramentas e modelos são lançados quase que diariamente. Neste artigo mostramos como a empresa chinesa DeepSeek tem competido neste mercado através do modelo R1 e damos um exemplo de utilização em Python.
Será que o El Niño impacta o preço do feijão com arroz no prato dos brasileiros? Para responder esta pergunta estimamos um modelo VAR(p) utilizando dados do Oceanic Niño Index (ONI), investigamos a decomposição histórica dos choques estruturais e incorporamos o indicador de impacto climático nas previsões da inflação.
Neste exercício, mostramos como usar a linguagem de programação R para construir um modelo econométrico que explica os fatores que levaram os agentes do mercado financeiro a errar suas previsões sobre a inflação no Brasil.
Expectativas ancoradas significam que a inflação permanece próxima da meta mesmo após choques relevantes, tornando menos custosa a atuação do Banco Central no combate a pressões inflacionárias. Neste exercício, analisamos diferentes medidas para avaliar a ancoragem das expectativas no Brasil, utilizando a linguagem de programação R como ferramenta para a construção desse exercício, realizando a coleta, tratamento, cálculos e visualização dos resultados.
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.