Blog
Blog Análise Macro – Desde 2011, encontrando a verdade nos dados
- Econometria e Machine Learning
Neste texto abordamos modelos da família ARIMA para finalidade de previsão de séries temporais. Mostramos as diferenças de cada modelo com exemplos de dados econômicos do Brasil, em aplicações nas linguagens de programação R e Python.
- Macroeconometria
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.
- Mercado Financeiro
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.
- Macroeconometria
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.
- Econometria e Machine Learning
Neste texto abordamos métodos de suavização exponencial simples, com tendência e com sazonalidade para finalidade de previsão de séries temporais. Mostramos as diferenças de cada método com exemplos de dados econômicos do Brasil, em aplicações nas linguagens de programação R e Python.
- Macroeconometria
A inflação de alimentos tem sido uma grande incógnita nos últimos anos, influenciando de forma decisiva o erro de previsão da inflação cheia. Isso nos motivou a replicar um modelo do Banco Central do Brasil, exposto em boxe do Relatório de Inflação de junho de 2016, intitulado Evolução recente da inflação de alimentos. Replicamos o exercício utilizando a linguagem R e Python.
- Mercado Financeiro
Vamos investigar os fatores que representam mudanças inesperadas de variáveis macroeconômicas em retornos de ações. A ideia será denotar a mudança inesperada como o resíduo de variáveis macroeconômicas após a remoção de sua dependência dinâmica por meio do uso de um VAR e utilizar uma regressão linear para modelar a relação com o mercado acionário. Fazemos o uso das variáveis Câmbio real, Embi BR, PIB Mensal, Selic e IPCA. Para verificar a relação, usamos o R e o Python como ferramentas de construção do exercício.
- Macroeconometria
Uma maneira simples de melhorar a precisão das previsões é utilizar vários métodos diferentes na mesma série temporal e calcular a média das previsões resultantes. Vamos verificar como combinar previsões criados no R e Python utilizando variáveis macroeconômicas como exemplo.
- Econometria e Machine Learning
Como estimar uma regressão linear sem linguagem de programação? Nesse texto introduzimos esse modelo fundamental de ciência de dados, abrindo as fórmulas e ajustando uma regressão “na mão”, para que o código pronto não seja uma caixa preta. Usamos como exemplo o problema da precificação de imóveis, com aplicações em R e Python.
- Macroeconometria
Vamos investigar a atratividade da meta de inflação em relação às expectativas dos agentes privados no Brasil. Em outras palavras, verificaremos se a meta de inflação definida pelo Conselho Monetário Nacional (CMN) tem sido uma variável importante para explicar o comportamento das expectativas de inflação dos agentes econômicos. Para isso, nos basearemos em Carvalho e Minella (2012) e Bevilaqua, Mesquita e Minella (2008) para construir um modelo explicativo para as expectativas de inflação. A estimação será feita via Mínimos Quadrados Ordinários e Mínimos Quadrados em 2 Estágios (TSLS) com instrumentos. Faremos o uso do Python para realizar a coleta e tratamento dos dados, bem como o ajuste do modelo.
Boletim AM
Encontre o seu conteúdo
Categorias
- Comentário de Conjuntura
- Cursos da Análise Macro
- Indicadores
- Artigos de Economia
- Hackeando o R
- Data Science
- Política Monetária
- Macroeconometria
- Inflação
- PIB
- Eventos
- Indicação de Leitura Econômica
- Clube AM
- Dados Macroeconômicos
- Mercado financeiro
- Mercado de Trabalho
- Política Fiscal
- Resenhas de Conjuntura Econômica
Artigos mais acessados
Análise Macro © 2011 / 2026
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
