Regressão linear para séries temporais no Python com dados brasileiros: estimamos o consumo das famílias contra o PIB com defasagens e uma Curva de Phillips com IPCA e desocupação, testamos heterocedasticidade (Breusch-Pagan, White) e autocorrelação (AR(1), Durbin-Watson, Breusch-Godfrey) e corrigimos os erros padrão com HC3 e Newey-West.
O boxplot resume em um desenho a mediana, os quartis, a amplitude e os valores atípicos de uma variável, e permite comparar distribuições lado a lado. O exemplo compara o interesse de busca pelo termo “Artificial intelligence” no Brasil e nos Estados Unidos, com código em R (gtrendsR e ggplot2) e Python (pytrends e plotnine).
A variância de um portfólio de investimento mensura a volatilidade de uma cesta de ativos financeiros. É interessante conhecer a contribuição de cada ativo para a volatilidade total da carteira. No post de hoje, mostramos como construir essas métricas e a construir um dashboard usando o Python.
Neste artigo entendemos sobre a importância da visualização de dados e vimos o que é, como funciona e como gerar gráficos de histograma. Esse tipo de gráfico é útil para diversas análises e pode ser facilmente produzido e personalizado usando linguagens de programação, como R e Python.
Vamos continuar a série de postagens sobre como construir um Dashboard de métricas relacionadas a avaliação de ações e construção de um Portfolio de investimentos no Python. Trazemos nessa semana a construção de simulações de Monte Carlo no Python.
Série temporal é uma estrutura de dados fundamental para as áreas de economia e finanças, uma vez que a maioria das variáveis nessas áreas são observadas ao longo do tempo. Compreender as principais características estatísticas de uma série temporal é essencial para aqueles interessados em analisar dados econômicos.
Se não fosse o gráfico de dispersão, a famosa curva de Phillips jamais teria sido descoberta pelos economistas. Essa é uma afirmação forte, mas retrata o poder que a visualização de dados desempenhou nos anos 50 no avanço da pesquisa econômica. Apesar de ser simples, o gráfico de dispersão é útil para entender os dados e suas relações. Neste artigo mostramos as principais aplicações e exemplos práticos feitos em R e Python.
Vamos continuar a série de postagens sobre como construir um Dashboard de métricas relacionadas a avaliação de ações e construção de um Portfolio de investimentos no Python. Trazemos nessa semana um componente importante para avaliação do risco: o modelo de 3 fatores de Fama-French.
Verificamos a relação entre o Ibovespa e a variação interanual da Formação Bruta de Capital Fixo (FBCF) por meio do procedimento de Toda-Yamamoto usando o Python como ferramenta.
As definições, as fórmulas e o cálculo das principais estatísticas descritivas (média, mediana, mínimo, máximo, percentis, frequência, desvio padrão e variância), com a aplicação em R e Python sobre os dados do Brasileirão Série A 2020 para gerar um sumário em uma linha de código.