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.
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?
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
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.
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.
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.