Blog

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

Reamostragem em modelos preditivos: separação treino e teste

Nesse artigo abordamos técnicas de reamostragem de dados, conhecidas como separação treino/validação/teste, úteis para avaliar a acurácia de modelos preditivos. Mostramos exemplos e aplicações das técnicas, destacando o contexto e os desafios que podem emergir, usando problemas de regressão e de classificação com dados temporais e de corte transversal. Códigos dos exemplos são expostos nas linguagens de programação R e Python.

Previsão com Vetores Autoregressivos

Neste artigo verificamos como é possível realizar previsão de variáveis macroeconômicas utilizando os Vetores Autoregressivos.

Aplicações de Modelos de Volatilidade: Covariância Dinâmica usando GARCH

Os efeitos GARCH na volatilidade levam a uma variabilidade no tempo dos retornos. Essa variação no tempo tem um impacto direto na relação entre os retornos de dois ativos. Quando sua variância varia com o tempo, também sua covariância muda com o tempo. Portanto, é de interesse modelar essa dinâmica com o objetivo de conhecer a relação de dois ativos no tempo. Vamos realizar esse exercício utilizando o R e o Python como ferramentas.

Análise de Regressão e Previsão

Gerar previsões quantitativas passa por satisfazer os seguintes passos: o quanto nós sabemos sobre os fatores que influenciam determinado evento ou variável? Existem dados disponíveis? O quanto as previsões que estamos fazendo podem afetar os eventos ou observações futuras? Satisfeita essas condições, podemos utilizar uma Regressão Linear para prever os valores de uma variável.

Fluxo de trabalho para Modelagem Preditiva

Neste artigo, apresentamos um guia de trabalho para desenvolver modelos preditivos, percorrendo as principais etapas para se ter uma visão geral do processo. Mostramos um exemplo prático de ponta a ponta, usando as linguagens de programação R e Python.

Aplicações de Modelos de Volatilidade: VaR Dinâmico com GARCH usando Python

Uma aplicação interessante da variância calculada a partir dos modelos da família ARCH é a possibilidade de estimar o Value at Risk ao longo do tempo de uma carteira ou ativo. Mostramos como aplicar um VaR por meio de um GARCH utilizando o Python como ferramenta.

Modelos ARIMA e Metodologia Box-Jenkins

O que são os modelos ARIMA e como aplicar a Metodologia Box-Jenkins? Vamos demonstrar neste post como construir um modelo linear univariado, expondo o modelo do tipo ARIMA, bem como vamos descrever a metodologia Box-Jenkins para prever séries temporais. Mostraremos os resultados de um exemplo da previsão do IPCA mensal construído no R e no Python.

Análise Exploratória de Séries Temporais

Neste artigo, vamos apresentar técnicas e métodos úteis para analisar séries temporais e entender suas características. Mostramos as aplicações e interpretações de cada técnica com exemplos de dados reais, usando as linguagens de programação R e Python.

Aplicações de Modelos de Volatilidade: Premissas e Previsão

Vamos verificar algumas premissas importantes sobre os modelos de volatilidade ARCH/GARCH, o funcionamento da geração de previsões dos modelos e como avaliar os resultados utilizando o R e o Python.

Avaliação de Previsões Macroeconométricas

Uma extensão natural para a criação de modelos macroeconométricos é, certamente, avaliar o quão bom ou ruim é a previsão gerada. Para isso, existem algumas medidas que procuram qualificar a distância entre a previsão feita e o valor efetivamente observado. Neste artigo, verificamos algumas dessas medidas.