Blog

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

Vetores Autoregressivos Bayesianos

Neste artigo, mostramos como é possível utilizar o Vetores Autoregressivos por meio da Abordagem Bayesiana. Como exemplo, demonstramos a estimação e previsão de série macroeconômicas utilizando o R e o Python.

O dilema de viés e variância em modelos preditivos

Modelos muito simples ou muito complexos podem gerar previsões com alto viés ou alta variância. A grande tarefa de quem trabalha com modelos preditivos é explorar uma especificação de modelo de modo a minimizar o erro de previsão, mas sem cair nestes dois extremos, o que pode ser desafiador. Neste artigo apresentamos estes conceitos e mostramos como analisar ajustes e previsões de modelos de modo a compreender o trade-off entre viés e variância.

Construindo exercícios de Macroeconomia aplicada

A Macroeconomia é um campo de estudo que combina a macroeconomia e a econometria para analisar e modelar as relações entre várias variáveis macroeconômicas usando métodos estatísticos e matemáticos. Em essência, é a aplicação de técnicas econométricas a dados macroeconômicos para obter insights sobre o funcionamento de uma economia como um todo.

Aplicações de Modelos de Volatilidade: otimização de portfólio usando GARCH

Uma aplicação interessante da variância calculada a partir dos modelos da família ARCH é a possibilidade de obter os pesos para um portfólio de mínima variância ao longo do tempo. Veremos neste artigo como obter as medidas para um portfólio de dois ativos e a possibilidade do cálculo por meio do R e do Python.

Cointegração e Vetor de Correção de Erros: Prevendo o desemprego

Neste artigo, mostramos como é possível criar uma previsão do Desemprego medida pela PNADc por meio de um VECM utilizando o R e o Python como ferramentas.

Pré-processamento de dados: lidando com valores extremos e valores ausentes

No contexto de ciência de dados, é comum ter que lidar com problemas nos dados de um modelo preditivo, tais como valores extremos (outliers) ou valores ausentes (missing data). Em muitos casos, é preciso aplicar pré-processamentos para validar e utilizar um modelo, ao mesmo tempo que é necessário evitar o vazamento de dados (data leakage). Abordamos estes desafios neste artigo mostrando exemplos com dados reais em aplicações nas linguagens de programação R e Python.

Aplicações de Modelos de Vol: Beta Dinâmico usando GARCH

O Beta de Mercado é uma medida financeira que representa a sensibilidade ou volatilidade de um ativo em relação ao mercado como um todo. Em outras palavras, o Beta de Mercado mede a resposta esperada de um ativo a movimentos no mercado de referência, geralmente representado por um índice amplo, como o índice geral de ações de um país (por exemplo, o S&P 500 nos EUA e o Ibovespa no Brasil).

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.