Como quantificar sentimentos e emoções a partir de comunicados de política monetária? Neste exercício utilizamos os statements do FOMC para construir um índice de sentimentos, o que permite comparar a “narrativa” com a prática da política monetária, ou seja, mudanças da taxa de juros. Também avaliamos se tal índice é útil em prever mudanças de política através do teste de causalidade de Granger.
Como coletar os seis indicadores de inflação por faixa de renda do Ipea, calcular a
variação acumulada em 12 meses e comparar os estratos entre si usando Python. O
tutorial cobre a composição correta do acumulado, a inversão da ordem entre as faixas
ao longo do tempo e a decomposição por grupos do IPCA que explica o resultado.
Se textos pudessem falar, o que eles diriam? O uso de dados textuais é capaz de melhorar um modelo de previsão? Neste exercício exploramos o uso de fatores textuais extraídos dos comunicados do FOMC para a previsão da inflação norte-americana.
O que informações textuais podem revelar sobre a situação da economia? Como transformar palavras em estatísticas e obter insights? Há algo informativo nas entrelinhas das atas do COPOM? Como usar Machine Learning para interpretar os comunicados da autoridade monetária? Neste exercício, damos continuidade aos posts sobre Natural Language Processing (NLP) demonstrando a aplicação da técnica de topic modeling com as atas do COPOM.
Mineração de textos é uma técnica interessante para obtenção de insights quantitativos através de dados textuais. Com a finalidade de demonstrar seu uso, neste artigo faremos uma breve e introdutória análise das atas do Comitê de Política Monetária – COPOM usando mineração de textos com o auxílio do pacote tidytext na linguagem R.