Neste exercício, mostramos como o Python pode ser utilizado para calcular uma métrica central para a compreensão da dinâmica entre crédito e atividade econômica no Brasil, a partir de um ciclo completo e altamente reprodutível de coleta, tratamento e análise de dados.
Neste exercício, exploramos a previsão de séries temporais utilizando o Temporal Fusion Transformer (TFT). O TFT é uma arquitetura de Deep Learning baseada em mecanismos de atenção, desenhada especificamente para lidar com múltiplas variáveis e horizontes de previsão longos, mantendo a interpretabilidade — uma característica frequentemente ausente em modelos de “caixa-preta”.
O objetivo deste trabalho é mensurar a credibilidade da política monetária brasileira através de diferentes métricas e verificar empiricamente se uma maior credibilidade contribui para a redução da inflação. Realizamos a modelagem econométrica usando o pacote {systemfit} disponível na linguagem. Ao fim, criamos um relatório reprodutível com a combinação Quarto + R.
Como ler automaticamente as atas do Copom com Python e transformá-las em três
indicadores: o tom do texto por análise de sentimento, a complexidade da
comunicação por um índice de legibilidade, e a distância entre a Selic praticada
e a prescrita por uma regra de Taylor estimada. Com 260 atas desde 1998.
Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.