Clube do Código: Propagação da Inflação de Alimentos

Na edição 54 do Clube do Código, de autoria do Renato Lerípio, replicamos o box "Propagação da Inflação de Alimentos" do Relatório de Inflação de setembro de 2018, do Banco Central brasileiro. A ideia é relativamente simples: estimar, através de um VAR, o efeito de choques no IPCA do grupo "Alimentação e bebidas" sobre os demais preços da economia. Esses outros preços são representados por um núcleo, o qual expurga do índice geral os itens do grupo "Alimentação e bebidas" (obviamente) e também itens relacionados à energia. O box não explicita que itens estão inclusos nesta última categoria, então vamos considerar os itens "Combustíveis (veículos)" e "Combustíveis (domésticos)" -- talvez energia elétrica também entre nesta conta, mas vamos ignorar. O importante é que o resultado final fica bem próximo do original e os interessados podem facilmente adaptar de acordo com sua intuição.

O interessante do exercício é que ele fornece uma estimativa do efeito de segunda ordem de choques nos preços dos alimentos. Quem acompanha os relatórios e atas do BC provavelmente já se deparou com essa expressão. Em linhas gerais, o efeito de segunda ordem ocorre quando o choque no preço de um determinado segmento contamina o restante do conjunto de preços da economia -- e vale lembrar que, neste caso, a política monetária deve ser reativa. Do ponto de vista operacional, um outro aspecto interessante do exercício é que ele envolve uma série de ferramentas que são utilizadas com bastante frequência em análises e modelagem: acumular valores de uma série, modificar a frequência e aplicar ajuste sazonal.

Abaixo, colocamos o gráfico que ilustra a função impulso-resposta extraída do VAR estimado.

Membros do Clube do Código já podem acessar o código do exercício no repositório do github.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.