Hawkish ou dovish? Analisando o tom da política monetária com IA usando Python

As decisões de política monetária costumam levar em consideração um conjunto amplo de informações e são, muitas vezes, complexas para o grande público. Visando facilitar a comunicação, os economistas costumam utilizar o jargão “hawkish” e “dovish” para se referirem ao teor e a direção da decisão tomada pelo banco central.

Em termos simples, o termo “hawkish” se refere a decisões de política monetária que visam conter o aumento de preços da economia por meio de, geralmente, aumento da taxa de juros. Por outro lado, o termo “dovish” se refere a decisões de política monetária que visam estimular o consumo e a tomada de crédito por meio de, geralmente, diminuição da taxa de juros.

Aprenda a coletar, processar e analisar dados na formação de Do Zero à Análise de Dados com Python.

Nestes termos, quando a autoridade monetária divulga a decisão sobre a taxa de juros, podemos facilmente utilizar estes jargões para classificar o tom da política monetária e ter uma noção simplificada sobre o que esperar do futuro da economia. No Brasil, por exemplo, o COPOM é o comitê do Banco Central que decide a condução da política monetária e divulga através de comunicados e atas a decisão sobre a taxa de juros Selic. Atualmente, são mais de 260 decisões divulgadas.

Agora imagine que você queira saber como era o tom da política monetária há 20 anos? Ou no ano passado? Ler dezenas ou centenas de atas de política monetária pode ser um exercício enriquecedor em termos de conhecimento, mas certamente toma bastante tempo. Para ajudar nesta tarefa, é possível utilizar tecnologias de inteligência artificial (IA) que automatizam o processo de ler os textos para classificar o tom da política monetária.

Neste exercício mostramos como utilizar o Google Gemini, um modelo de inteligência artificial, para classificar o tom da política monetária no Brasil em termos simples como “hawkish” ou “dovish”. Em menos de 50 linhas de código de Python, a ata de decisão da taxa de juros é importada e processada, um prompt e um modelo são definidos e a classificação é retornada, de forma automatizada.

Passo 01: bibliotecas de Python necessárias

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Para classificar o tom da política monetária com IA, utilizaremos as seguintes bibliotecas no Python:

  • langchain para processar os dados e o prompt de LLM.
  • langchain_community para ler o PDF da ata de política monetária.
  • langchain_google_genai para usar a API do modelo LLM Gemini (Google).
  • os para gerenciar chave de token da API do Google.
  • pypdf para trabalhar com PDFs.

Certifique-se de ter todas as bibliotecas instaladas.

Passo 02: chave de autenticação da API do Google

Para utilizar o modelo de inteligência artificial Gemini, é necessário obter uma chave de token na plataforma Google AI Studio (veja mais informações aqui).

Com a chave de token em mãos, defina uma variável de ambiente com nome GOOGLE_API_KEY para armazenar a chave.

Atenção: a utilização da API do Google pode acarretar custos. Verifique o site da empresa para mais informações.

Passo 03: atas de política monetária

Para enviar a ata do COPOM ao modelo de inteligência artificial, é preciso fazer um processamento de dados, que envolve as seguintes etapas:

  • Definir qual ata será utilizada para classificar o tom da política monetária (aqui utilizaremos a ata 260 como exemplo).
  • Importar o arquivo PDF correspondente disponibilizado no site do Banco Central.
  • Extrair o conteúdo do arquivo em formato de texto.

Passo 04: engenharia de prompt

Para que o modelo de inteligência artificial classifique o tom da política monetária, é fundamental definir uma instrução clara sobre o que e como deve ser feito. Esse procedimento é feito seguindo estas etapas:

  • Definir qual modelo será utilizado e com quais configurações (aqui utilizamos o Gemini Pro com temperatura igual a zero).
  • Extrair do texto da ata o conteúdo relevante para classificação do tom da política monetária.
  • Instruir o modelo de inteligência artificial a classificar o texto em hawkish ou dovish.
    Você é um economista chefe experiente em análise de política monetária, tendo trabalhado em fundos de investimentos e grandes bancos, além de ser PhD em economia.
    Sua tarefa é ler a ata a seguir da Reunião do Comitê de Política Monetária (Copom) do Banco Central do Brasil e classificar o documento em hawkish ou dovish:
    “{ata}”
    Classificação:
  • Combinar a instrução, o texto da ata e as definições do modelo.

Parte 05: classificação do tom da política monetária

Por fim, utilizamos as definições acima para classificar o tom da política monetária em hawkish ou dovish. Com base na ata 260 do COPOM, a política monetária é atualmente:

'Dovish'

Conclusão

Neste exercício mostramos como utilizar o Google Gemini, um modelo de inteligência artificial, para classificar o tom da política monetária no Brasil em termos simples como “hawkish” ou “dovish”. Em menos de 50 linhas de código de Python, a ata de decisão da taxa de juros é importada e processada, um prompt e um modelo são definidos e a classificação é retornada, de forma automatizada.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Sumarizando divulgações trimestrais de empresas usando IA no Python

Neste exercício, iremos utilizar a inteligência artificial no Python para analisar e sumarizar divulgações trimestrais de empresas. Focaremos no uso de ferramentas como Gemini e técnicas de processamento de linguagem natural para extrair informações de documentos PDF relacionados aos relatórios financeiros das empresas.

Prevendo efeitos de mudanças de preços em produtos usando TimeGPT

O exercício explora como prever os efeitos de mudanças nos preços de produtos utilizando o TimeGPT, uma ferramenta de previsão de séries temporais no Python. Usando elasticidade-preço, é possível medir a resposta da demanda a variações de preço. O exemplo prático utiliza dados de vendas de abacates nos EUA.

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.