PIB do terceiro trimestre surpreende a todos

Os resultados do PIB divulgado pelo IBGE para o terceiro trimestre do ano mostraram que a economia permanece bem aquecida, mas menos do que o mercado esperava. Internamente na Análise Macro, nossos modelos projetavam um crescimento menor do que o ocorrido. O hiato do produto positivo ajuda a explicar as surpresas.

O PIB cresceu 3,1% nos 12 meses encerrados em setembro de 2024, enquanto que o mercado esperava um crescimento de 3,5% e a Análise Macro um crescimento de 2,6%, assumindo 15 de novembro como data de previsão. Em termos de erro absoluto de previsão, nosso melhor modelo teve desempenho levemente inferior para este período de referência:

Nosso melhor modelo utiliza apenas 3 variáveis exógenas e defasagens para projetar a atividade econômica. Dessa forma, apesar do desempenho inferior no período, pode-se dizer que um modelo simples de projeção está bem próximo ao que profissionais de mercado utilizam. O fato de a economia estar operando acima do seu potencial pode ajudar a explicar estes erros:

Para os próximos trimestres esperamos uma atividade econômica ainda bastante aquecida, em ritmo maior do que as previsões de mercado.

Conclusão

Os resultados do PIB divulgado pelo IBGE para o terceiro trimestre do ano mostraram que a economia permanece bem aquecida, mas menos do que o mercado esperava. Internamente na Análise Macro, nossos modelos projetavam um crescimento menor do que o ocorrido. O hiato do produto positivo ajuda a explicar as surpresas.

Para aprender a produzir modelos como este, o curso de Previsão Macroeconômica usando Python e IA ensina como coletar, tratar, analisar, modelar os dados e, por fim, produzir previsões acuradas para indicadores macroeconômicos do Brasil e apresentar resultados. No curso também ensinamos a automatizar todo o processo.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

Construindo RAG para Análise do COPOM com SmolAgents

Este exercício demonstra, passo a passo, como aplicar o conceito de Retrieval-Augmented Generation (RAG) com agentes inteligentes na análise de documentos econômicos. Utilizando a biblioteca SmolAgents, desenvolvemos um agente capaz de interpretar e responder a perguntas sobre as atas do COPOM com base em buscas semânticas.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.