Detecção de anomalias da inflação usando o python

A detecção de anomalias em séries temporais permite identificar quebras estruturais devido a eventos não recorrentes na série analisada. No post de hoje, vamos aplicar a detecção de anomalias na série do IPCA mensal por meio de um Auto ARIMA usando a biblioteca statsforecast do Python.

Série Temporal e Anomalias

Um série temporal é uma sequência de observações que ocorrem de forma sucessiva em uma ordem do tempo, e no qual suas observações representam os valores de uma variável, ou seja, basicamente demonstra as mudanças nos valores de uma variável ao longo do tempo.

Séries temporais são comuns em séries financeiras e econômicas, portanto, ferramentas proporcionadas por essa área de estudo são bastante utilizadas para analisar e modelar essas séries.

Um dos problemas recorrente na analise de série temporais são problemas decorrentes de anomalias (também chamados de outliers). Anomalias são observações que não são usuais na série, ou seja, não seguem o padrão esperado.

Anomalias são picos ou quedas em um conjunto de dados de série temporal. A detecção de anomalias é o processo de identificar as anomalias em um conjunto de dados de séries temporais. O conjunto de dados de série temporal com anomalias leva a resultados inconsistentes durante a previsão.

IPCA Mensal

O IPCA Mensal refere-se a variação mensal do IPCA (índice de inflação do Brasil) e apresenta uma característica de ser centrada ao redor de um valor ao longo da série, bem como tem um padrão de variação, esses conceitos podem ser traduzidos de forma que o IPCA mensal seja estacionario. Vamos coletar os dados do IPCA mensal por meio do Sistema Gerenciador de Séries temporais do Banco Central e visualizar os valores ao longo do tempo (pegaremos dados somente após 1995 para evitar problemas com o anterior e de transição do real).



from bcb import sgs
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from statsforecast import StatsForecast
from statsforecast.models import AutoARIMA


# Coleta do IPCA
ipca_raw = sgs.get(('y', 433), start = '1995-01-01')
# Tratamento do IPCA
ipca = (
    ipca_raw
    .reset_index()
    .assign(unique_id = 'ipca')
    .rename(columns = {'Date' : 'ds' })
)


# Cria o gráfico
plt.figure(figsize = (20,7))
plt.plot(ipca['ds'], ipca['y'], linewidth = 2)
plt.title('IPCA mensal %', fontsize = 22)
# Adiciona a fonte no gráfico
plt.annotate('Fonte: analisemacro.com.br com dados do SGS/BCB',
 xy = (1.0, -0.09),
 xycoords='axes fraction',
 ha='right',
 va="center",
 fontsize=10)


# Criação do modelo Auto ARIMA
models = [AutoARIMA(season_length = 12, approximation = True)]
fcst = StatsForecast(df = ipca,
                     models = models,
                     freq = 'M',
                     n_jobs = -1)



# Nível de confiança do ajuste
levels = [95]
# Previsão dentro da amostra
forecasts = fcst.forecast(h = 48, fitted = True, level = levels)



# Cria o ajuste
insample_forecasts = fcst.forecast_fitted_values().reset_index()



# Cria o gráfico
fig,ax = plt.subplots(1,1,figsize = (20,7))
ax.plot(insample_forecasts['ds'], insample_forecasts['y'], linewidth = 2)
ax.fill_between(insample_forecasts['ds'],
                insample_forecasts['AutoARIMA-lo-95'],
                insample_forecasts['AutoARIMA-hi-95'],
                alpha = .35,
                color = 'blue',
                label = 'Auto Arima nível 95%')
anomalies_df = insample_forecasts.query('y > `AutoARIMA-hi-95` or y < `AutoARIMA-lo-95`')[['ds', 'y']]
ax.scatter(
    anomalies_df['ds'],
    anomalies_df['y'],
    color = 'red',
    label = 'Anomalias',
    s = 100
)
ax.set_title(f'Detecção de Anomalias do IPCA mensal \n Auto ARIMA 95%', fontsize=22)
ax.set_ylabel('IPCA mensal %', fontsize=20)
ax.legend(prop={'size': 15})
ax.grid()
for label in (ax.get_xticklabels() + ax.get_yticklabels()):
    label.set_fontsize(20)
# Adiciona a fonte no gráfico
plt.annotate('Fonte: analisemacro.com.br com dados do SGS/BCB',
 xy = (1.0, -0.09),
 xycoords='axes fraction',
 ha='right',
 va="center",
 fontsize=10)

________________________________________________

Quer se aprofundar no assunto?

Alunos da trilha de Ciência de dados para Economia e Finanças  possuem acesso o curso Analise de dados Macroeconômicos e Financeiros e podem aprender a como construir projetos que envolvem dados reais usando modelos econométricos e de Machine Learning com o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.

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.