Modelos ARIMA com o Python

Modelos univariados são bastante utilizados para fins de modelagem e previsão de um amplo conjunto de variáveis. Nesse post, vamos ilustrar a aplicação desses modelos sobre a inflação brasileira medida pelo IPCA utilizando modelos do tipo ARIMA

Criando um Modelo AutoArima no Python

Para criar uma previsão do IPCA usando o Python, devemos proceder através do processo de Análise de Dados, seguindo os seguintes passos:

  • Coleta do IPCA: utilizaremos a biblioteca python-bcb para retirar os dados do IPCA mensal direto do SGS, por meio do código 433;
  • Tratamento e Data Wrangling: Para fins de criação e utilização da biblioteca statsforecast devemos formatar os dados em uma forma ideal, bem como realizar a separação de dados de treino e teste;
  • Análise exploratória: Averiguar por meio de estatísticas descritivas e gráficos o comportamento do IPCA;
  • Modelagem e Previsão: criação do modelo e previsão.

Começamos com o processo de coleta dos dados e tratamento dos dados do IPCA, como demonstrado no código abaixo:


# Coleta do IPCA
ipca_raw = sgs.get(('y', 433), start = '2004-01-01')
# Tratamento do IPCA
ipca = (
    ipca_raw
    .reset_index()
    .assign(unique_id = 'ipca')
    .rename(columns = {'Date' : 'ds' })
)

O objetivo portanto, a partir da coleta e tratamento dos dados, será o de separar a amostra da série do IPCA mensal em teste e treino, utilizar a biblioteca statsforecast para rodar um AutoArima nos dados de testes.

Para entender todo o processo listado acima, com os códigos e video-aula, faça parte do Clube AM, o repositório de código da Análise Macro, contendo exercícios semanais de R e Python.

Vemos o resultado da previsão do AutoArima comparado com os dados de teste:

________________________________________________

Quer se aprofundar no assunto?

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

Referências
Hyndman, R.J., & Athanasopoulos, G. (2021) Forecasting: principles and practice, 3rd edition, OTexts: Melbourne, Australia. OTexts.com/fpp3.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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.