O efeito Ilan à frente do Banco Central

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Ontem, o Banco Central divulgou a última ata do Comitê de Política Monetária (COPOM) sob a gestão de Ilan Goldfajn. A despeito das informações conjunturais lá postas, o momento é propício para se fazer uma avaliação da condução da política monetária no período de 2016-2018. Com esse objetivo, construímos abaixo um Índice de Credibilidade da Política Monetária brasileira, com base em Mendonça e Souza (2007) - aprenda a lidar com dados reais como esse em nossos Cursos Aplicados de R. A ideia básico de um índice desse tipo é verificar o quanto a expectativa de inflação se distancia da meta ao longo do tempo.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2019/01/newsletter2019.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

O índice acima está normalizado, de modo que se E(\pi) = \pi^M, o índice é igual a 1. Se, do contrário, E(\pi) \geq \pi_{max}^M ou E(\pi) \leq \pi_{min}^M, isto é, ele avançar além dos limites pré-estabelecidos, então o índice é zero. Observe, portanto, que o índice volta aos patamares de 2008-2009, quando o Banco Central conseguiu desinflacionar a economia brasileira após o choque cambial de 2002. Ilan entrega para o próximo presidente do Banco Central uma economia desinflacionada, com expectativas ancoradas e juro básico na mínima histórica. Um baita trabalho à frente da instituição!

_______________________________________________________________

Mendonça e Souza (2007), Credibilidade do Regime de Metas para Inflação no Brasil, Pesquisa e Planejamento Econômico, IPEA, 37(2)

Conheça nossos Cursos Aplicados de R e aprenda a coletar, tratar, analisar e apresentar dados reais com o R!

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

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.