Preparando material para os cursos da Análise Macro, esbarrei por acaso com o pacote GetTDData que baixa dados do Tesouro Direto diretamente para o R. Abaixo coloco um exemplo para a NTN-B com vencimento em 2035.
library(GetTDData)
library(ggplot2)
ntnb <- download.TD.data('NTN-B')
ntnb35 <- read.TD.files(dl.folder = 'TD Files',
maturity = '150535')
ggplot(ntnb35, aes(x=ref.date, y=yield.bid*100))+
geom_line()
Fica a dica para quem usa essas séries... 🙂
Nesse tutorial ensinamos como podemos aplicar dados de séries temporais na arquitetura Transformer através de biblioteca no Python, como darts, GluonTS e Hugging Face.
Nesse tutorial ensinamos como é o funcionamento da arquitetura Transformer.
"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus
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.
