Construindo uma Regra de Taylor no Python

Dando continuidade ao nosso esforço de compreensão do organismo econômico brasileiro por meio de equações, adicionamos o Banco Central via a estimação de uma regra de Taylor. Realizaremos a construção do modelo por meio do Python, seguindo todos os passos de coleta e tratamento dos dados, finalizando com a construção do modelo via OLS.

A Regra de Taylor, também conhecida como Regra da Taxa de Juros de Taylor, é uma fórmula usada para prever a taxa de juros de um banco central com base em vários fatores econômicos. Portanto, é uma ferramenta muito importante para a tomada de decisões da autoridade monetária.

A Regra de Taylor produzida aqui toma forma com base na seguinte equação abaixo.

(1)    \begin{align*} i_t = \alpha_0 + \alpha_1 i_{t-1} + \alpha_2 i_{t-2} + \alpha_3 (\pi_{t}^{e} - \pi^{M}) + \alpha_4 h_{t-1}  + u_t \end{align*}

Basicamente, a regra de Taylor a ser estimada relaciona a taxa básica de juros às suas próprias defasagens - de modo a incorporar a suavização da taxa de juros ao longo do tempo e, econometricamente, prevenir autocorrelação nos resíduos -, a diferença entre a inflação projetada e a meta de inflação e uma medida de hiato do produto.

No Python, realizamos toda a tarefa de coleta e tratamento de dados e também a estimação do modelo via OLS, tornando todo o processo totalmente automatizado.

Para obter todo o código do processo de criação do modelo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Abaixo, temos o resultado do modelo, produzido pela função OLS do pacote statsmodels.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada  e aprenda a criar projetos voltados para a Macroeconomia.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.