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

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.