Modelando o IFIX através de Mínimos Quadrados Parciais (PLS)

A Edição 61 do Clube do Código, que estará disponível para os membros essa semana no repositório privado, busca estimar um modelo via mínimos quadrados parciais para o IFIX, o Índice de Fundos de Investimentos Imobiliários. Segundo a B3, "O IFIX é o resultado de uma carteira teórica de ativos, elaborada de acordo com os critérios estabelecidos nesta metodologia. O objetivo do IFIX é ser o indicador do desempenho médio das cotações dos fundos imobiliários negociados nos mercados de bolsa e de balcão organizado da B3".

A opção por mínimos quadrados parciais para modelar a variável se dá devido a grande quantidade de preditores utilizados, entre variáveis reais de desempenho da economia brasileira e variáveis eminentemente financeiras, com relação entre si. A modelagem via mínimos quadrados ordinários implicaria, assim, em problemas de multicolinearidade.

Uma vez escolhidos os preditores e estimado o modelo dentro da amostra de treino, o ajuste do modelo nos pareceu satisfatório, como mostra o gráfico acima. Isso foi confirmado por medidas de acurácia avaliadas na amostra de teste.

____________________________

O Clube do Código é o projeto de compartilhamento de códigos da Análise Macro. Conheça e apoie o projeto! 

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.