O Banco Central sob os mandatos de Meirelles, Tombini e Goldfajn

A Edição 62 do Clube do Código atualiza um exercício feito nesse espaço pelo Ricardo Lima nos idos de 2015, quando comparava as administrações de Henrique Meirelles e Alexandre Tombini à frente do Banco Central. A ideia básica do exercício era verificar a reação do Banco Central a choques na inflação e no desemprego. Nessa atualização, nós adicionamos o período de Ilan Goldfajn à frente da autoridade monetária, mudamos o desemprego pelo hiato do produto e apresentamos os resultados.

Os dados utilizados no exercício foram a taxa básica de juros, a inflação mensal medida pelo IPCA e o Índice de Nível de Atividade do Banco Central, o IBC-Br. Com base nesses dados, nós construímos um BVAR com Minnesota prior. Dividimos a amostra em três subamostras que faziam referência aos períodos de gestão de Meirelles, Tombini e Goldfajn à frente da autoridade monetária. Nessas subamostras, calculamos as funções de impulso-resposta com base em choques no hiato do produto e na inflação. Para ilustrar, abaixo a resposta para um choque na inflação.

A resposta de Meirelles e Goldfajn a choques na inflação são similares, enquanto a resposta da gestão Tombini não parece ser significativa. Abaixo a resposta acumulada.

Os códigos do exercício estarão disponíveis no repositório do Clube na próxima sexta-feira. 

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.