Este tutorial mostra como construir e avaliar um modelo Transformer para prever a Dívida Bruta do Governo Geral (DBGG) do Brasil. Utilizando a biblioteca darts, exploramos desde a coleta dos dados via API do Banco Central até a comparação com modelos clássicos, como ETS e Theta.
Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.
Um tutorial completo de SVAR (Vetor Autoregressivo Estrutural) em Python, usando quatro séries da economia brasileira obtidas pela API do Banco Central. O guia começa verificando a estacionariedade das séries e avança até as funções impulso-resposta e a decomposição da variância, usando o price puzzle — quando um choque de juros parece elevar a inflação — para ensinar identificação econométrica na prática.
Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?
Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.