Utilizar APIs para coletar dados online pode acelerar e automatizar significativamente o processo de análise de dados. Diversas bases de dados hoje em dia possuem APIs para livre utilização, como Banco Central, Portal de Dados Abertos, IBGE e outras. Neste artigo, explicamos intuitivamente o que são APIs, como funcionam e mostramos um exemplo em Python de utilização.
Neste artigo mostramos como gerar gráficos interativos de análise de dados utilizando a popular biblioteca Plotly. Se no Excel você precisa clicar em uma dúzia de botões e escrever uma série de fórmulas obscuras para gerar um gráfico interativo, com esta biblioteca no Python basta executar uma única função para obter um resultado semelhante ou melhor.
Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.
Neste exercício mostramos como utilizar o Google Gemini, um modelo de inteligência artificial, para classificar o tom da política monetária no Brasil em termos simples como “hawkish” ou “dovish”. Em menos de 50 linhas de código de Python, a ata de decisão da taxa de juros é importada e processada, um prompt e um modelo são definidos e a classificação é retornada, de forma automatizada.
Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária usando o Python.