Neste exercício exploramos os dados públicos sobre o preço da gasolina no Brasil, sua composição, evolução temporal, políticas associadas e, por fim, construímos um modelo simples de previsão. Com um modelo em mãos, o analista pode cenarizar o comportamento futuro da série da forma como preferir. Todos os procedimentos foram feitos usando a linguagem de programação Python.
Neste exercício, utilizamos Python para aplicar um Modelo Oculto de Markov (HMM) na identificação e análise de regimes inflacionários no Brasil, com base na série temporal do IPCA mensal.
Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.
É notável que os preços de produtos alimentícios subiram consideravelmente nos últimos anos. De 2010 para cá a inflação de alimentos foi de 211%, enquanto que a inflação cheia foi de 138%, uma diferença de ~4.9% por ano. Aquela estourou o intervalo da meta de inflação em 13 anos, enquanto esta estourou 5 anos. O que explica esta diferença gritante?
Será que o El Niño impacta o preço do feijão com arroz no prato dos brasileiros? Para responder esta pergunta estimamos um modelo VAR(p) utilizando dados do Oceanic Niño Index (ONI), investigamos a decomposição histórica dos choques estruturais e incorporamos o indicador de impacto climático nas previsões da inflação.