Do Zero à Análise de Dados Econômicos e Financeiros com Python


Fernando da Silva
Data Scientist
     

Neste workshop vamos…


  1. Sair do zero do Python e conhecer novas ferramentas

  2. Entender de ponta a ponta uma análise de dados

  3. Explorar o mundo dos modelos

  4. Colocar a mão na massa

O que é necessário?



Conta no Google

Inglês básico

Praticar

Combinados importantes!


  • Pratique no final

  • Materiais e etc:

analisemacro.com.br

Parte 1

Ciclo de Análise de dados

O que é Análise de dados?



É o processo de inspecionar, processar e modelar dados com o objetivo de descobrir informações úteis e apoiar tomadas de decisão.

Perguntas de análise de dados


  • Como a pandemia da COVID-19 impactou a economia?

  • O que acontece com a inflação se o governo liberar o FGTS?

  • Qual é a trajetória de juros necessária para a economia crescer 2% nos próximos anos?

Etapas da análise de dados

Qual ferramenta usar?




Por que usar programação?

• É open-source

• É flexível

• É reprodutível

• É popular

• É universal









gratuito

nuvem ou PC

código re-executável

milhões de usuários

funções e pacotes para tudo

Por que o Python?


  • Legível para humanos

  • Automatização de rotinas e scripts

  • Pacotes completos para análise de dados

  • Onipresente entre analistas/cientistas/engenheiros

Parte 2

Exploração de dados

Tipos de variáveis

Tipos de gráficos



Tipos de análise de dados


  • Descritiva: relatórios, dashboards;

  • Preditiva: previsão de juros, previsão de inflação;

  • Prescritiva: recomendação de investimentos / vídeos;

  • Diagnóstica: estudo de evento, avaliação de impacto, teste A/B.

Parte 3

Modelagem e Previsão

Modelos em análise de dados


  • O que são modelos?

    “[…] todos os modelos são aproximações. Essencialmente, todos os modelos estão errados, mas alguns são úteis. No entanto, a natureza aproximada do modelo deve ser sempre levada em consideração […]” - George E. P. Box.

Modelos em análise de dados


  • Para que servem?

    • Analisar relações entre variáveis
    • Descrever características
    • Prever novos valores
    • Simular trajetórias
  • Exemplos

    • Google Maps

    • ChatGPT

    • Relatório Focus

    • Clima Tempo

Modelos preditivos


Parte 4

Programação: Python e Colab

Python & Colab: 3 razões de uso




  1. Reprodutibilidade

  2. Zero configurações

  3. Recursos computacionais

Momento prática!




Vamos ver como funciona…

Parte 5

Projeto: previsão do IPCA

Modelo AR


  • Representação: \[y_{t} = c + \phi_{1}y_{t-1} + \phi_{2}y_{t-2} + \dots \\+ \phi_{p}y_{t-p} + \varepsilon_{t}\]

  • Intuição: passado ajuda a prever o futuro.

  • Exemplo: inércia inflacionária.

Modelo MA


  • Representação: \[y_{t} = c + \varepsilon_t + \theta_{1}\varepsilon_{t-1} +\\ \theta_{2}\varepsilon_{t-2} + \dots + \theta_{q}\varepsilon_{t-q}\]

  • Intuição: choques aleatórios explicam o futuro.

  • Exemplo: Joesley day.

Modelo ARIMA


  • Representação: \[y'_{t} = c + \phi_{1}y'_{t-1} + \cdots + \phi_{p}y'_{t-p} \\ + \theta_{1}\varepsilon_{t-1} + \cdots + \theta_{q}\varepsilon_{t-q} + \varepsilon_{t}\]

  • Intuição: passado e choques ajudam a prever o futuro.

  • Exemplo: inércia inflacionária + choques de demanda/oferta.

Modelo SARIMA



  • Representação: \[\text{SARIMA}\underbrace{(p, d, q)}_{\text{Não sazonal}}\underbrace{(P, D, Q)_{m}}_{\text{Sazonal}}\]

  • Intuição: sazonalidade ajuda a prever o futuro.

  • Exemplo: reajuste anual de contratos de aluguel.

Momento prática!




Vamos ver como funciona…