Fernando da Silva
    • Posts
    • Economia
      • Análise exploratório de EconPapers
      • Macroeconomia
        • Conjuntura Econômica
          • Datação de recessões no R
        • Finanças Públicas
          • Índice de Gestão Fiscal Municipal - IGFM
          • Repercussão do Teto de Gastos
        • Taxa de juros real
        • Armadilhas de dados econômicos
      • Microeconomia
    • Linguagem R
      • meedr
      • Detecção de plágio com NLP
      • Conectando Git, Github e RStudio
      • Criando uma dashboard de análise da inflação no R
    • Sobre o Blog
    • Séries temporais
      • Detecção de mudança de média em Séries temporais
      • Decomposição STL em séries temporais no R
      • Teste de Cointegração de Engle-Granger no R
      • Reverter 1ª diferença de uma série
    • Previsão
      • Gerando previsões desagregadas de séries temporais no R
    O andar do bêbado e seu cachorro: entendendo cointegração no R

    Introdução Muito utilizado no mercado financeiro para estratégias long-short, arbitragem estatística, pairs trading e em análise e previsão de séries temporais macroeconômicas, o conceito de cointegração é ao mesmo tempo fascinante e intimidador de se compreender. Por isso, neste breve texto iremos explicar o que é cointegração com um exemplo intuitivo e fazer um exercício simples aplicando o teste de cointegração de Engle-Granger com pares de ações brasileiras usando o R!

    April 30, 2022 Read
    Como reverter a primeira diferença de uma série temporal?

    Introdução Modelagem de séries temporais frequentemente exige a aplicação de transformações nas variáveis, tal como a bem conhecida primeira diferença. Formalmente, podemos descrever essa transformação como: Ou seja, dado uma série temporal regularmente espaçada, subtraímos do valor em o valor anterior (), obtendo a série dita “na primeira diferença” ou “nas diferenças”. Note que a transformação implica na “perda” da primeira observação da série temporal, ou seja, a série na primeira diferença possuirá observações

    April 29, 2022 Read
    Como extrair componentes de tendência e sazonalidade de uma série temporal

    Introdução Tendência e sazonalidade são os componentes não observáveis de uma série temporal que representam, respectivamente, o movimento de longo prazo e o padrão regular (queda/subida) de um determinado período da série de tempo. A extração desses componentes pode ser feita facilmente no R usando a decomposição STL, método desenvolvido por Cleveland et al. (1990). Algumas vantagens desse método em relação aos métodos clássicos de decomposição, como SEATS e X-11, são:

    December 2, 2021 Read
    Séries temporais: detectando mudança de médias

    Introdução Ao analisar séries temporais pode ser útil identificar pontos de mudança em seu comportamento, utilizando métodos de detecção para tal. Existem diversos métodos e algoritmos para implementar esse tipo de análise, desde simples cálculos envolvendo erro quadrático médio até abordagens Bayesianas. Neste texto mostramos uma maneira simples de detectar pontos de mudança em uma série temporal com o método de Taylor (2000). Metodologia O método desenvolvido por Taylor (2000), conforme mencionado, se baseia em um cálculo simples de erro quadrático médio (EQM) para identificar quando uma mudança na série ocorreu.

    November 20, 2021 Read
    Navigation
    • Sobre
    • Habilidades
    • Experiências
    • Educação
    • Projetos
    • Conquistas
    • Posts recentes
    Contact me:
    • Email: fernando@fortietwo.com
    • Phone: +5548988600321

    Stay up to date with email notification

    We'll never share your email with anyone else.

    Toha
    © 2022 Copyright.
    Powered by Hugo Logo