Finanças e guardanapos

Alguns conceitos importantes sobre Finanças escritos em guardanapos de papel.
A dica é do Prof. Pedro Ricardo Del Santoro, da FURG (Univ. Fed. do Rio Grande).

Why information grows - Cesar Hidalgo

Cesar Hidalgo, do Laboratório de Mídia do Massachusetts Institute of Technology, fala sobre como o conhecimento ajuda as economias globais e aumentam o potencial de crescimento delas.

Um artigo clássico sobre a Economia da Complexidade

O físico estatístico chileno César Hidalgo (MIT) e o economista venezuelano Ricardo Haussmann (Harvard) são dois dos mais conhecidos pesquisadores sobre complexidade do planeta.

Em outro post comentarei sobre a pesquisa seminal que ambos desenvolveram sobre o "product space".

Por enquanto, deixo aqui este artigo de 2009 sobre  os gaps que estão ampliando-se cada vez mais na renda per capita entre os países. Trata-se de uma das questões mais debatidas na economia do desenvolvimento.

Ambos colocam a abordagem da complexidade como capaz de fornecer uma boa explicação para este fenômeno.

Mencionam que Adam Smith  e as recentes teorias de crescimento endógeno, embora tenham feito esforços meritórios, não chegaram a uma explanação plausível, pois ainda não existiam medidas de complexidade capazes de analisar o tema de forma acurada e precisa. 

Portanto, antes da abordagem da complexidade, aqueles estudos ressaltavam o papel da acumulação de  fatores de produção agregados, como capital físico e humano ou medidas institucionais gerais, como o Estado de Direito. Mas, segundo os autores, não havia uma análise acerca da sua especificidade e complementaridade.

Nesse sentido, eles apresentam uma técnica que utiliza dados econômicos disponíveis para desenvolver medidas da complexidade dos produtos e dos países.

E mostram que: (i) essas medidas capturam informações sobre a complexidade do conjunto de capacidades disponíveis em um país; (ii) estão fortemente correlacionadas com a renda per capita; (iii) são capazes de fornecer boas previsões sobre crescimento futuro; e (iv) também são preditivas da complexidade das exportações futuras dos países, o que traz à tona um relevante argumento empírico de que o nível de desenvolvimento está de fato associado à complexidade dos setores econômicos de um país.

Machine learning e causalidade.

Quer começar a entender um pouco melhor um dos tópicos mais "quentes" na literatura de métodos quantitativos em Economia?

Sim, o tópico é machine learning e causalidade.  

Um bom ponto de partida para estudar o tema é este texto aqui. 

Séries temporais no Mathematica

Gosia Konwerska analisa algumas das ferramentas para séries temporais no Mathematica (Wolfram) . 
Este vídeo é uma apresentação que ela fez no Wolfram Technology Conference. 

O livro de Economia Computacional do Thomas Sargent

O livro do Thomas Sargent e John Stachursky sobre Economia Quantitativa com o uso das linguagens Python e Julia talvez seja a melhor notícia da Economia Computacional em 2017. 
O livro é sensacional e seu pdf está disponível neste link.
Espero que, tendo sido escrito por um cara como o Sargent, ele ajude a consolidar a noção de que economistas devem aprender pelo menos uma linguagem de programação científica (Python, Mathematica, Matlab, R, Julia, Maple etc.). Se possível, ainda na graduação e logo após cursar Cálculo, Álgebra Linear, Estatística e Econometria.
Em um futuro próximo saber elaborar códigos será um diferencial importante para o economista profissional (acadêmico ou não).

Alguns pacotes do R que resolvem tarefas essenciais para várias áreas

O  R é hoje um dos programas estatísticos e de análise de dados mais utilizados (talvez não seja o melhor, mas sua relação eficiência/gratuidade atrai cada vez mais usuários).
Uma das suas funcionalidades é a disponibilidade de milhares de pacotes desenvolvidos por seus usuários que ajudam a resolver tarefas que são úteis para várias áreas (como finanças, microeconometria, análise do genoma humano, investigações sobre dados de crimes da internet etc.).
Entre estas tarefas encontram-se : (i)  a importação de dados; (ii) a conversão de dados de mapeamento para outro que seja mais amigável para o uso de ferramentas computacionais específicas; (iii) a agregação de dados; e (iv) a visualização de dados.
Sharon Machlis, a autora deste artigo na Computer World, selecionou os seus pacotes favoritos para lidar melhor com estas quatro tarefas. Sua seleção pode ajudar quem possui dúvidas em relação a elas.