📊 Selic Forecast — Previsão da Taxa de Juros Selic

Pipeline completo de extração, análise exploratória e modelagem preditiva da taxa de juros Selic do Brasil

---

🎯 Sobre o Projeto

A Taxa Selic é a taxa básica de juros da economia brasileira, definida pelo COPOM (Comitê de Política Monetária) do Banco Central. Este projeto constrói um pipeline de ciência de dados para prever a Selic 6 meses à frente usando indicadores macroeconômicos e modelos de Machine Learning.

O que este projeto faz:

• 📥 Extrai dados automaticamente do Banco Central (API SGS) e Yahoo Finance
• 🔍 Análise exploratória completa — correlações, defasagens, decomposição temporal
• 🛠️ Feature engineering — lags, médias móveis, variações, indicadores de ciclo
• 📈 3 modelos preditivos — SARIMAX, Random Forest e XGBoost
• 🧠 Interpretabilidade — SHAP values para entender os drivers da previsão
• 🔮 Projeção futura com cenários (otimista / base / pessimista)

---

📈 Indicadores Macroeconômicos

Categoria	Indicador	Fonte	Código SGS
Target	Taxa Selic Meta (% a.a.)	BCB/SGS	4189
Inflação	IPCA mensal (%)	BCB/SGS	433
Inflação	IPCA acumulado 12m (%)	BCB/SGS	13522
Inflação	IGP-M mensal (%)	BCB/SGS	189
Câmbio	USD/BRL (venda)	BCB/SGS	3698
Fiscal	Dívida Líquida / PIB (%)	BCB/SGS	4513
Fiscal	Resultado Primário / PIB (%)	BCB/SGS	4505
Atividade	Desemprego PNAD (%)	BCB/SGS	24369
Atividade	Produção Industrial (%)	BCB/SGS	21859
Externo	Petróleo Brent (USD)	Yahoo Finance	BZ=F
Externo	Dollar Index DXY	Yahoo Finance	DX-Y.NYB

---

🛠️ Stack Tecnológica

Categoria	Tecnologias
Dados	python-bcb · yfinance · pandas · numpy
Visualização	plotly · matplotlib · seaborn
Séries Temporais	statsmodels · pmdarima (Auto-ARIMA)
Machine Learning	scikit-learn · xgboost
Interpretabilidade	shap

---

📂 Estrutura do Projeto

selic-forecast/
├── 📄 README.md
├── 📄 requirements.txt
├── 📄 .gitignore
└── 📁 notebooks/
    └── 📓 selic_forecast.ipynb   ← Notebook principal (autocontido)

---

🚀 Como Executar

1. Clone o repositório

git clone https://github.com/ispectr3/Previs-o-Selic.git
cd selic-forecast

2. Crie um ambiente virtual

python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate   # Windows

3. Instale as dependências

pip install -r requirements.txt

4. Execute o notebook

jupyter notebook notebooks/selic_forecast.ipynb

💡 Alternativa: A primeira célula do notebook instala todas as dependências automaticamente via pip install.

---

📖 Metodologia

graph LR
    A[📥 Extração<br>BCB/SGS + YFinance] --> B[🔍 EDA<br>Correlação + Lead-Lag]
    B --> C[🛠️ Feature Engineering<br>Lags + MM + Variações]
    C --> D[📈 SARIMAX<br>Auto-ARIMA]
    C --> E[🤖 Random Forest]
    C --> F[🚀 XGBoost]
    D --> G[📊 Comparação<br>MAE · RMSE · R²]
    E --> G
    F --> G
    G --> H[🔮 Previsão<br>6 meses + Cenários]
    H --> I[🧠 SHAP<br>Interpretabilidade]

Loading

Etapas detalhadas:

1. Extração — Coleta automatizada de 11 indicadores via APIs oficiais
2. EDA — Análise de correlações, defasagens temporais (lead-lag) e decomposição STL
3. Feature Engineering — Lags (1, 3, 6 meses), médias móveis, variações MoM/YoY, features de ciclo monetário
4. Modelagem — SARIMAX com Auto-ARIMA + Random Forest + XGBoost
5. Validação — TimeSeriesSplit (4 folds) — nunca K-Fold aleatório em séries temporais
6. Interpretabilidade — SHAP values para entender quais indicadores mais influenciam a previsão
7. Previsão — Projeção 6 meses à frente com banda de confiança ±0.5 p.p.

---

📊 Avaliação

Os modelos são comparados usando validação temporal com as métricas:

Métrica	Descrição
MAE	Erro Absoluto Médio (em pontos percentuais)
RMSE	Raiz do Erro Quadrático Médio
MAPE	Erro Percentual Absoluto Médio
R²	Coeficiente de Determinação

---

🧠 Principais Insights

• Inflação é o principal driver — IPCA acumulado 12m lidera a importância em todos os modelos
• Defasagem de 1-3 meses — Indicadores macro "lideram" as decisões do COPOM
• SHAP confirma a teoria — Features relevantes são consistentes com os fundamentos da política monetária

---

📝 Limitações

• A Selic é definida por decisão de comitê com componentes discricionários
• Eventos extraordinários (COVID, crises) quebram padrões históricos
• Janela de dados a partir de 2020 pode limitar generalização
• Para horizontes longos, a incerteza cresce exponencialmente

---

🔮 Próximos Passos

• Incluir NLP das atas do COPOM como feature
• Testar ensemble/stacking dos modelos
• Implementar backtesting com rolling-window
• Criar dashboard interativo com Streamlit
• Expandir período histórico com séries alternativas

---

👤 Autor

Kaique Pinheiro

---

📝 Licença

Este projeto está licenciado sob a MIT License.

⚠️ Disclaimer: Este projeto tem fins educacionais e de portfólio. As previsões geradas não devem ser usadas para tomada de decisões financeiras.