newsAR 0.3.1

Autorregressão Bayesiana com Sentimento de Notícias para previsão de commodities

newsAR

Previsão de séries temporais com Autorregressão Bayesiana + Sentimento de Notícias via LLM

---

newsAR combina Autorregressão Bayesiana (Gibbs Sampling com verossimilhança t-Student) com Sentimento de Notícias extraído por Grandes Modelos de Linguagem (Groq, OpenAI, Anthropic).

A hipótese central: fluxos de informação (notícias) afetam variáveis econômicas e de commodities antes de se materializarem nos dados quantitativos. O sentimento capturado pelo LLM atua como variável exógena que melhora a acurácia preditiva além do que um AR puro consegue.

Por que usar?

• Modelo AR Bayesiano com Gibbs Sampling e likelihood t-Student — robusto a outliers
• Sentimento de notícias via LLM (Groq, OpenAI ou Anthropic) como variável exógena
• Seleção automática de lags combinando PACF + AIC
• Benchmark walk-forward contra ARIMA, OLS-AR, Random Walk e Seasonal Naive, com Theil's U
• Diagnóstico completo de resíduos: normalidade, autocorrelação e efeitos ARCH

Instalação

pip install newsAR

# Com suporte a LLMs
pip install "newsAR[groq]"      # Groq (recomendado: gratuito e rápido)
pip install "newsAR[openai]"    # OpenAI
pip install "newsAR[anthropic]" # Anthropic
pip install "newsAR[all]"       # todos os provedores + joblib

Uso rápido

import pandas as pd
import numpy as np
from newsAR import quick_fit

# Série mensal com DatetimeIndex
y = pd.Series(
    np.random.default_rng(0).normal(100, 5, 60),
    index=pd.date_range("2019-01", periods=60, freq="MS"),
)

forecaster = quick_fit(y, keyword="commodity")
forecast = forecaster.predict(steps=6)
print(forecast)

Com sentimento de notícias (Groq)

export GROQ_API_KEY="gsk_..."

from newsAR import quick_fit

forecaster = quick_fit(
    y=minha_serie,
    keyword="petróleo",
    csv_path="noticias.csv",   # CSV com colunas: data, texto
    groq_api_key="gsk_...",    # ou lê de GROQ_API_KEY automaticamente
)

forecast = forecaster.predict(steps=6, credible_interval=0.90)

Benchmark vs Random Walk

from newsAR.benchmark import run_benchmark

results = run_benchmark(y=minha_serie, keyword="petróleo", test_size=12, verbose=True)
print(results[["modelo", "RMSE", "Theil_U", "melhoria_vs_Naive_%"]])

Pipeline

[Notícias] → [Sentimento via LLM] → [Seleção de Lags] → [AR Bayesiano (Gibbs)]
                                                              ↓
                                                     NewsARForecaster

Documentação completa

A documentação detalhada (API completa, diagnósticos, módulos internos, FAQ) está disponível no repositório do projeto.

Licença

MIT