COVID-19 rapidly spread across the world in an unprecedented outbreak with a massive number of infected and fatalities. The pandemic was heavily discussed and searched on the internet, which generated big amounts of data related to it. This led to the possibility of attempting to forecast coronavirus indicators using the internet data. For this study, Google Trends statistics for 124 selected search terms related to pandemic were used in an attempt to find which keywords had the best Spearman correlations with a lag, as well as a forecasting model. It was found that keywords related to coronavirus testing among some others, such as "I have contracted covid", had high correlations (≥0.7) with few weeks of lag (≤4 weeks). Besides that, the ARIMAX model using those keywords had promising results in predicting the increase or decrease of epidemiological indicators, although it was not able to predict their exact values. Thus, we found that Google Trends data may be useful for predicting outbreaks of coronavirus a few weeks before they happen, and may be used as an auxiliary tool in monitoring and forecasting the disease in Brazil.

O geoprocessamento de dados e as análises espaciais são ferramentas importantes para o estudo de fenômenos como a disseminação de doenças pelo território e ao longo do tempo. O objetivo deste estudo é investigar, utilizando a Análise Exploratória de Dados Espaciais (AEDE), as alterações nos padrões de distribuição geográfica da Covid-19 no Brasil em dois períodos distintos da pandemia: (i) entre abril e agosto de 2020; e (ii) entre novembro de 2020 e março de 2021. Para tanto, as estatísticas I de Moran e LISA foram aplicadas aos dados referentes a três indicadores epidemiológicos: casos acumulados, novos casos e letalidade da doença. Os resultados encontrados e as visualizações propostas apresentam uma perspectiva ampla sobre a variação nos casos de Covid-19 nas regiões brasileiras e colaboram para um melhor entendimento sobre as dinâmicas epidemiológicas no Brasil no primeiro ano da pandemia de Covid-19.

The risk premium in the Brazilian term structure of interest rates is partially driven by some specific defensive behavior following past monetary decisions. Until 2008, the Brazilian Central Bank has primarily dealt with domestic and external crises by raising the short term rate to restrain capital outflows, generating a well-known asymmetry in the market’s response functions to risk aversion. Therefore, the traditional parameterization of risk based on mean and variance estimators fails to capture the market price of risk eventually assigned to higher order moments of bond returns across several maturities. In this paper we propose an arbitrage-free, discrete-time model that provides the form for a lagged endogenous regression which tests the significance and magnitude of the market price of asymmetry in the Brazilian fixed income market. The results are analyzed from a historical perspective, comparing the evolution of the price of asymmetry, the improvement of Brazil’s sovereign risk and the monetary policy conduction from 2003 to 2009.

Arquiteturas neurais baseadas em transformers tornaram-se o principal componente de vários métodos do estado-da-arte em tarefas de processamento de linguagem natural, tais como Reconhecimento de Entidades Nomeadas e Extração de Relações (REN+ER). Como essas arquiteturas baseiam-se em aspectos semânticos de sequências de palavras, elas podem não funcionar na identificação e delimitação de entidades nomeadas quando há pouco contexto semântico associado, tais como entidades compostas por dígitos e pontuações apenas (e.g., números de CPF) e entidades com nomes compostos. Neste artigo, são propostas novas técnicas de reforço contextual e delimitação de entidades baseadas em pré- e pós-processamento de dados para enriquecer o contexto semântico, melhorando assim um método do estado-da-arte para REN+RE, o SpERT (Span-Based Entity and Relation Transformer). Tais técnicas foram avaliadas usando dados reais de diários oficiais e de processos judiciais. Os resultados mostram que, quando aplicadas em conjunto, as estratégias de pré- e pós-processamento levam a ganhos significativos na efetividade de REN+ER.

O presente estudo busca caracterizar o primeiro ano da pandemia de COVID-19 no Brasil como um fenômeno social por meio da análise da correlação entre o agravamento/atenuação da pandemia e o vocabulário utilizado no Twitter nas semanas que precedem essas variações. Entre outros resultados, observou-se que termos politicamente motivados e com teor negativo são mais prevalentes nas semanas que precedem o aumento do número de casos/mortes, ao passo que o uso de termos relacionados a conteúdos midiáticos (internet, música, televisão) é intensificado nas semanas que antecedem a queda da quantidade de casos/mortes. Tais resultados sugerem a possibilidade de utilização do método aqui introduzido para a análise de fenômenos sociais a partir de dados computacionalmente leves e totalmente anonimizados provenientes de redes sociais online.