Radar Econômico Brasil: dashboard de inteligência financeira com Python no browser

O que é o Radar Econômico Brasil?

O Radar Econômico Brasil é um dashboard de inteligência econômica que consolida os principais indicadores financeiros do país em tempo real — diretamente da API do Banco Central do Brasil — com visualizações interativas e previsões com machine learning.

Acesse em: radareconomicobr.catiteo.com

O detalhe mais interessante: Python rodando no browser

A parte mais fascinante do projeto é que toda a aplicação roda no browser do usuário — sem nenhum servidor backend. Como? Usando stlite + Pyodide: Python compilado para WebAssembly.

O fluxo é simples:

1. O browser carrega um index.html com o stlite via CDN
2. O Pyodide inicializa o runtime Python no browser (WebAssembly)
3. O Streamlit renderiza a interface diretamente no DOM
4. As chamadas à API do Banco Central acontecem direto do browser (a API do BCB suporta CORS)

<!-- index.html — apenas isso é necessário no servidor -->
<script src="https://cdn.jsdelivr.net/npm/@stlite/[email protected]/build/stlite.js"></script>
<script>
  stlite.mount({
    requirements: ["plotly", "pandas", "numpy", "scikit-learn"],
    entrypoint: "streamlit_app.py",
  });
</script>

O resultado: um dashboard completo hospedado como arquivos estáticos no Cloudflare Pages — sem custo de servidor, sem cold start, sem manutenção de backend.

Indicadores monitorados

Todos os dados vêm da API SGS (Sistema Gerenciador de Séries Temporais) do Banco Central — pública, sem autenticação, com retorno em JSON:

Indicador	Série BCB	Frequência
Taxa SELIC	432	Diária
IPCA	433	Mensal
IGP-M	189	Mensal
USD/BRL	1	Diária
EUR/BRL	21619	Diária

Funcionalidades

Visão geral

5 cartões de métricas com valor atual e variação percentual. Gauges visuais para SELIC e IPCA. Gráfico de comparação normalizada de todos os indicadores no mesmo eixo. Exportação para CSV.

Taxas de juros e câmbio

Histórico completo da SELIC com médias móveis configuráveis (SMA/EMA). Gráfico dual-eixo para USD/BRL e EUR/BRL.

Análise de inflação

Barras de IPCA e IGP-M com código de cores por intensidade. Cálculo de acumulado 12 meses. Heatmap sazonal mostrando padrões mensais de inflação por ano.

Correlações

Matriz de correlação com três métodos: Pearson, Spearman e Kendall. Scatter plots entre pares de indicadores.

Previsões com ML

Regressão linear com período de treino configurável pelo usuário (5 a 60 períodos futuros). Exibe R² e RMSE. Projeções exportáveis em CSV.

from sklearn.linear_model import LinearRegression
import numpy as np

def forecast(series: pd.Series, periods: int) -> np.ndarray:
    X = np.arange(len(series)).reshape(-1, 1)
    y = series.values
    model = LinearRegression().fit(X, y)
    future_X = np.arange(len(series), len(series) + periods).reshape(-1, 1)
    return model.predict(future_X)

Stack técnica

Linguagem:     Python 3.11
UI:            Streamlit 1.38
Browser:       stlite 0.63.0 + Pyodide 0.25 (WebAssembly)
Visualização:  Plotly 5.x
Dados:         Pandas 2.x + NumPy 1.x
ML:            scikit-learn 1.x
Deploy:        Cloudflare Pages (arquivos estáticos)
CI/CD:         GitHub Actions

Custo de infraestrutura: R$ 0

Por rodar 100% no browser como arquivos estáticos, o deploy no Cloudflare Pages é gratuito. A API do Banco Central é pública. Não há servidor, banco de dados ou fatura no final do mês.

O que aprendi

WebAssembly está maduro para análise de dados. O stlite inicializa em 3–5 segundos e roda Pandas, NumPy e scikit-learn sem problema. Para dashboards analíticos onde a latência inicial é aceitável, é uma arquitetura excelente.

A API do Banco Central é subestimada. Centenas de séries temporais, dados históricos desde os anos 80, atualizações diárias — completamente gratuita e sem autenticação.

Próximos passos

• Adicionar PIB, desemprego e balança comercial
• Previsões com ARIMA e Prophet
• Alertas configuráveis para desvios dos indicadores
• Painel de comparação com outros países emergentes

Código disponível no GitHub.