Comentário de Conjuntura: poucas surpresas para o COPOM

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A semana é marcada pela decisão do Comitê de Política Monetária (COPOM) sobre a trajetória da taxa básica de juros, a Selic. E a despeito dos choques recentes, tanto os externos, quanto os internos, não deve haver surpresa quanto à decisão, que deve ser pela manutenção da Selic em 6,5%. Isto porque, após o repique da inflação medida pelo IPCA em junho, as leituras de julho já indicam uma acomodação, como mostra o IPCA-15, que veio 0,64%, após registrar alta de 1,11% em junho. Os núcleos, ademais, como pode ser visto no gráfico que ilustra o post, avançaram pouco, saindo de 2,76% em maio para 3,01% em junho, o que caracteriza pouco efeito sobre o core do processo inflacionário.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/07/post.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A leitura de junho da inflação medida pelo IPCA, de 1,26%, veio acima, por suposto, da projeção do Comitê, que era de 1,06%, causando uma surpresa de 0,2 p.p.. Ademais, as projeções mais atuais para a inflação em julho também estão acima do esperado pelo Comitê, o que deve levar a alguma revisão altista nessa próxima reunião. Contudo, dada a reversão esperada do choque doméstico, o risco de descumprimento da meta é bastante reduzido.

Corrobora com essa visão a acomodação da taxa de câmbio, após a forte depreciação nos primeiros meses do ano, bem como a menor expectativa de crescimento da economia ao longo de 2018.

Abaixo, por fim, o código do gráfico acima, gerado no R. Os dados foram coletados diretamente do Banco Central com o pacote BETS...


#######################################################
######## Comentário de Conjuntura - 30/07/2018 ########

library(BETS)
library(ggplot2)
library(scales)

## Baixar Núcleos de Inflação

series = c(4466, 11426, 11427, 16121, 16122)

data = BETS.get(series, from='2013-02-01')

matrix = matrix(NA, nrow=length(data[[1]]), ncol=length(series))

for(i in 1:length(series)){

matrix[,i] = t(data[[i]])
}

matrix = ts(matrix, start=c(2013,02), freq=12)

## Acumular em 12 meses

fator = 1+matrix/100

acumulado = (fator*lag(fator,-1)*lag(fator,-2)*lag(fator,-3)*
lag(fator,-4)*lag(fator,-5)*lag(fator,-6)*lag(fator,-7)*
lag(fator,-8)*lag(fator,-9)*lag(fator,-10)*lag(fator,-11)
-1)*100

## Baixar Inflação

ipca = BETS.get(13522, from='2014-01-01')

## Criar meta

meta = ts(rep(4.5, length(acumulado[,1])),
start=start(ipca), freq=12)

## Juntar todos os objetos

time = seq(as.Date('2014-01-01'), as.Date('2018-06-01'), 
by='1 month')

df = data.frame(time=time, nucleos=round(rowMeans(acumulado),2),
meta=meta, inflacao=ipca)

## Gráfico

ggplot(df, aes(x=time))+
annotate("rect", fill = "orange", alpha = 0.5, 
xmin = as.Date('2016-01-01'), 
xmax = as.Date('2018-06-01'),
ymin = -Inf, ymax = Inf)+
geom_line(aes(y=inflacao, colour='Inflação 12 meses'), size=.8)+
geom_line(aes(y=meta, colour='Meta de Inflação'), size=.8)+
geom_line(aes(y=nucleos, colour='Média dos 5 Núcleos'), size=.8)+
scale_colour_manual('', 
values=c('Inflação 12 meses'='darkblue',
'Meta de Inflação'='red',
'Média dos 5 Núcleos'='#56B4E9'))+
theme(legend.position = 'top',
plot.title = element_text(size=15),
plot.caption = element_text(size=9),
axis.title.y = element_text(size=9),
axis.text.x=element_text(angle=45, hjust=1))+
scale_x_date(breaks = date_breaks("2 month"),
labels = date_format("%b/%Y"))+
xlab('')+ylab('% a.a.')+
labs(title='Inflação vs. Núcleos de Inflação',
caption='Fonte: analisemacro.com.br com dados do BCB.')

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.