Ambiente externo gera preocupações

A taxa de câmbio voltou a romper a barreira de 4 R$/US$ nos últimos dias, refletindo o ambiente externo. Para ilustrar, podemos usar o pacote quantmod do para pegar dados diários para a taxa de câmbio na base do Yahoo Finance - maiores detalhes sobre séries temporais financeiras, veja nosso Curso de Econometria Financeira usando o R. O código abaixo ilustra.


library(quantmod)
getSymbols("BRL=X",src="yahoo", from=as.Date('2018-01-01'))
cambio = `BRL=X`[,4]
cambio = cambio[complete.cases(cambio)]

Com a nossa série em mãos, podemos construir o gráfico abaixo.

Observamos que o câmbio se "acostumou" ao patamar próximo a 3,85, flertando em três momentos com os 4 R$/US$. Abaixo, estimamos a volatilidade dos log-retornos da taxa (aprenda sobre isso em nosso Curso de Econometria Financeira usando o R).

A despeito de não vivermos um "pico" de volatilidade, houve perturbações consideráveis ao longo do mês de agosto. Isso também é captado, diga-se, pelo índice VIX do CBOE, que pode ser baixado a partir do FRED Economic Data.


getSymbols('VIXCLS', src='FRED')
vix = window(VIXCLS[complete.cases(VIXCLS),], start='2018-01-01')

E abaixo o gráfico...

De fato, o que tem preocupado analistas é a probabilidade da economia mundial entrar em uma recessão nos próximos meses. Para ilustrar essa preocupação, podemos verificar o comportamento do juro associado ao título de 10 anos dos Estados Unidos, dessa vez usando o pacote Quandl.


juro = Quandl('FRED/DGS10', start_date='2018-01-01')

E abaixo o gráfico...

Há, inclusive, uma discussão interessante sobre essa taxa ter ficado menor do que a taxa de curto prazo, indicando menos expectativa de inflação no futuro e, portanto, menos nível de atividade. Estaria aberto o caminho para a recessão? Cedo para dizer, já que é preciso aguardar as reações de política econômica mundo a fora. O certo é que esse pessimismo chega em péssima hora para o Brasil, às voltas com uma economia patinando e desemprego ainda lá em cima.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

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.