Análise do Mercado de Crédito com o R

A disponibilidade de crédito é uma variável de suma importância para impulsionar tanto o consumo das famílias quanto o investimento das firmas. Nesse Comentário de Conjuntura, por suposto, seguindo a análise do mercado de crédito que faço no Curso de Análise de Conjuntura usando o R, vamos dar uma olhada em alguns aspectos desse mercado. Para isso, vou utilizar aqui o pacote Quandl para pegar as séries do Banco Central diretamente para o R.


library(Quandl)
library(ggplot2)
library(scales)
Quandl.api_key('a sua chave aqui') # Permite mais de 50 acessos dia
credito_total = Quandl('BCB/20631', order='asc')

credito_pj = Quandl('BCB/20632', order='asc')
credito_pf = Quandl('BCB/20633', order='asc')

credito_livre = Quandl('BCB/20634', order='asc')
credito_direc = Quandl('BCB/20685', order='asc')


Os dados importados sofrem de sazonalidade, de modo que é preciso fazer o ajuste da série. Também é preciso deflacionar as séries, de modo a tornar a análise dos dados correta. Isso é feito com o código a seguir.


### Importar IPCA
library(sidrar)
ipca = get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
ipca = ts(ipca$Valor, start=c(1979,12), freq=12)
ipca = window(ipca, start=c(2011,03))

### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")
concessoes = ts(data.frame(credito_total$Value, credito_pj$Value,
credito_pf$Value, credito_livre$Value,
credito_direc$Value), start=c(2011,03), freq=12)
### Deflacionar Séries
concessoes <- ipca[length(ipca)-1]*(concessoes/ipca)

colnames(concessoes) = c('Total', 'juridica',
'fisica', 'livre', 'direcionado')
matrix <- matrix(NA, nrow = nrow(concessoes), ncol=ncol(concessoes))
colnames(matrix) <- colnames(concessoes)

for(i in 1:ncol(concessoes)){

matrix[,i] <- final(seas(concessoes[,i]))
}

concessoes_sa = data.frame(time=credito_total$Date, matrix)

Uma vez que os dados estejam tratados, podemos visualizá-los. Abaixo, vemos as concessões mensais totais.

Como se vê, há um avanço nas concessões mensais de crédito na margem. Podemos tentar entender melhor esse avanço com a abertura por pessoa física e jurídica. O gráfico abaixo ilustra.

Tanto as concessões mensais à pessoa física quanto jurídica mostram avanço nos últimos anos. Também podemos verificar o crédito quanto a diferenciação entre crédito livre e direcionado. O gráfico abaixo ilustra.

Observa-se uma diferença importante entre as categorias. Enquanto o crédito livre mostra avanço, o crédito direcionado tem se mantido estável nos últimos anos. A seguir, vemos o estoque de crédito normalizado pelo PIB.


library(tidyverse)
estoque_cred = Quandl('BCB/20539', order='asc',
start_date='1999-01-31')
pib = Quandl('BCB/4382', order='asc', start_date='1999-01-31')
estoque_cred = mutate(estoque_cred,
razao=estoque_cred$Value/pib$Value*100)
ggplot(estoque_cred, aes(Date, razao))+
geom_area(stat='identity', fill='darkblue', colour='darkblue')+
scale_y_discrete(limits=c(10,20,30,40,50))+
scale_x_date(breaks = date_breaks("1 years"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=15))+
labs(x='', y='% PIB', title='Estoque de Crédito (% PIB)',
caption='Fonte: analisemacro.com.br')

Na ponta, há um leve avanço no estoque normalizado pelo PIB, refletindo o aumento das concessões mensais. A seguir, fazemos a divisão desse estoque entre crédito público e privado.

De fato, o estoque de crédito associado à instituições privados tem recuperado espaço em relação às instituições estatais. A seguir, olhamos para a taxa média de juros associada às operações de crédito.

As taxas médias na ponta ainda permanecem acima de 20% a.a., refletindo o que os economistas chamam de spread bancário, a diferença entre taxas de captação e aquelas cobradas dos que demandam crédito. O gráfico abaixo ilustra essas taxas de spread.

Como se vê, o spread permanece ainda elevado. A seguir, ilustramos o comportamento da inadimplência.

Por fim, vemos o comportamento do endividamento das famílias em relação à renda acumulada nos últimos 12 meses.

Uma recuperação mais pujante do mercado de crédito é crucial para que possamos acelerar o crescimento da economia brasileira. Para isso, contudo, são fundamentais as reformas microeconômicas que estão no radar tanto do Congresso Nacional quanto do próprio Banco Central.

_____________________________

(*) A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

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.