Focus evidencia a deterioração no ambiente econômico

Na semana passada, mostrei como coletar e tratar os dados do boletim Focus do Banco Central sobre expectativas de mais de 100 instituições a cerca de diversas variáveis macroeconômicas. Essa análise do boletim Focus conta, inclusive, com um script de R no nosso Curso de Análise de Conjuntura usando o R. De fato, tenho o costume de toda segunda-feira dar uma olhada nos principais pontos do boletim e divulgar um comentário aqui, no blog da AM.

O painel acima, construído com o pacote gridExtra, contém as expectativas para o PIB, IPCA, taxa de câmbio e taxa Selic em 2020. Os últimos referem-se ao final do ano. Como é possível observar, o mínimo das projeções para o PIB estão em -6%, enquanto a média situa-se em -3,41%. Gradativamente, diga-se, há uma convergência nas projeções, com uma redução do desvio-padrão, ainda que esse permaneça em nível elevado.

As projeções médias para a inflação em 2020 situam-se em 2,16%, com previsões mínimas em torno de 0,95% e máximas próximas a 3,71%. Em outras palavras, a projeção máxima para a inflação esse ano está abaixo da meta.

Já o câmbio médio esperado para o final do ano é de 4,86 R$/US$, com máximo cravado em 6 R$/US$ e mínimo cravado em 4 R$/US$.

Com efeito, a média do mercado espera uma taxa básica de juros de 2,94% no final do ano, com mínimo em 1% e máximo em 4,5%.

As expectativas do Focus mostram assim a forte deterioração no ambiente econômico como consequência da pandemia do coronavírus.

(*) Isso e muito mais você aprende em 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.