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.

Para começar, vamos pegar as concessões mensais de crédito.


library(Quandl)
library(ggplot2)
library(scales)

credito_total = Quandl('BCB/20631', order='asc')

Na sequência, podemos pegar os dados divididos por pessoa física e jurídica.

</span>

library(tidyverse)

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

credito_por_p = inner_join(credito_pj, credito_pf, by = 'Date') %>%
rename(pj = Value.x, pf = Value.y)
<pre>

Na sequência, pegamos os dados divididos por crédito livre crédito direcionado.

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

credito_por_recurso = inner_join(credito_livre,
credito_direc, by = 'Date') %>%
mutate(livre=Value.x, direc=Value.y, .keep='unused')
<pre>

A seguir, fazemos a divisão desse estoque entre crédito público e privado.


## Crédito Público vs. Privado
privado <- Quandl('BCB/2043', start_date = '2000-01-01', order='asc')
publico <- Quandl('BCB/2007', start_date = '2000-01-01', order='asc')

data <- inner_join(privado, publico, by='Date')%>%
mutate(privado=Value.x/(Value.x+Value.y)*100,
publico=Value.y/(Value.y+Value.x)*100,
.keep='unused') %>%
pivot_longer(names_to='variavel', values_to='valor', cols=-Date)

 

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 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.