Boletim Focus: o que esperar de 2021?

Vai chegando ao fim um dos piores anos do último século. A pandemia do coronavírus destruiu famílias, empresas e expectativas. Com a iminência de uma vacina, contudo, e a proximidade do final do ano, só nos resta pensar na recuperação que virá no próximo ano. De modo a vislumbrar a mesma, uma boa base de dados para isso é o boletim Focus do Banco Central, que reúne as expectativas de mais de uma centena de instituições econômicas e financeiras. A análise completa da pesquisa faz parte do nosso Curso de Análise de Conjuntura usando o R.

O script começa, como de praxe, com os pacotes que utilizo.


library(rbcb)
library(scales)
library(tstools)
library(tidyverse)

Na sequência, pegamos alguns dos indicadores disponíveis na base de dados do Focus.

data = get_annual_market_expectations(c('PIB Total', 'IPCA',
'Taxa de câmbio',
'Meta para taxa over-selic',
'Fiscal'),
start_date = '2019-01-01') %>%
replace_na(replace = list(indic_detail = 'Média'))

data$indic = ifelse(data$indic == 'Taxa de câmbio', 'Taxa de Câmbio',
data$indic)

data$indic_detail = ifelse(data$indic_detail == "Resultado Primário",
'Resultado Primário',
data$indic_detail)

Uma vez que os dados foram coletados, podemos gerar um gráfico como abaixo, que contém as expectativas para esses indicadores em 2021.

A mediana das projeções aponta para um crescimento de 3,3% no próximo ano, nada muito excepcional se comparado ao tombo verificado em 2020. Ademais, espera-se uma inflação comportada, próximo a 3,5%, algum aumento marginal na taxa básica de juros e câmbio ainda acima dos 5 R$/US$.
_______________

(*) 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.