Movimentos do setor externo no FOCUS

Passada a maior parte do impacto das notícias da semana passada, vemos ainda alguma reverberação nas estimações da última semana, porém em menor nível. As estimativas do IPCA e do IGP continuam sua escalada, em ritmos diferentes - como explicado nesse post de janeiro -, enquanto que quase não há mudança na taxa de câmbio, PIB e meta da SELIC.

Dentre as outras variáveis reportadas, vemos dois movimentos mais alarmantes. O primeiro é a queda expressiva das expectativas de produção industrial, que vê redução de 0,88% em relação ao valor da semana passada:

O segundo movimento é do setor externo. Por um lado, vemos redução do investimento direto de 60 para 55 bilhões de dólares, e por outro, redução do déficit de conta corrente de 16 para 12 bilhões. A redução do déficit parece ser resultado direto da escalada do preço de commodities, setor importante para as exportações brasileiras. A questão do investimento é mais complexa: o comovimento entre a produção industrial e o investimento direto tem um efeito de ida, dado que o país está espantando investidores devido à expectativa de atraso para a retomada da economia, e um efeito de volta, onde a própria depressão de investimentos dificulta a retomada da indústria, com uma oferta menor de capitais.

O código de R desse artigo está disponível para os membros do novo Clube AM. Para saber mais, clique aqui.

____________________

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.