Semana de estabilidade no FOCUS e o tombo do PIB

Para essa semana, vemos pouca variação nas estimativas reportadas, com o mercado no aguardo da votação da PEC emergencial na Câmara. As expectativas do IPCA veem aumento de 3.87% para 3.98%, enquanto que PIB, câmbio e meta da SELIC se mantém estáveis, sem nenhuma alteração acima de 0.05%.

As previsões do IGP-M e de preços administrados seguem a leve alta da SELIC, subindo 0.1% e 0.02% respectivamente. A produção industrial vê aumento de 4.30% para 4.37%, possivelmente como correção à dura queda que foi estimada na semana anterior.

Os resultados externos solidificam o cenário de baixas expectativas explicado no post de semana passada. Vemos uma piora dos indicadores, com redução da conta corrente de -12 para -12.5 bilhões (USD), e do investimento direto de 55 para 52.5 bilhões.

Para finalizar, um resultado interessante para vermos aqui é a comparação das expectativas para o PIB de 2020 ao longo do tempo em comparação com resultado real de -4.1%, divulgado pelo IBGE na semana passada. Após dura queda na metade do ano passado, com grandes dúvidas quanto ao rumo da política econômica, vemos recuperação do PIB esperado ao longo do tempo, chegando a um valor próximo (porém com viés para baixo) do valor real reportado. A mediana das últimas medições foi de -4.2%, indicando uma boa precisão dos participantes do boletim FOCUS.

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.