Prêmio do Swap pré-DI 360 no Python

No post de hoje, continuamos com a série de postagens envolvendo exercícios de Macroeconometria no Python, investigando dessa vez a relação entre o Swap pré-DI 360 dias e a Expectativas da Selic de acordo com o Focus. Estimamos ao fim, por meio de um 2SLS com instrumentos o Prêmio.

O objetivo do exercício será modelar a curva para o prêmio do Swap pré-DI de 360 dias frente, por meio da seguinte equação, com base no RTI de Junho/2017.

(1)    \begin{align*} premio_t = \gamma_0 + \sum_{i>0} \gamma_{1i} premio_{t-i} + \gamma_2 rispa_{t} + v_t \end{align*}

Onde $premio_t$ é o diferencial entre a taxa swap pré-DI de 360 dias e a expectativa para a taxa Selic para o período do contrato do swap; $rispa_t$ é uma variável representativa do prêmio de risco do país (Embi ou CDS 5 anos, por exemplo); e $v_t$ é um termo de erro.

Para obter todo o código do processo de criação do modelo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

O gráfico abaixo mostra a estreita relação entre a taxa swap pré-DI 360 dias e a expectativa para a taxa Selic 12 meses à frente de acordo com a pesquisa Focus. Podemos então extrair o prêmio pela diferença entre as duas séries.

Com a coleta e tratamento dos dados por meio do Python, obtemos os seguintes resultados da regressão exposta acima.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada  e aprenda a criar projetos voltados para a Macroeconomia.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Aplicando o Time Series Transformer para prever inflação (IPCA)

Neste exercício, exploramos a previsão de séries temporais utilizando o Temporal Fusion Transformer (TFT). O TFT é uma arquitetura de Deep Learning baseada em mecanismos de atenção, desenhada especificamente para lidar com múltiplas variáveis e horizontes de previsão longos, mantendo a interpretabilidade — uma característica frequentemente ausente em modelos de "caixa-preta".

Análise do Payroll norte-americano com Python

O Payroll norte-americano é o termômetro da economia global. No post de hoje, mostro como analisar esse indicador usando Python e as bibliotecas Pandas e Plotnine. Saia do básico e aprenda a visualizar a geração de empregos nos EUA de forma profissional.

O papel da credibilidade do Banco Central na desinflação da economia

O objetivo deste trabalho é mensurar a credibilidade da política monetária brasileira através de diferentes métricas e verificar empiricamente se uma maior credibilidade contribui para a redução da inflação. Realizamos a modelagem econométrica usando o pacote {systemfit} disponível na linguagem. Ao fim, criamos um relatório reprodutível com a combinação Quarto + R.

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.