Analisando a ancoragem das expectativas de inflação no Python

Expectativas ancoradas significa que a taxa de inflação corrente é mantida em um valor próximo da meta, inclusive após a ocorrência de choques relevantes. Isso é importante para a economia pois torna mais previsível a evolução temporal da inflação no país, além de fazer com que a ação do Banco Central no combate a pressões inflacionárias seja menos custosa.Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária usando o Python.

Método de análise

Expectativas de inflação ancoradas significam que o valor dessas expectativas estejam, no horizonte relevante, próximo da meta de inflação ou mesmo constantes durante o período de referência, principalmente a do ano corrente, que tem efeito sobre os horizonte futuros. Entretanto, quando há a ocorrência de mudanças súbitas nos valores das expectativas de inflação, temos portanto, surpresas inflacionárias, e consequentemente a desancoragem de expectativas.

Para estimar uma medida de sensibilidade a surpresas inflacionárias, devemos verificar o impacto que variações nas expectativas para o ano corrente provocam sobre as expectativas para prazos mais longos. Na presença de expectativas bem ancoradas, deve haver baixa relação (co-movimento) entre as expectativas de inflação de longo prazo e as de curto prazo, em que estas últimas capturariam surpresas inflacionárias.

Em termos econométricos, essa sensibilidade é calculada a partir do coeficiente $\beta$ , de acordo com a equação abaixo:

$\Delta \pi_t^{e,h} = \alpha + \beta^h \Delta \pi_t^{e,0} + \epsilon_t$

onde $\Delta \pi_{t}^{e,h}$ é a variação $\Delta$ da expectativa de inflação $\pi^e$ no tempo $t$ para o horizonte $h = 1, ... , 4$ , em anos, para o qual foram formadas as expectativas.

Portanto, quanto maior o coeficiente $\beta$ menos ancoradas as expectativas, ou seja, maior a resposta das expectativas de longo prazo a surpresas inflacionárias. Como o interesse é na evolução deste coeficiente ao longo do tempo, as estimações são realizadas a partir de janelas móveis de 60 meses.

Dados

O Boletim Focus permite extrair as expectativas de agentes para diferentes horizontes de diferentes indicadores, incluindo o IPCA, medida oficial de inflação no Brasil. A cada período de tempo, os agentes divulgam os valores que entendem que será o indicador no futuro em diferentes horizontes, e que tal valor, obviamente se altera, devido a mudanças de condições da economia. O Banco Central do Brasil (BCB) disponibiliza uma API para baixar os dados.

Exercício aplicado no Python

Para a construção do exercício utilizamos o Python, seguindo etapas relativas ao processo de análise de dados. Estas etapas são:

Carregamento das bibliotecas do Python;
Coleta e tratamento dos dados das expectativas de inflação anuais;
Especificação e ajuste do modelo econométrico em janelas deslizantes de 60 meses;
Visualização do coeficiente $\beta$ extraído do modelo.

A partir das etapas acima, temos como resultado o gráfico ao final, que demonstra o coeficiente $\beta$ estimado, ou seja, medida de sensibilidade a surpresas inflacionárias.

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Interessante, não? Aprenda a coletar, processar e analisar dados econômicos na formação Do Zero à Análise de Dados Econômicos e Financeiros com Python.

Conclusão

Se expectativas de inflação ancoradas com a meta são importantes para a economia, analisar o grau de ancoragem é imperativo para economistas e analistas de mercado. Neste exercício mostramos uma forma de aplicar esta análise com uma metodologia desenvolvida pelo FMI. Desde a coleta dos dados, passando pelo modelo e pela visualização de dados, mostramos como analisar a política monetária usando o Python.

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Estimando a volatilidade da taxa de câmbio

Como analisar o Núcleo de Inflação no Brasil usando Python?

Propensity Score com Múltiplas Variáveis no R

Análise regional da inflação com dados do IBGE usando Python

Como coletar dados do Banco Central do Chile usando a API com o Python?

Como analisar a relação de risco-retorno de ações?

Outros artigos relacionados

Estimando a volatilidade da taxa de câmbio

O que é Volatilidade? Como podemos calcular essa métrica? Este artigo apresenta uma breve introdução à volatilidade, descreve como podemos calcular a volatilidade utilizando Modelos de Volatilidade Condicional e demonstra a aplicação prática dessa abordagem para estimar a volatilidade da taxa de câmbio BRL/USD por meio da linguagem de programação Python.

Como analisar o Núcleo de Inflação no Brasil usando Python?

O Python se destaca como uma ferramenta robusta para análise de dados, permitindo a aplicação de uma ampla gama de técnicas em dados econômico-financeiros. Neste exercício, destacamos como a linguagem oferece uma facilidade muito grande na coleta de dados dos núcleos do IPCA diretamente do site do Banco Central, na manipulação eficiente desses dados e na construção de gráficos que facilitam a compreensão dos indicadores.

Propensity Score com Múltiplas Variáveis no R

O escore de propensão é provavelmente a maneira mais comum de agregar múltiplas variáveis de correspondência em um único valor que pode ser correspondido, ou seja, muito útil para a realização de pareamento.

O escore de propensão é a probabilidade estimada de que uma determinada observação teria sido tratada. A correspondência de escore de propensão muitas vezes significa selecionar um conjunto de observações de controle correspondidas com valores semelhantes do escore de propensão.