Category

Comentário de Conjuntura

Qual a relação entre o Ibovespa e a Taxa de Câmbio?

By | Comentário de Conjuntura

Em dia de caos na Argentina, que sofre os efeitos da derrota de Macri nas prévias das eleições, a economia brasileira não saiu impune ontem. O Índice Ibovespa caiu 2% e a taxa de câmbio flertou novamente com os 4 R$/US$. Diante disso, resolvi dar uma olhada na relação entre essas duas variáveis ao longo do tempo, usando o R - aprenda a usar o R em nossos Cursos Aplicados. Abaixo, carregamos alguns pacotes.


library(quantmod)
library(ggplot2)
library(ggalt)

E assim podemos pegar os dados do yahoo finance com uma função do pacote quantmod.


getSymbols("BRL=X",src="yahoo")
getSymbols("^BVSP",src="yahoo")

Um pequeno tratamento é feito abaixo.


cambio = `BRL=X`[,4]
ibov = BVSP[,4]
data = cbind(cambio, ibov)
data = data[complete.cases(data)]
colnames(data) = c('cambio', 'ibov')

E assim, estamos prontos para plotar um gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point()

Caso o leitor se interesse, verá que a correlação entre as séries é positiva, para uma amostra de dados diários, entre janeiro de 2007 e agosto de 2019. Mas o gráfico mostra clusters onde a correlação entre as séries parece ser negativa. Nós podemos destacar essas aglomerações com o pacote ggalt e dentro delas, verificar o ajuste. Antes de mais nada, nós selecionamos três clusters como abaixo.


data_select = data[data$cambio > 1.5 & data$cambio < 2.5 &
data$ibov > 33000 & data$ibov < 69000,]

data_select2 = data[data$cambio > 3 & data$cambio < 4.2 &
data$ibov > 31000 & data$ibov < 69000,]

data_select3 = data[data$cambio > 3.6 & data$cambio < 4.2 &
data$ibov > 75000 & data$ibov < 100000,]

E assim, podemos construir o código do gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point(size=.6, colour='black')+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select,
color="red",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select2,
color="orange",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select2,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select3,
color="blue",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select3,
method='auto',
colour='#8abbd0',
size=1.5,
se=FALSE)+
labs(x='BRL/USD', y='Ibovespa',
title='Taxa de Câmbio vs. Ibovespa',
subtitle='Dados Diários: janeiro de 2007 a agosto de 2019',
caption='Fonte: analisemacro.com.br com dados do Yahoo Finance')

E aí está...

Para a nossa amostra completa, como dito, a correlação é positiva, mas dentro dos nossos clusters a correlação é negativa, como destacado no gráfico.

Há evidências de precarização do trabalho no Brasil?

By | Comentário de Conjuntura

Há uma discussão bastante em voga em certos meios chamando atenção para uma espécie de precarização do trabalho no país, movimento apelidado de "uberização". Isto é, a proliferação de postos de trabalho sem uma rede de proteção social como aquela disponível para empregados com carteira assinada. Com base na evidência disponível, é mesmo possível afirmar esse tipo de coisa? Vamos aos dados...

Para tentar responder essa pergunta, precisamos antes de tudo definir o que seria um trabalho não precário. Na falta de definição melhor, vamos usar como proxy o trabalho com carteira assinada. A ideia aqui, por suposto, é verificar o comportamento dessa variável ao longo do tempo, bem como a sua representatividade dentro da população ocupada. Em palavras outras, quanto da população ocupada é composta por pessoas com carteira assinada.

Os dados que podemos utilizar para isso são os da hoje extinta Pesquisa Mensal do Emprego (PME) e da Pesquisa Nacional por Amostra de Domicílios (PNAD Contínua). Os resultados extraídos das duas pesquisas, adianto, não são comparáveis. Mas, para hoje é o que tem...

Primeiro, vamos à PME, que é uma série um pouco mais longa. Nela, peguei os dados da população ocupada e verifiquei as diversas categorias. A que nos interessa aqui é a empregado com carteira assinada. De posse dessa categoria, nós verificamos a representatividade dela na população ocupada, isto é, o seu percentual. O gráfico abaixo ilustra.

Para a amostra disponível, o emprego com carteira assinada representou em média 49,56% da população ocupada, com um máximo em 55,66%. Abaixo, o boxplot da série.

O primeiro quartil termina em 45,56% e o terceiro em 53,95%, com um IQR de 8,38. Em outras palavras, é possível dizer que o emprego formal ou não precário por assim dizer representa na amostra da PME mais ou menos metade da população ocupada.

Agora, vamos à PNAD? Nessa pesquisa, pegamos agora o emprego privado com carteira assinada, que é um pouco diferente do emprego com carteira assinada que vimos anteriormente. O emprego privado com carteira é um subconjunto do emprego com carteira, por assim dizer. Naturalmente, por suposto, sua participação é menor. Mas como o que importa aqui é verificarmos a tendência, ploto o gráfico abaixo.

A amostra da PNAD vai de março de 2012 a junho de 2019, está baseada em trimestres móveis e não pode ser comparada à PME, por questões metodológicas. Observe, entretanto, que na ponta das séries, o comportamento da nossa variável é similar, com um máximo ali em 2014 e depois queda. Abaixo o bloxplot.

A nossa série tem uma média de 37,95%, com o primeiro quartil terminando em 36,68% e o terceiro quartil em 38,99%. O IQR aqui é de 2,31.

E aí?

Com base nesses dados, um leitor desavisado poderá concluir que existe evidência de precarização do trabalho, uma vez que o emprego com carteira reduziu sua participação na população ocupada. Qual é o problema dessa conclusão?

O problema é que até aqui nós não adicionamos na nossa análise uma variável muito importante no mercado de trabalho: a taxa de desemprego. Tipicamente, movimentos de formalização como o ilustrado pelo primeiro gráfico estão associados a redução da taxa de desemprego. Isto é, há uma correlação entre taxa de desemprego e emprego com carteira. Para ilustrar, ploto o gráfico abaixo.

Isso dito, como no período recente houve um aumento substancial da taxa de desemprego, é esperado que a taxa de emprego com carteira sobre a população ocupada caia. Isso, por si só, não pode ser caracterizado como um movimento de precarização do trabalho no Brasil. Seria preciso observar uma redução da taxa de desemprego que não seja acompanhada por um aumento do emprego formal para dizer que há precarização do trabalho no país. Supondo que o emprego com carteira seja uma boa proxy para emprego não precário.

Em outras palavras, a evidência disponível não dá suporte para a hipótese de precarização do trabalho no país.

Um outro ponto é que, como revela os dados da PME, em média o emprego com carteira representou cerca de metade da população ocupada. No melhor momento, a formalização atingiu 55%. Significa dizer que mesmo com a taxa de desemprego abaixo da taxa natural, pouco menos da metade da população ocupada não estava sob o regime de carteira assinada. 

Será, portanto, que a CLT é um bom regime para o mercado de trabalho? Pensa aí...

______________________________

Como de praxe, os códigos que geraram o post estão disponíveis no Clube do Código.

Quer aprender a usar o R para fazer esse tipo de análise? Conheça nossos Cursos Aplicados de R.

Incerteza vs. Capacidade Instalada

By | Comentário de Conjuntura

É razoável supor que variáveis como incerteza e utilização da capacidade instalada da indústria de transformação andem juntas. Isto porque, uma vez que haja incerteza sobre o organismo econômico, tudo nos leva a acreditar que a utilização da capacidade instalada será menor. De modo a ilustrar esse movimento, podemos fazer uso das séries da Fundação Getúlio Vargas (FGV) para esses dois indicadores. Como de praxe, vamos carregar alguns pacotes.


library(readr)
library(ggplot2)
library(scales)
library(gridExtra)
library(BMR)

Os dados estão disponíveis no arquivo data.csv e são importados com o pacote readr.


data = read_csv2('data.csv',
col_types = list(col_date(format='%d/%m/%Y'),
col_double(),
col_double()))

Podemos, então, construir um gráfico com as nossas variáveis como abaixo, de modo a visualizar tanto as séries quanto a relação entre elas.

Como se pode ver, existe, de fato, uma relação negativa entre as variáveis. Mais incerteza está relacionada a menos uso da capacidade instalada. Isso visto, estimei um BVAR para ver o efeito de um choque da incerteza sobre a NUCI. As funções de impulso-resposta são colocadas abaixo.

Um choque na incerteza faz a utilização da capacidade instalada ser menor, como pode ser visto pela função impulso-resposta. Em outros termos, para que a economia volte a crescer é peremptório que tenhamos uma redução da incerteza. Contribui para isso um Congresso e um Executivo comprometidos com a agenda de reformas.

____________________

Os códigos desse Comentário estarão disponíveis, como de hábito, no Clube do Código.

O juro neutro e a condução da política monetária

By | Comentário de Conjuntura

O Comitê de Política Monetária (COPOM) volta a se reunir hoje para decidir os rumos da taxa básica de juros, a Selic. A expectativa de consenso no mercado é que haverá uma redução entre 25 e 50 pontos-base na taxa, dado, principalmente, a aprovação em 1º turno na Câmara dos Deputados do relatório da reforma da previdência. Para o final do ano, os agentes esperam Selic em 5,5%, mas já há apostas abaixo de 5%. O motivo, que tenho salientado nesse espaço já há algum tempo, é o comportamento do hiato do produto que se mantém em terreno negativo em meio à incerteza que predomina no país.

Sou da opinião de que, visto o comportamento da incerteza, reduzir a taxa básica agora pouco fará pelo fechamento do hiato do produto. Mas, dadas as projeções do próprio modelo do Banco Central, reduzir os juros nesse momento é condizente com a meta de inflação para 2019 e, principalmente, para 2020. Em outras palavras, as projeções condicionais da autoridade monetária para a inflação são condizentes com um nível de juros menor do que os atuais 6,5% a.a.

E além disso, cabe aqui uma discussão um pouco mais técnica sobre operacionalização da política monetária ao longo do tempo - para saber mais sobre política monetária, conheça nosso Curso de Teoria da Política Monetária. Em termos contemporâneos, inspirados no trabalho pioneiro de Knut Wicksell, dizemos que a política monetária é expansionista ou contracionista se, respectivamente, o juro real estiver abaixo ou acima da taxa de juros neutra.

Taxa de juros neutra, por sua vez, é aquela consistente com a estabilidade da taxa de inflação ao longo do tempo.

O problema é que, (1) o chamado juro neutro é uma variável não observada, que precisa ser estimada. (2) ela não é fixa ao longo do tempo.

Dessa forma, como tem sinalizado ao longo das últimas reuniões, o COPOM vê como razoável que a política monetária deva estar em posição expansionista nesse momento, dado a abertura do hiato do produto. Estar em posição expansionista, pela definição acima, significa dizer colocar o juro real abaixo do juro neutro.

Mas e se o juro neutro tiver caído?

Pois é. Temos um problema se for esse o caso. Antes de entrar na evidência, vamos fazer contas. Pela equação de Fisher, sabemos que

(1)   \begin{equation*}i = r + \pi\end{equation*}

Onde, i é a taxa de juros nominal, r é a taxa de juros real e \pi é a taxa de inflação. Rearranjando os termos, definimos o juro real ex-post como:

(2)   \begin{equation*}r = i - \pi\end{equation*}

Para tornar a análise ex-ante, devemos substituir \pi pela expectativa de inflação, isto é, \pi^{e}, de modo que o juro real ex-ante será dado por:

(3)   \begin{equation*}r = i - \pi^{e}\end{equation*}

Em outras palavras, o juro real ex-ante será dado, de forma aproximada, pela diferença entre o juro nominal e a expectativa de inflação. Essa é, em geral, a forma como o mercado calcula a taxa de juros real no país. Em termos exatos, o cálculo se dá pela fórmula:

(4)   \begin{equation*}(1+r_{t+1}) = (1+i_t)/(1+E_t\pi_{t+1})\end{equation*}

Temos, então, a definição de juro real ex-ante, mas e o juro neutro? Como dito acima, trata-se de uma variável não observada que precisa ser estimada. Existem várias formas de fazê-lo, como:

  • Filtros Estatísticos;
  • Percepção do mercado através de instrumentos financeiros;
  • Regras de política monetária;
  • Modelos estruturais.

De forma a tomar uma estimativa para a mesma, podemos nos basear na taxa de juros da NTN-B 2050, passando o Filtro HP sobre a mesma. Isso feito, podemos comparar essa taxa com o juro real ex-ante obtido pelo Swap DI 360 deflacionado pela expectativa de inflação medida pelo IPCA 12 meses à frente. Isso feito, podemos plotar um gráfico como o abaixo.

Na ponta, o juro neutro calculado a partir da NTN-B 2050 estaria mais próximo a 3,5%, enquanto o juro real ex-ante está abaixo de 2% no momento. Já a Selic deflacionada pela expectativa de inflação está pouco acima de 2,6%. Em outras palavras, a redução da taxa básica de juros nesse momento parece fazer sentido se as estimativas de queda do juro neutro estiverem corretas. Seria uma forma de simplesmente ajustar o impacto expansionista da política monetária sobre o hiato do produto na Curva IS.

__________________

Para quem quiser saber mais sobre política monetária, não deixe de conferir nosso Curso de Teoria da Política Monetária.

Uma análise estatística do IPCA-15

By | Comentário de Conjuntura

Hoje, o IBGE divulga o IPCA-15, Índice de Preços ao Consumidor Amplo 15, que busca medir a inflação em geral do dia 16 do mês anterior ao 15 do mês de referência, seguindo de resto a mesma metodologia do IPCA. Aproveito a divulgação do índice para mostrar algumas coisas interessantes que vemos no curso de Introdução à Estatística usando o R em relação à construção de estatísticas descritivas análise exploratória de dados de uma determinada variável.

Para começar, pegamos os dados através do pacote sidrar:


library(sidrar)
ipca15 = get_sidra(api='/t/3065/n1/all/v/355/p/all/d/v355%202')

E abaixo visualizamos a nossa série.

Esse tipo de gráfico, a propósito, é feito com de forma customizada com o pacote ggplot2, que eu ensino no nosso Curso de Análise de Conjuntura usando o R. Uma vez que visualizamos a série, podemos notar uma característica importante dela: a existência de sazonalidade. Podemos explorar essa característica com o gráfico abaixo.

O IPCA-15, assim como o IPCA, apresenta uma sazonalidade bastante pronunciada. A inflação medida pelo índice cai ao longo do primeiro semestre e aumenta ao longo do segundo, de acordo, a propósito, com a produção ao longo do ano.

Uma vez identificada essa característica, podemos nos concentrar nas estatísticas descritivas da série. Uma forma simples de visualizar as principais métricas, podemos construir um boxplot da série.

Observe que a mediana do IPCA-15 é de 0,46 e a média é de 0,51. Isso diz alguma coisa sobre a forma de distribuição da série, que podemos visualizar através de um histograma.

Isto é, temos uma assimetria à direita. O valor mínimo da série é, a propósito, de -0,18 e o máximo de 3.05, para um IQR de 0,39. Em outros termos, o primeiro quartil termina em 0,27 e o terceiro quartil em 0,66.

Em assim sendo, o intervalo mais provável de observações do IPCA-15 se situa entre 0,27 e 0,66, centrado em 0,46.

Esse tipo de análise descritiva dos dados serve, por fim, de preâmbulo para qualquer esforço de modelagem e previsão que poderíamos fazer em relação à nossa série.

_________________________________

Update: O script do exercício está disponível aqui. Um vídeo sobre como feito o post pode ser visto no Canal da AM no Youtube.

 

 

Cadastre-se na newsletter
e receba nossas novidades em primeira mão!