Os indexadores da Dívida Bruta viraram um gráfico interativo com o R

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

Muita gente que eu conheço alega que aprender é só para quem lida com muita estatística e econometria, que não valeria o investimento já que o Excel cumpre todas as funções do dia a dia. Nesse espaço procuro mostrar que não é bem assim. Com ele é possível unificar todo o processo de coleta, tratamento, análise e apresentação de dados. Para ilustrar uma vez mais, imagine que você precisa fazer um gráfico mensal a partir de dados disponíveis on line. Sem o R, você provavelmente iria no site onde está o dado, o baixaria, abriria o excel e começaria a trabalhar, não é mesmo? Depois, claro, você copiaria o gráfico e colaria no Power Point. Daí faria seu slide para apresentar ao seu cliente ou mesmo ao seu gestor. Correto? Com o R, seria diferente...

Com o R, a primeira coisa a fazer é abrir o RStudio e começar o seu script. Nesse ambiente você automatizará a sua tarefa mensal, isto é, você fará isso uma vez, depois apenas rodará o script na próxima vez que precisar. Legal, né? Mas não é só isso. Você irá no site sim, onde estão os dados, mas apenas para pegar o link do arquivo que precisa, como abaixo.

http://www.bcb.gov.br/ftp/notaecon/Partggp.zip

Com esse link, você vai começar o seu script...

## Carregar pacotes
library(ggplot2)
library(XLConnect)
## Importar dados
temp = tempfile()
download.file('http://www.bcb.gov.br/ftp/notaecon/Partggp.zip',temp)
data = unzip(temp, files='Partggp.xls')
data = loadWorkbook(data)
dbgg = readWorksheet(data, sheet = 1, header = TRUE, 
 colTypes = 'numeric')
## Retirar linhas e colunas que não interessam
dbgg = dbgg[, -c(1,2,6,10,15,16,17)] # Retirar colunas desimportantes
dbgg = dbgg[complete.cases(dbgg),] # Retirar linhas com NA
## Nomear colunas
colnames(dbgg) = c('DBGG', 'Cambial Interna', 'Cambial Externa', 
 'IGP-M', 'IGP-DI', 'IPCA', 'SELIC', 'TJLP', 'TR', 
 'PRÉ-FIXADO')
## Criar vetor de datas para o gráfico e juntar datas e dados em um mesmo objeto
dates = seq(as.Date('2006-12-01'), as.Date('2016-12-01'), by='1 month')
dbgg = cbind(dates, dbgg)
## Gerar gráfico
theme_set(theme_minimal())

ggplot(dbgg, aes(x=dates))+
 xlab('')+ylab('% DBGG')+
 geom_area(aes(y=dbgg$SELIC, fill="SELIC"))+
 geom_area(aes(y=dbgg$`PRÉ-FIXADO`, fill="PRÉ-FIXADO"))+
 geom_area(aes(y=dbgg$IPCA, fill='IPCA'))+
 geom_area(aes(y=dbgg$`Cambial Externa`, fill='CAMBIAL EXTERNA'))+
 geom_area(aes(y=dbgg$`IGP-M`, fill='IGP-M'))+
 geom_area(aes(y=dbgg$TR, fill='TR'))+
 geom_area(aes(y=dbgg$`IGP-DI`, fill='IGP-DI'))+
 geom_area(aes(y=dbgg$`Cambial Interna`, fill='CAMBIAL INTERNA'))+
 geom_area(aes(y=dbgg$TJLP, fill='TJLP'))+
 scale_fill_manual("", 
 values = c("SELIC"="darkblue", 
 "PRÉ-FIXADO"="#f8766d",
 'IPCA'="orange",
 'CAMBIAL EXTERNA'="red",
 'IGP-M'="#9999CC",
 'TR'="darkred",
 'IGP-DI'="darkgreen",
 'CAMBIAL INTERNA'="#00ba38",
 'TJLP'="blue"))+
 theme(legend.position="bottom")+
 labs(title='Indexadores da Dívida Bruta brasileira',
 caption='Fonte: analisemacro.com.br com dados do Banco Central.')
 

Com esse código você gerará um gráfico bem bonito. Mas talvez você queira disponibilizar ele on line, para qualquer um acessar. Daí você pode complementar com o código abaixo

library(plotly)
g = ggplotly()
plotly_POST(g, filename = 'dbgg', sharing = 'public')

E pronto, aí está o seu gráfico, que você pode atualizar todo mês, executando o mesmo código acima... Bom, não? 🙂

 

_____________________________________

OBS: Para integrar o R com o Plotly, veja aqui.

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="row" make_fullwidth="off" use_custom_width="off" width_unit="on" use_custom_gutter="off" padding_mobile="off" background_color="#8300e9" allow_player_pause="off" parallax="off" parallax_method="off" make_equal="off" parallax_1="off" parallax_method_1="off" column_padding_mobile="on"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="dark" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

No nosso Curso de Análise de Conjuntura usando o R os alunos aprendem a coletar, tratar, analisar e apresentar dados macroeconômicos usando o poder do R/RStudio e do Beamer/LaTeX. Saiba mais sobre esse curso inovador clicando no botão abaixo!

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/analise-de-conjuntura/" url_new_window="off" button_text="Ir para o Curso de Análise de Conjuntura" button_alignment="center" background_layout="dark" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="dark" text_orientation="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

Relatórios, apresentações e exercícios macroeconométricos usando extensivamente o R são feitos no âmbito do Clube do Código, o espaço de compartilhamento de códigos da Análise Macro. Ainda não conhece o Clube?! Saiba mais abaixo.

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Ir para o Clube do Código" button_alignment="center" background_layout="dark" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando reports econômicos automáticos com IA usando Python

Imagine que você tenha uma tabela e precise gerar uma análise de dados rápida para entregar um relatório. Você poderia tentar parar tudo que está fazendo ou até mesmo fazer horas extras, mas dificilmente você entregaria o relatório mais rapidamente do que um modelo de Inteligência Artificial (IA). Neste artigo mostramos um exemplo de relatório gerado por IA para análise de inflação no Brasil, usando as ferramentas Quarto + Python para integrar a IA.

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

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.