Análise de impacto fiscal sobre o dolár com Python

A situação fiscal brasileira vem, frequentemente, sendo um ponto de preocupação por agentes de mercado. Recentemente, o governo vigente anunciou um “pacote fiscal” que visa economizar R$ 70 bilhões em dois anos. O anúncio foi recebido pelo mercado com desconfiança, o que levou a taxa de câmbio a acelerar rapidamente.

Para estimar o impacto causal deste anúncio é possível usar um modelo Bayesiano para estimar um contrafactual da taxa de câmbio, ou seja, qual seria a trajetória do dolár no caso de ausência da intervenção. Aqui usamos uma cesta de 12 moedas para construir uma taxa de câmbio, em R$/US$, contrafactual. Usamos o pacote tfcausalimpact para a modelagem no Python.

O modelo capta uma depreciação de quase 5% no dolár após o anúncio do pacote fiscal no final de novembro. No caso de ausência do anúncio, a taxa de câmbio deveria estar sendo cotada em torno de R$ 5,78 (contra os atuais R$ 6,15).

Como em todas as abordagens de inferência causal, conclusões válidas requerem premissas fortes. Neste caso, assumimos que o dólar BRLUSD é explicado por uma cesta de moedas que por si próprias não foram afetadas pela intervenção (anúncio de pacote fiscal).

Conclusão

Usamos uma cesta de 12 moedas para construir um cenário contrafactual da taxa de câmbio após o último anúncio de pacote fiscal, com base em modelagem Bayesiana. No período, o dolár depreciou quase 5% e passou os R$ 6,15, enquanto que na ausência da intervenção a moeda deveria estar cotada em R$ 5,78.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, conheça o Clube AM clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é GraphRAG e implementar usando LangChain

GraphRAG é uma técnica de recuperação de informação para LLMs que utiliza grafos de conhecimento para conectar entidades e relações, permitindo estruturar informações complexas presentes em textos. Neste exercício, mostramos como transformar as atas do Copom em um grafo capaz de compreender essas entidades e relações, respondendo a perguntas complexas de forma contextualizada. Com Python e LangChain, todo o processo se torna automatizado, simples e altamente explorável.

Shiny + Agentes de IA: como criar aplicativos web inteligentes

A combinação de interfaces de usuário interativas com o poder dos grandes modelos de linguagem (LLMs) está abrindo um universo de possibilidades. Imagine criar um aplicativo web que não apenas exibe dados, mas também conversa com o usuário, respondendo a perguntas complexas com base em uma base de conhecimento específica. Usando Shiny para Python e ferramentas de IA como as do Google, isso é mais acessível do que nunca.

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.