Calculando o impulso de crédito no Python

Qual é o papel do crédito no crescimento da economia? Para analisar esta questão, calculamos o indicador de impulso de crédito para a economia brasileira e comparamos com o nível da atividade econômica usando o Python.

A referência desta metodologia é o trabalho de Biggs et al (2010). O impulso de crédito é definido como:

Onde Saldo é o estoque de crédito da economia e PIB é o fluxo nominal de atividade econômica.

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

Para calcular este indicador no Python, primeiro coletamos os dados do Banco Central:

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.

             saldo
data              
2007-03-01  762353
2007-04-01  781888
2007-05-01  793133
2007-06-01  805488
2007-07-01  824442
                 pib
data                
2007-03-01  223206.9
2007-04-01  218922.4
2007-05-01  227533.9
2007-06-01  224198.4
2007-07-01  230915.0
               ibc
data              
2007-03-01  119.47
2007-04-01  121.02
2007-05-01  122.24
2007-06-01  123.01
2007-07-01  123.84

Em seguida calculamos o impulso de crédito:

saldo pib ibc impulso ibc_var
data
2023-11-01 5702268 949208.9 146.24 -2.759667 2.523836
2023-12-01 5794094 940816.4 147.22 -3.013280 3.610388
2024-01-01 5781935 887151.6 147.97 -3.330334 3.273311
2024-02-01 5803726 891740.3 148.47 -3.489800 0.616698
2024-03-01 5872950 974816.5 147.96 -3.552307 0.536794

Por fim, analisamos os resultados visualmente:

Observa-se que:

  • O impulso de crédito vinha caindo até março/2020, mas voltou a subir com as medidas emergenciais da pandemia da Covid-19;
  • Parece haver alguma relação, mesmo que fraca, entre o impulso de crédito e a atividade econômica no período;
  • Períodos de impulso de crédito negativo e atividade positiva podem indicar que a atividade está sendo impulsionada por outros fatores.

Conclusão

Qual é o papel do crédito no crescimento da economia? Para analisar esta questão, calculamos o indicador de impulso de crédito para a economia brasileira e comparamos com o nível da atividade econômica 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

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.