PIB do terceiro trimestre surpreende a todos

Os resultados do PIB divulgado pelo IBGE para o terceiro trimestre do ano mostraram que a economia permanece bem aquecida, mas menos do que o mercado esperava. Internamente na Análise Macro, nossos modelos projetavam um crescimento menor do que o ocorrido. O hiato do produto positivo ajuda a explicar as surpresas.

O PIB cresceu 3,1% nos 12 meses encerrados em setembro de 2024, enquanto que o mercado esperava um crescimento de 3,5% e a Análise Macro um crescimento de 2,6%, assumindo 15 de novembro como data de previsão. Em termos de erro absoluto de previsão, nosso melhor modelo teve desempenho levemente inferior para este período de referência:

Nosso melhor modelo utiliza apenas 3 variáveis exógenas e defasagens para projetar a atividade econômica. Dessa forma, apesar do desempenho inferior no período, pode-se dizer que um modelo simples de projeção está bem próximo ao que profissionais de mercado utilizam. O fato de a economia estar operando acima do seu potencial pode ajudar a explicar estes erros:

Para os próximos trimestres esperamos uma atividade econômica ainda bastante aquecida, em ritmo maior do que as previsões de mercado.

Conclusão

Os resultados do PIB divulgado pelo IBGE para o terceiro trimestre do ano mostraram que a economia permanece bem aquecida, mas menos do que o mercado esperava. Internamente na Análise Macro, nossos modelos projetavam um crescimento menor do que o ocorrido. O hiato do produto positivo ajuda a explicar as surpresas.

Para aprender a produzir modelos como este, o curso de Previsão Macroeconômica usando Python e IA ensina como coletar, tratar, analisar, modelar os dados e, por fim, produzir previsões acuradas para indicadores macroeconômicos do Brasil e apresentar resultados. No curso também ensinamos a automatizar todo o processo.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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.