Ambiente externo gera preocupações

A taxa de câmbio voltou a romper a barreira de 4 R$/US$ nos últimos dias, refletindo o ambiente externo. Para ilustrar, podemos usar o pacote quantmod do para pegar dados diários para a taxa de câmbio na base do Yahoo Finance - maiores detalhes sobre séries temporais financeiras, veja nosso Curso de Econometria Financeira usando o R. O código abaixo ilustra.


library(quantmod)
getSymbols("BRL=X",src="yahoo", from=as.Date('2018-01-01'))
cambio = `BRL=X`[,4]
cambio = cambio[complete.cases(cambio)]

Com a nossa série em mãos, podemos construir o gráfico abaixo.

Observamos que o câmbio se "acostumou" ao patamar próximo a 3,85, flertando em três momentos com os 4 R$/US$. Abaixo, estimamos a volatilidade dos log-retornos da taxa (aprenda sobre isso em nosso Curso de Econometria Financeira usando o R).

A despeito de não vivermos um "pico" de volatilidade, houve perturbações consideráveis ao longo do mês de agosto. Isso também é captado, diga-se, pelo índice VIX do CBOE, que pode ser baixado a partir do FRED Economic Data.


getSymbols('VIXCLS', src='FRED')
vix = window(VIXCLS[complete.cases(VIXCLS),], start='2018-01-01')

E abaixo o gráfico...

De fato, o que tem preocupado analistas é a probabilidade da economia mundial entrar em uma recessão nos próximos meses. Para ilustrar essa preocupação, podemos verificar o comportamento do juro associado ao título de 10 anos dos Estados Unidos, dessa vez usando o pacote Quandl.


juro = Quandl('FRED/DGS10', start_date='2018-01-01')

E abaixo o gráfico...

Há, inclusive, uma discussão interessante sobre essa taxa ter ficado menor do que a taxa de curto prazo, indicando menos expectativa de inflação no futuro e, portanto, menos nível de atividade. Estaria aberto o caminho para a recessão? Cedo para dizer, já que é preciso aguardar as reações de política econômica mundo a fora. O certo é que esse pessimismo chega em péssima hora para o Brasil, às voltas com uma economia patinando e desemprego ainda lá em cima.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.