Análise do Mercado de Crédito com o R

A disponibilidade de crédito é uma variável de suma importância para impulsionar tanto o consumo das famílias quanto o investimento das firmas. Nesse Comentário de Conjuntura, por suposto, seguindo a análise do mercado de crédito que faço no Curso de Análise de Conjuntura usando o R, vamos dar uma olhada em alguns aspectos desse mercado. Para isso, vou utilizar aqui o pacote Quandl para pegar as séries do Banco Central diretamente para o R.


library(Quandl)
library(ggplot2)
library(scales)
Quandl.api_key('a sua chave aqui') # Permite mais de 50 acessos dia
credito_total = Quandl('BCB/20631', order='asc')

credito_pj = Quandl('BCB/20632', order='asc')
credito_pf = Quandl('BCB/20633', order='asc')

credito_livre = Quandl('BCB/20634', order='asc')
credito_direc = Quandl('BCB/20685', order='asc')


Os dados importados sofrem de sazonalidade, de modo que é preciso fazer o ajuste da série. Também é preciso deflacionar as séries, de modo a tornar a análise dos dados correta. Isso é feito com o código a seguir.


### Importar IPCA
library(sidrar)
ipca = get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
ipca = ts(ipca$Valor, start=c(1979,12), freq=12)
ipca = window(ipca, start=c(2011,03))

### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")
concessoes = ts(data.frame(credito_total$Value, credito_pj$Value,
credito_pf$Value, credito_livre$Value,
credito_direc$Value), start=c(2011,03), freq=12)
### Deflacionar Séries
concessoes <- ipca[length(ipca)-1]*(concessoes/ipca)

colnames(concessoes) = c('Total', 'juridica',
'fisica', 'livre', 'direcionado')
matrix <- matrix(NA, nrow = nrow(concessoes), ncol=ncol(concessoes))
colnames(matrix) <- colnames(concessoes)

for(i in 1:ncol(concessoes)){

matrix[,i] <- final(seas(concessoes[,i]))
}

concessoes_sa = data.frame(time=credito_total$Date, matrix)

Uma vez que os dados estejam tratados, podemos visualizá-los. Abaixo, vemos as concessões mensais totais.

Como se vê, há um avanço nas concessões mensais de crédito na margem. Podemos tentar entender melhor esse avanço com a abertura por pessoa física e jurídica. O gráfico abaixo ilustra.

Tanto as concessões mensais à pessoa física quanto jurídica mostram avanço nos últimos anos. Também podemos verificar o crédito quanto a diferenciação entre crédito livre e direcionado. O gráfico abaixo ilustra.

Observa-se uma diferença importante entre as categorias. Enquanto o crédito livre mostra avanço, o crédito direcionado tem se mantido estável nos últimos anos. A seguir, vemos o estoque de crédito normalizado pelo PIB.


library(tidyverse)
estoque_cred = Quandl('BCB/20539', order='asc',
start_date='1999-01-31')
pib = Quandl('BCB/4382', order='asc', start_date='1999-01-31')
estoque_cred = mutate(estoque_cred,
razao=estoque_cred$Value/pib$Value*100)
ggplot(estoque_cred, aes(Date, razao))+
geom_area(stat='identity', fill='darkblue', colour='darkblue')+
scale_y_discrete(limits=c(10,20,30,40,50))+
scale_x_date(breaks = date_breaks("1 years"),
labels = date_format("%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=15))+
labs(x='', y='% PIB', title='Estoque de Crédito (% PIB)',
caption='Fonte: analisemacro.com.br')

Na ponta, há um leve avanço no estoque normalizado pelo PIB, refletindo o aumento das concessões mensais. A seguir, fazemos a divisão desse estoque entre crédito público e privado.

De fato, o estoque de crédito associado à instituições privados tem recuperado espaço em relação às instituições estatais. A seguir, olhamos para a taxa média de juros associada às operações de crédito.

As taxas médias na ponta ainda permanecem acima de 20% a.a., refletindo o que os economistas chamam de spread bancário, a diferença entre taxas de captação e aquelas cobradas dos que demandam crédito. O gráfico abaixo ilustra essas taxas de spread.

Como se vê, o spread permanece ainda elevado. A seguir, ilustramos o comportamento da inadimplência.

Por fim, vemos o comportamento do endividamento das famílias em relação à renda acumulada nos últimos 12 meses.

Uma recuperação mais pujante do mercado de crédito é crucial para que possamos acelerar o crescimento da economia brasileira. Para isso, contudo, são fundamentais as reformas microeconômicas que estão no radar tanto do Congresso Nacional quanto do próprio Banco Central.

_____________________________

(*) A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.