Câmbio para baixo, IBOV para cima no apagar de outubro

Outubro termina com uma espécie de redenção na agenda econômica. Após mais de 20 anos e cinco presidentes, enfim, foi aprovada uma reforma no sistema público de previdência de grande envergadura. O resultado prático disso são dois. Primeiro, deve haver alguma contaminação em indicadores macro e financeiros desse grande evento - ainda que boa parte já tenha sido antecipada. Segundo, a agenda parlamentar fica aberta para mares nunca antes navegados, como a reforma tributária e a administrativa.

Nesse comentário de conjuntura, por suposto, gostaria de avaliar o comportamento de quatro variáveis: taxa de câmbio R$/US$, Ibovespa, CDS 5 anos e CRB. Os três primeiros são afetados de forma direta pela agenda econômica, de modo que é esperado alguma contaminação sobre eles da aprovação da reforma da previdência. O quarto eu coloco como uma espécie de controle, dada a influência do mesmo sobre a taxa de câmbio.

Antes de mais nada, vamos carregar alguns pacotes...


library(quantmod)
library(ggplot2)
library(scales)
library(forecast)
library(readr)
library(xts)
library(gridExtra)

E abaixo eu importo os dados para o RStudio...


## Pegar dados
getSymbols("BRL=X",src="yahoo", from='2019-06-02')
getSymbols("^BVSP",src="yahoo", from='2019-06-02')
cds = read_csv2('cds.csv', col_types = list(col_date(format='%d/%m/%Y'),
col_double()))
crb = read_csv2('crb.csv', col_types = list(col_date(format='%d/%m/%Y'),
col_double()))

Os dados do câmbio e do ibovespa eu pego do yahoo finance com o pacote quantmod enquanto os dados do CDS e do CRB de um arquivo csv usando o pacote readr. Abaixo, um tratamento rápido dos dados.


cambio = `BRL=X`[,4]
ibov = BVSP[,4]
cds = window(xts(cds$cds5y, order.by = cds$date), start='2019-06-02')
crb = window(xts(crb$crb, order.by = crb$date), start='2019-06-02')
data = cbind(cambio, ibov, cds, crb)
data = data[complete.cases(data)]
colnames(data) = c('cambio', 'ibov', 'cds', 'crb')

Com os dados prontos, meu objetivo é construir uma espécie de painel com o gráfico das quatro variáveis. Isso pode ser feito com a combinação de quatro pacotes: ggplot2, forecast, scales e gridExtra. Abaixo, crio e guardo o gráfico da primeira variável.


g1 = autoplot(cambio)+
scale_x_date(breaks = date_breaks("15 days"),
labels = date_format("%d/%b"))+
theme(axis.text.x=element_text(angle=45, hjust=1),
plot.title = element_text(size=10))+
labs(x='', y='R$/US$',
title='Taxa de Câmbio R$/US$ diária')

O código é idêntico para as demais variáveis, então não os repito aqui. Uma vez construídos e guardados os objetos, posso gerar meu painel com a função grid.arrange do pacote gridExtra como abaixo.


grid.arrange(g1, g2, g3, g4, ncol=2, nrow=2,
bottom='Fonte: Yahoo Finance e Bloomberg')

E aí está o gráfico...

Podemos observar na ponta um recuo do câmbio para próximo a 4 R$/US$ e um avanço do índice Bovespa para recordes históricos. Já o CDS 5 anos recuou no período selecionado, o mesmo comportamento registrado para o CRB. A agenda econômica pró-reformas traz um alento para o país em um momento bastante delicado no cenário internacional, marcado por riscos consistentes de uma desaceleração global. Algo que obviamente tem impacto nas variáveis aqui selecionadas.

________________________

(*) Saiba coletar e tratar dados macroeconômicos com o nosso Curso de Análise de Conjuntura usando o R.

(**) Agradeço ao meu amigo Sávio Barbosa, da Paineiras Investimentos, por disponibilizar os dados do CDS5Y e do CRB.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Usando IA para prever o consumo de energia no Brasil com Python

Neste exemplo mostramos o poder da IA, especificadamente o uso de modelos de Machine Learning de Séries Temporais, para prever os valores da Curva de Carga Horária de Energia Elétrica do Sudeste disponibilizada pela ONS. Para realizar as previsões, além dos modelos, empregamos métodos de machine learning já conhecidos, como cross-validation, usando a biblioteca MlForecast do Python.

Controle Sintético: Lei Anti Fumo na Califórnia

O que é Controle Sintético e como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Previsão de crises financeiras com IA usando Python

Fazer investimentos sem analisar dados é como atirar no escuro. Ninguém quer estar numa posição errada na hora que uma nova crise estourar. Para mitigar estes riscos, modelos de probabilidade de recessão podem trazer informações relevantes para a tomada de decisão. Neste artigo mostramos uma aplicação destes modelos para a economia norte-americana, usando o ferramental de pacotes do Python.

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.