Comentário de Conjuntura: poucas surpresas para o COPOM

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A semana é marcada pela decisão do Comitê de Política Monetária (COPOM) sobre a trajetória da taxa básica de juros, a Selic. E a despeito dos choques recentes, tanto os externos, quanto os internos, não deve haver surpresa quanto à decisão, que deve ser pela manutenção da Selic em 6,5%. Isto porque, após o repique da inflação medida pelo IPCA em junho, as leituras de julho já indicam uma acomodação, como mostra o IPCA-15, que veio 0,64%, após registrar alta de 1,11% em junho. Os núcleos, ademais, como pode ser visto no gráfico que ilustra o post, avançaram pouco, saindo de 2,76% em maio para 3,01% em junho, o que caracteriza pouco efeito sobre o core do processo inflacionário.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2018/07/post.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Abel||||" text_font_size="21" use_border_color="off" border_color="#ffffff" border_style="solid"]

A leitura de junho da inflação medida pelo IPCA, de 1,26%, veio acima, por suposto, da projeção do Comitê, que era de 1,06%, causando uma surpresa de 0,2 p.p.. Ademais, as projeções mais atuais para a inflação em julho também estão acima do esperado pelo Comitê, o que deve levar a alguma revisão altista nessa próxima reunião. Contudo, dada a reversão esperada do choque doméstico, o risco de descumprimento da meta é bastante reduzido.

Corrobora com essa visão a acomodação da taxa de câmbio, após a forte depreciação nos primeiros meses do ano, bem como a menor expectativa de crescimento da economia ao longo de 2018.

Abaixo, por fim, o código do gráfico acima, gerado no R. Os dados foram coletados diretamente do Banco Central com o pacote BETS...


#######################################################
######## Comentário de Conjuntura - 30/07/2018 ########

library(BETS)
library(ggplot2)
library(scales)

## Baixar Núcleos de Inflação

series = c(4466, 11426, 11427, 16121, 16122)

data = BETS.get(series, from='2013-02-01')

matrix = matrix(NA, nrow=length(data[[1]]), ncol=length(series))

for(i in 1:length(series)){

matrix[,i] = t(data[[i]])
}

matrix = ts(matrix, start=c(2013,02), freq=12)

## Acumular em 12 meses

fator = 1+matrix/100

acumulado = (fator*lag(fator,-1)*lag(fator,-2)*lag(fator,-3)*
lag(fator,-4)*lag(fator,-5)*lag(fator,-6)*lag(fator,-7)*
lag(fator,-8)*lag(fator,-9)*lag(fator,-10)*lag(fator,-11)
-1)*100

## Baixar Inflação

ipca = BETS.get(13522, from='2014-01-01')

## Criar meta

meta = ts(rep(4.5, length(acumulado[,1])),
start=start(ipca), freq=12)

## Juntar todos os objetos

time = seq(as.Date('2014-01-01'), as.Date('2018-06-01'), 
by='1 month')

df = data.frame(time=time, nucleos=round(rowMeans(acumulado),2),
meta=meta, inflacao=ipca)

## Gráfico

ggplot(df, aes(x=time))+
annotate("rect", fill = "orange", alpha = 0.5, 
xmin = as.Date('2016-01-01'), 
xmax = as.Date('2018-06-01'),
ymin = -Inf, ymax = Inf)+
geom_line(aes(y=inflacao, colour='Inflação 12 meses'), size=.8)+
geom_line(aes(y=meta, colour='Meta de Inflação'), size=.8)+
geom_line(aes(y=nucleos, colour='Média dos 5 Núcleos'), size=.8)+
scale_colour_manual('', 
values=c('Inflação 12 meses'='darkblue',
'Meta de Inflação'='red',
'Média dos 5 Núcleos'='#56B4E9'))+
theme(legend.position = 'top',
plot.title = element_text(size=15),
plot.caption = element_text(size=9),
axis.title.y = element_text(size=9),
axis.text.x=element_text(angle=45, hjust=1))+
scale_x_date(breaks = date_breaks("2 month"),
labels = date_format("%b/%Y"))+
xlab('')+ylab('% a.a.')+
labs(title='Inflação vs. Núcleos de Inflação',
caption='Fonte: analisemacro.com.br com dados do BCB.')

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"]

 

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

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?

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.