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

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

Cálculo do Retorno Econômico de uma Política Pública

Como podemos traduzir os efeitos de uma política pública para valores monetários? Essa é uma tarefa árdua que requer algumas premissas, entretanto, com métodos bem definidos, é possível obter estimativas precisas dos ganhos e os gastos de uma política pública.

Neste exercício, demonstramos tal método usando a política hipotética "Mãe Paranense”, um conjunto de ações que visam reduzir a mortalidade materna e infantil no estado. Usamos a linguagem R como ferramenta para analisar os 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.