Ibovespa vs. economia real: há relação?

Uma das questões que têm intrigado analistas e economistas de mercado é a desconexão entre o Índice Bovespa e a economia real. A despeito do IBOV ter flertado com o nível histórico de 100 mil pontos, a economia real tem patinado nesse início de 2019, como pode ser avaliado a partir de indicadores de alta frequência como o IBC-Br. Olhando para os dados, como poderíamos encaminhar essa questão? É o que vemos nesse post da Análise Macro - para aprender a fazer análises como essa, não deixe de conhecer o nosso curso de Análise de Conjuntura usando o R.

Antes de mais nada, precisamos pegar os dados. Vamos utilizar o pacote quantmod para ter acesso ao índice Bovespa. O código abaixo puxa os dados da base do yahoo finance diretamente para o RStudio.


# IBOVESPA
library(quantmod)
library(xts)
env <- new.env()
getSymbols("^BVSP",src="yahoo",
env=env,
from=as.Date('2001-01-01'))
ibovespa = env$BVSP[,4]
ibovespa = ibovespa[complete.cases(ibovespa)]
ibovespa = apply.quarterly(ibovespa, FUN=mean)
ibovespa = ts(ibovespa, start=c(2001,01), freq=4)

De posse dos dados do IBOV, qual seria a melhor proxy para a economia real? Pensei aqui em pegar o número índice da FBCF, depois a variação interanual desse índice, para ver se há alguma correlação com o IBOV. O código abaixo usa o pacote sidrar e operacionaliza isso.


# FBCF
library(sidrar)
fbcf = get_sidra(api="/t/1620/n1/all/v/all/p/all/c11255/93406/d/v583%202")
fbcf = fbcf$Valor
fbcf = ts(fbcf, start=c(1996,01), freq=4)
dfbcf = (fbcf/lag(fbcf,-4)-1)*100

Agora que já temos os dados do Ibovespa e da variação interanual da FBCF, podemos ver um gráfico com as duas séries. Como, naturalmente, elas estão em escalas diferentes, precisaremos colocar um no eixo principal e outra no eixo secundário.

O gráfico acima sugere que exista de fato uma correlação entre elas, mas a relação parece ter se descolado de 2010 para frente. A correlação para toda a amostra é de 0,18, enquanto até 2010 a correlação é de 0,57. Ademais, pode ser interessante verificar a correlação entre as séries, defasando a variação da FBCF. Os gráficos abaixo ilustram até a terceira defasagem.

Como se pode ver, há um decaimento na correlação entre as variáveis, conforme aumentamos a defasagem da variação da FBCF.

O que isso tem a dizer? Por enquanto, nada. Observe que estamos fazendo apenas uma análise preliminar dos dados, tentando ver alguma relação entre o IBOV e uma proxy da economia real. Para nos aprofundarmos no assunto, teríamos que ver outros candidatos a proxy, bem como construir um modelo que avalie mais profundamente a relação entre as variáveis, como fazemos no nosso curso de Séries Temporais usando o R.

Outro ponto que precisa ser avaliado é que o IBOV reflete expectativas do mercado a cerca do que vai ocorrer com a economia doméstica e com o cenário externo ao longo do tempo. Isto é, para que as séries acima andem juntas é preciso "limpar" muita coisa.

Ao longo das próximas semanas, vamos construir um modelo para avaliar a relação entre as séries. Por enquanto, membros do Clube do Código têm acesso ao script completo desse comentário lá no repositório do github. Até lá!

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.