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 automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

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.

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.