Inflação rompe limite superior da meta

A inflação medida pelo IPCA rompeu, em março, o limite superior da meta, que atualmente é de 5,25% ao ano. A inflação acumulada em 12 meses ficou em 6,1%. A média dos sete núcleos de inflação também tem mostrado avanço nos últimos meses, fechando março em 3,42% a.a. no acumulado em 12 meses. Nesse Comentário de Conjuntura especial, atualizamos nosso Monitor de Inflação, adicionando uma estratégia de previsão para a inflação mensal.

date nucleos lim_sup meta lim_inf mensal anual
2020-10-01 2.32 5.50 4.00 2.50 0.86 3.92
2020-11-01 2.52 5.50 4.00 2.50 0.89 4.31
2020-12-01 2.76 5.50 4.00 2.50 1.35 4.52
2021-01-01 2.93 5.25 3.75 2.25 0.25 4.56
2021-02-01 3.13 5.25 3.75 2.25 0.86 5.20
2021-03-01 3.42 5.25 3.75 2.25 0.93 6.10

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

A tabela acima resume os números da inflação no Brasil. Em março, muito em função dos reajustes nos combustíveis, houve variação de 0,93%. A seguir ilustramos o comportamento da inflação acumulada em 12 meses e dos núcleos no nosso gráfico padrão.

Pela primeira vez desde 2017, a inflação acumulada em 12 meses está fora dos limites estabelecidos pelo regime de metas para inflação. Não por outro motivo, o Banco Central se viu obrigado a elevar a taxa básica de juros, mesmo em meio a um hiato do produto ainda em terreno negativo.

O gráfico acima, por suposto, mostra o comportamento dos sete núcleos construídos e divulgados pelo Banco Central. Na margem, observa-se um avanço de todos os núcleos em direção à meta. Isso mostra que os choques sobre o índice cheio acabaram por contaminar outros preços, estabelecendo assim efeitos secundários.

No gráfico acima, observa-se que ao longo de 2020, a inflação cheio sofreu com o aumento de preços no grupo Alimentação e bebidas. Já aqui em 2021, os reajustes de combustíveis, que afetam o grupo Transportes, têm sido preponderantes para explicar a variação mensal.

No gráfico acima, por suposto, trazemos a média das previsões dos modelos que temos rodado aqui na Análise Macro. A metodologia completa da modelagem, diga-se, está disponível para os Membros do Clube AM. Como é possível observar, os modelos projetam uma melhora nos próximos meses.

Essa melhora na variação mensal, contudo, ainda deve demorar para aparecer no acumulado em 12 meses, como pode ser observado no gráfico acima. É possível que a inflação flerte com valores ainda mais elevados nos próximos meses, ficando distante do limite superior da meta.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício.

____________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.