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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.