Análise do Mercado de Crédito com o R

A disponibilidade de crédito é uma variável de suma importância para impulsionar tanto o consumo das famílias quanto o investimento das firmas. Nesse Comentário de Conjuntura, por suposto, seguindo a análise do mercado de crédito que faço no Curso de Análise de Conjuntura usando o R, vamos dar uma olhada em alguns aspectos desse mercado. Para isso, vou utilizar aqui o pacote Quandl para pegar as séries do Banco Central diretamente para o R.

Para começar, vamos pegar as concessões mensais de crédito.


library(Quandl)
library(ggplot2)
library(scales)

credito_total = Quandl('BCB/20631', order='asc')

Na sequência, podemos pegar os dados divididos por pessoa física e jurídica.

</span>

library(tidyverse)

credito_pj = Quandl('BCB/20632', order='asc')
credito_pf = Quandl('BCB/20633', order='asc')

credito_por_p = inner_join(credito_pj, credito_pf, by = 'Date') %>%
rename(pj = Value.x, pf = Value.y)
<pre>

Na sequência, pegamos os dados divididos por crédito livre crédito direcionado.

</pre>
credito_livre = Quandl('BCB/20634', order='asc')
credito_direc = Quandl('BCB/20685', order='asc')

credito_por_recurso = inner_join(credito_livre,
credito_direc, by = 'Date') %>%
mutate(livre=Value.x, direc=Value.y, .keep='unused')
<pre>

A seguir, fazemos a divisão desse estoque entre crédito público e privado.


## Crédito Público vs. Privado
privado <- Quandl('BCB/2043', start_date = '2000-01-01', order='asc')
publico <- Quandl('BCB/2007', start_date = '2000-01-01', order='asc')

data <- inner_join(privado, publico, by='Date')%>%
mutate(privado=Value.x/(Value.x+Value.y)*100,
publico=Value.y/(Value.y+Value.x)*100,
.keep='unused') %>%
pivot_longer(names_to='variavel', values_to='valor', cols=-Date)

 

Uma recuperação mais pujante do mercado de crédito é crucial para que possamos acelerar o crescimento da economia brasileira. Para isso, contudo, são fundamentais as reformas microeconômicas que estão no radar tanto do Congresso Nacional quanto do próprio Banco Central.

_______________________

(*) A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.