Qual a relação entre o Ibovespa e a Taxa de Câmbio?

Em dia de caos na Argentina, que sofre os efeitos da derrota de Macri nas prévias das eleições, a economia brasileira não saiu impune ontem. O Índice Ibovespa caiu 2% e a taxa de câmbio flertou novamente com os 4 R$/US$. Diante disso, resolvi dar uma olhada na relação entre essas duas variáveis ao longo do tempo, usando o R - aprenda a usar o R em nossos Cursos Aplicados. Abaixo, carregamos alguns pacotes.


library(quantmod)
library(ggplot2)
library(ggalt)

E assim podemos pegar os dados do yahoo finance com uma função do pacote quantmod.


getSymbols("BRL=X",src="yahoo")
getSymbols("^BVSP",src="yahoo")

Um pequeno tratamento é feito abaixo.


cambio = `BRL=X`[,4]
ibov = BVSP[,4]
data = cbind(cambio, ibov)
data = data[complete.cases(data)]
colnames(data) = c('cambio', 'ibov')

E assim, estamos prontos para plotar um gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point()

Caso o leitor se interesse, verá que a correlação entre as séries é positiva, para uma amostra de dados diários, entre janeiro de 2007 e agosto de 2019. Mas o gráfico mostra clusters onde a correlação entre as séries parece ser negativa. Nós podemos destacar essas aglomerações com o pacote ggalt e dentro delas, verificar o ajuste. Antes de mais nada, nós selecionamos três clusters como abaixo.


data_select = data[data$cambio > 1.5 & data$cambio < 2.5 &
data$ibov > 33000 & data$ibov < 69000,]

data_select2 = data[data$cambio > 3 & data$cambio < 4.2 &
data$ibov > 31000 & data$ibov < 69000,]

data_select3 = data[data$cambio > 3.6 & data$cambio < 4.2 &
data$ibov > 75000 & data$ibov < 100000,]

E assim, podemos construir o código do gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point(size=.6, colour='black')+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select,
color="red",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select2,
color="orange",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select2,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select3,
color="blue",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select3,
method='auto',
colour='#8abbd0',
size=1.5,
se=FALSE)+
labs(x='BRL/USD', y='Ibovespa',
title='Taxa de Câmbio vs. Ibovespa',
subtitle='Dados Diários: janeiro de 2007 a agosto de 2019',
caption='Fonte: analisemacro.com.br com dados do Yahoo Finance')

E aí está...

Para a nossa amostra completa, como dito, a correlação é positiva, mas dentro dos nossos clusters a correlação é negativa, como destacado no gráfico.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Usando IA para prever o consumo de energia no Brasil com Python

Neste exemplo mostramos o poder da IA, especificadamente o uso de modelos de Machine Learning de Séries Temporais, para prever os valores da Curva de Carga Horária de Energia Elétrica do Sudeste disponibilizada pela ONS. Para realizar as previsões, além dos modelos, empregamos métodos de machine learning já conhecidos, como cross-validation, usando a biblioteca MlForecast do Python.

Controle Sintético: Lei Anti Fumo na Califórnia

O que é Controle Sintético e como podemos utilizar essa ferramenta para auxiliar no estudo da avaliação de impacto? Neste post, oferecemos uma breve introdução a esse importante método da área de inferência causal, acompanhado de um estudo de caso para uma compreensão mais aprofundada de sua aplicação. Os resultados foram obtidos por meio da implementação em Python, como parte integrante do nosso curso sobre Avaliação de Políticas Públicas utilizando esta linguagem de programação.

Previsão de crises financeiras com IA usando Python

Fazer investimentos sem analisar dados é como atirar no escuro. Ninguém quer estar numa posição errada na hora que uma nova crise estourar. Para mitigar estes riscos, modelos de probabilidade de recessão podem trazer informações relevantes para a tomada de decisão. Neste artigo mostramos uma aplicação destes modelos para a economia norte-americana, usando o ferramental de pacotes do 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.