Todo carnaval tem seu fim

A volta do carnaval foi marcada por forte correção no índice Bovespa. Ao longo do período de recesso no Brasil, as bolsas no exterior refletiam o mau humor com o alastramento do coronavírus pela Europa. A queda sofrida ontem pelo Ibovespa é comparável ao famoso Joesley Day, em 18 de maio de 2017, quando o índice caiu quase 9% em um único pregão. A taxa de câmbio também renovou máxima histórica, se aproximando de 4,44 R$/US$.

Abaixo, ilustramos o comportamento do Ibovespa e da taxa de câmbio a partir dos dados contidos no yahoo finance, que podem ser coletados com o pacote quantmod. Antes de mais nada, carregamos alguns pacotes.


library(quantmod)
library(ggplot2)
library(scales)
library(forecast)
library(readr)
library(xts)
library(gridExtra)
library(tidyverse)

E agora podemos pegar as séries que queremos.


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

Nós tratamos as séries, de modo a criar variações diárias para o IBOV e os log retornos para a taxa de câmbio.


df_ibov = tibble(time=as.Date(time(BVSP)),
ibov=BVSP$BVSP.Close) %>%
mutate(dibov = (BVSP$BVSP.Close/lag(BVSP$BVSP.Close,1)-1)*100)

df_cambio = tibble(time=as.Date(time(`BRL=X`)),
cambio = `BRL=X`[,4]) %>%
mutate(log_cambio = diff(log(cambio)))

De posse dos dados tratados, podemos gerar o gráfico abaixo.

O índice Bovespa caiu 7% em relação ao nível obtido no último pregão, fechando aos 105,7 mil pontos. Uma baita ressaca pós-carnaval...

___________________

(*) O código completo desse comentário estará disponível logo mais no Clube do Código.

(**) Aprenda a analisar dados em nossos Cursos Aplicados de R.

___________________


Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.