Incerteza permanece elevada no Brasil

Ontem, a FGV divulgou o seu Índice de Incerteza Econômica Brasil. Como esperado, houve um aumento em agosto. Com efeito, a incerteza permanece acima da média histórica. Para ilustrar, podemos usar o ggplot2 para construir um gráfico da série. Para começar, carregamos alguns pacotes.

1
2
3
4
5
6
library(readr)
library(ggplot2)
library(scales)
library(png)
library(grid)
library(ggrepel)

Nós importamos, então, o arquivo incerteza.csv com o pacote readr, que faz parte dos pacotes tidyverse.

1
2
3
4
data = read_csv2('incerteza.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double()))

E agora que temos os dados, podemos gerar um gráfico com o código abaixo.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
img <- readPNG('logo.png')
g <- rasterGrob(img, interpolate=TRUE)
 
ggplot(tail(data,72), aes(tail(date,72), tail(iie_br,72)))+
annotate("rect", fill = "#336666", alpha = 0.3,
xmin = as.Date('2015-08-01'),
xmax = as.Date('2015-10-01'),
ymin = -Inf, ymax = Inf)+
annotate("rect", fill = "#336666", alpha = 0.3,
xmin = as.Date('2018-05-01'),
xmax = as.Date('2018-07-01'),
ymin = -Inf, ymax = Inf)+
geom_line(size=.8)+
geom_hline(yintercept=mean(data$iie_br),
colour='red', linetype='dashed')+
scale_x_date(breaks = date_breaks("3 month"),
labels = date_format("%b/%Y"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(x='', y='Índice',
title='Índice de Incerteza Econômica Brasil',
caption = 'Fonte: analisemacro.com.br com dados da FGV')+
theme(panel.background = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.background = element_rect(fill='#8abbd0'),
axis.line = element_line(colour='black',
linetype = 'dashed'),
axis.line.x.bottom = element_line(colour='black'),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.background = element_rect((fill='#acc8d4')),
legend.key = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.margin=margin(5,5,15,5))+
annotation_custom(g,
xmin=as.Date('2013-08-01'),
xmax=as.Date('2015-01-01'),
ymin=110, ymax=130)+
geom_label_repel(label=round(tail(data$iie_br,72),2),
hjust=0,
vjust=-.2,
color = c(rep(NA,72-1), rep('black',1)),
fill = c(rep(NA,72-1), rep('lightblue',1)))

E o gráfico...

 

O índice registrou 114,2 pontos em agosto, acima da média representada pela linha vermelha tracejada. Aliás, diga-se, o índice vem se mantendo acima da média histórica desde 2015. Abaixo, colocamos um boxplot da série.

1
2
3
4
5
ggplot(data, aes(date, iie_br))+
geom_boxplot(fill='#8abbd0', color="black")+coord_flip()+
theme_classic()+xlab('')+ylab('')+
labs(title='Boxplot IIE-Br',
caption='Fonte: analisemacro.com.br')

Como se pode ver no boxplot acima, o valor registrado em agosto está no último quartil. Em outras palavras, a incerteza permanece elevada no país.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

Otimizando um Portfólio de Investimentos com Machine Learning

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.

Como usar IA + Python para o Mercado Financeiro?

Neste post, mostramos como a Inteligência Artificial, aliada à linguagem Python, está revolucionando o mercado financeiro. Exploramos as principais áreas onde essa tecnologia pode ser aplicada — como gestão de carteiras, análise de demonstrações contábeis, estratégias quantitativas, trading e análise macroeconômica — com foco em aplicações práticas e exemplos voltados para o contexto brasileiro.

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.