Análise de Crédito no Python com Dados do Banco Central

Para fazer uma análise de dados de crédito no Python, você coleta as séries oficiais do Banco Central (concessões, taxa de juros, spread e inadimplência) e monta, em poucas linhas, um painel do mercado de crédito brasileiro. Este guia mostra como, do dado bruto ao gráfico.

O crédito é um dos termômetros mais sensíveis da economia: reage rápido quando a atividade aquece e quando o Banco Central mexe nos juros. Abaixo você vê o retrato que vamos construir, com dados reais até 2026, e o caminho para reproduzi-lo.

As concessões saíram de cerca de R$ 200 bilhões/mês em 2011 para perto de R$ 700 bilhões em 2026. Mas cuidado: esse gráfico é nominal, e parte da alta é só inflação. O tutorial mostra como separar o crescimento do crédito do efeito dos preços.

O que é análise de dados de crédito

Analisar o mercado de crédito é acompanhar quanto se empresta, para quem, de que tipo e a que custo. Cada uma dessas dimensões tem uma série pública no Banco Central, e juntas elas descrevem o momento do consumo e do investimento.

A fonte de tudo é o SGS, o Sistema Gerenciador de Séries Temporais do Banco Central. É um banco de dados aberto com milhares de séries econômicas, cada uma com um código numérico. No Python, a biblioteca python-bcb busca essas séries direto, sem download manual.

Como o pipeline foi montado

O trabalho segue quatro etapas, sempre dentro do Python. Nenhuma delas exige planilha ou copiar e colar dado: tudo vem por API e vira gráfico no mesmo script.

Concessões: quem toma e de que tipo

A primeira quebra é por tomador. O crédito a pessoa física (famílias) e a pessoa jurídica (empresas) andava junto até por volta de 2019. A partir de 2020, a pessoa física descola e passa a liderar as novas concessões.

A segunda quebra é por tipo de recurso. No crédito livre, banco e cliente negociam a taxa (cartão, capital de giro, cheque especial). No crédito direcionado, a destinação e o custo seguem regra ou programa público (imobiliário, rural, BNDES). O livre domina e cresce mais rápido; o direcionado é menor e mais estável.

Por que deflacionar muda a história

Deflacionar é remover o efeito da inflação de uma série em reais, para comparar o poder de compra entre datas diferentes. Sem isso, uma alta nas concessões pode ser só o real valendo menos, e não mais crédito concedido.

A conta usa o índice do IPCA: divide-se o índice da data mais recente pelo índice de cada mês, e o resultado multiplica o valor nominal. O efeito é grande. Em termos reais, o crédito recuou de 2011 até 2016-2017, o auge da recessão, e só depois retomou, algo que a série nominal esconde.

O próximo passo: dessazonalizar

Deflacionar corrige a inflação, mas não o calendário. Séries mensais de crédito repetem um padrão todo ano (dezembro forte, começo do ano fraco), e esse efeito sazonal atrapalha comparar um mês com o anterior. Para análise de conjuntura mês a mês, a etapa seguinte é o ajuste sazonal (por métodos como o X-13ARIMA-SEATS, o mesmo do IBGE e do Banco Central), que separa a série em tendência, sazonalidade e ruído. Aqui trabalhamos com as séries brutas; o ajuste sazonal fica como o passo natural para quem for adiante.

Juros, spread e inadimplência

Volume é metade da história; a outra metade é o preço e o risco do crédito. O spread bancário é a diferença entre a taxa que o banco cobra e o seu custo de captação, a margem da operação. A inadimplência é a fatia da carteira em atraso relevante, o sinal de estresse.

Os três reagem ao ciclo e à política monetária. Juros e spread sobem quando o Banco Central aperta e quando o risco cresce; a inadimplência responde com defasagem, subindo depois que o crédito encarece e a atividade esfria.

O retrato do crédito hoje

Os últimos valores das séries, para maio de 2026, resumem o estado do mercado de crédito brasileiro:

Indicadores do mercado de crédito, maio de 2026. Fonte: BCB/SGS.

As ferramentas por trás

Python — reúne coleta, tratamento, cálculo e gráfico num único script.

O que o painel revela

Vá além: outras séries para explorar

O SGS tem milhares de séries, e o crédito é muito maior do que as oito deste guia. Com o mesmo caminho (achar o código no SGS e coletar), fica o desafio de expandir a análise por conta própria. Algumas frentes para explorar:

• Crédito por modalidade da PF: cartão, cheque especial, consignado, veículos, cada um com sua taxa e inadimplência.
• Endividamento e comprometimento de renda das famílias: quanto da renda mensal vai para pagar dívidas.
• Saldo da carteira de crédito: o estoque total em aberto, e sua relação com o PIB.
• Juros e inadimplência separados por PF, PJ ou modalidade: o risco não é igual em todo lugar.

Considerações finais

Este exercício mostra o que o Python entrega para quem acompanha a economia: reproduzir, com dados públicos e poucas linhas, um painel de crédito antes restrito a áreas de pesquisa de banco. O dado sai da fonte oficial e vira gráfico no mesmo lugar.

A vantagem da linguagem é reunir tudo num fluxo só: coleta por API, tratamento com pandas, deflacionamento e visualização. Quando o Banco Central atualiza a série, basta rodar o script de novo e o painel se atualiza.

O alcance vai além do crédito. O mesmo caminho (coletar, tratar, deflacionar e visualizar) se repete em quase todo problema de conjuntura. O que muda é a aplicação:

• Economista: monta o painel de crédito do relatório de conjuntura em minutos, sempre atualizado.
• Analista de risco / crédito: acompanha inadimplência e spread do sistema como referência de mercado.
• Gestor / investidor: lê o ciclo de crédito para antecipar o momento do consumo e da atividade.
• Jornalista / pesquisador: checa e visualiza dados oficiais do Banco Central sem depender de terceiros.

Aprender a coletar e tratar esses dados é o que abre a porta para todas essas frentes.

Leia também:

• Como medir o ciclo das concessões de crédito usando Python
• Como dessazonalizar uma série temporal no Python