Crescimento esperado para 2020 começa a cair

Nas semanas anteriores, o IBGE divulgou os dados de nível de atividade das pesquisas de alta frequência (PMC, PMS e PIM-PF) referentes a dezembro. O Banco Central também divulgou o seu indicador de nível de atividade, o IBC-Br. Os resultados foram negativos na margem, mostrando uma dissipação dos efeitos do FGTS no quarto trimestre. Com efeito, há um início de revisão pelas instituições participantes do boletim Focus na expectativa de crescimento para esse ano.

Há uma semana era esperado crescimento de 2,3% para 2020. Agora, o crescimento está em torno de 2,23%. A piora nos indicadores de nível de atividade mostra que a recuperação da economia brasileira ainda é bastante incipiente. Corrobora com esse cenário a permanência dos núcleos de inflação no limite inferior da meta.

Esse cenário de atividade fraca e núcleos inflação mostrando ociosidade ainda elevada começa a levar a uma revisão na expectativa de juros para o ano que vem. Os participantes do TOP5 Médio Prazo já enxergam uma taxa de juros de 5,75% no final de 2021, abaixo dos 6,25% que eram projetados há quatro semanas. A mediana do mercado também revisou a expectativa para 6% na semana passada.

A semana, por fim, é marcada pela divulgação do IPCA-15 e pelos dados do CAGED.

(*) Isso e muito mais você aprende 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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

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.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com 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.