Momento atual atinge novo patamar de preocupação

A crise provocada pelo avanço do coronavírus pelo mundo e pela queda de braço dentro da Opep atingiu um novo patamar de preocupação. A sequência inédita de circuit breakers nas bolsas internacionais (que continuam nessa segunda-feira) é um forte indicador do momento crítico que estamos vivendo. Com efeito, vamos dar uma olhada em alguns desses indicadores com o R. A seguir carregamos alguns pacotes.


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

Baixamos a seguir o índice Bovespa, a taxa de câmbio e o índice VIX.


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

Colocamos um gráfico das três séries logo abaixo.

O momento tenso também pode ser visto de um outro ponto de vista. Através da variação do índice bovespa. Colocamos um gráfico abaixo.

Não há precedentes sobre o que está ocorrendo no mundo. Nem mesmo a crise de 2008 gerou uma sequência de quedas tão fortes como o que estamos vendo aqui. Não por outro motivo, o Federal Reserve alterou ontem a meta para a taxa básica de juros, colocando-a entre 0% e 0,25%, além de anunciar um pacote gigantesco de apoio ao sistema financeiro. Abaixo, colocamos um gráfico com o avanço do coronavírus em países selecionados (Brasil, incluído).

Com dados atualizados até 15/03, segundo o CSSE da Johns Hopkins, o total de casos confirmados atinge 167,4 mil. Para além disso, como é possível ver na curva acima, o crescimento do número de casos segue em trajetória exponencial. Não por outro motivo, medidas de lockdown são tão necessárias, de modo a não sobrecarregar os sistemas de saúde. O gráfico a seguir ilustra o formato da curva de crescimento dos casos confirmados, tomando a média diária mundial.

Com todo esse contexto, não surpreende que as perspectivas para o boletim Focus tenham se deteriorado. O gráfico a seguir ilustra.

Ao longo da semana, vou mostrar como é possível usar o R para analisar a montanha de dados que temos à disposição sobre a crise. De casa, em quarentena! 🙂

(*) 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.