PIB pode cair até 11% em 2020

O IBGE divulgou na última sexta-feira o resultado do PIB no 1º trimestre de 2020. Como antecipado pelos indicadores de alta frequência, houve uma queda de 1,5% na margem, isto é, contra o 4º tri de 2019. Amanhã, no comentário de conjuntura semanal, eu vou divulgar a atualização do script de R para coleta, tratamento e visualização automatizada dos dados do PIB que utilizamos em nosso Curso de Análise de Conjuntura usando o R. O script torna bem mais simples a tarefa de lidar com esses dados, que são importados para o R diretamente do SIDRA/IBGE com o pacote sidrar.

O resultado do PIB, diga-se, alterou levemente a média e a mediana das expectativas do boletim Focus. Em 22/05, a expectativa média era de crescimento de -5,92%, já em 29/05, houve uma deterioração adicional para -6,16%. Ao longo da semana, as instituições que compõem o Focus devem atualizar as expectativas.

Um ponto que me chamou atenção no boletim Focus divulgado hoje pela manhã é que o crescimento mínimo se manteve em -11%. O gráfico acima ilustra.

Ainda que seja cedo para dizer, pode ser o início de um consenso em torno do fundo do poço para a economia brasileira esse ano.

(*) Isso e muito mais você aprende em nossos Cursos de Macroeconomia Aplicada.

_________________


_________________

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.