Indicadores

Relatório #38 - Análise de dados de Crédito no R

By 14 de fevereiro de 2022 No Comments

Mercado de crédito

O Mercado de crédito compreende-se como um sistema no qual ocorrem trocas financeiras, visando repassar o dinheiro dos poupadores para os tomadores. Esse mercado tem uma importância significativa nos países, principalmente no Brasil, de forma que empresas e pessoas consigam financiamento e empréstimos , estimulando novas formas de negócio e promovendo a dinâmica da economia. Para a análise do Mercado de Crédito, podemos acompanhar as concessões totais de créditos por tomadores, bem como a taxa média de juros dessas operações para que possamos compreender o momento macroeconômico do país. No post de hoje, iremos ensinar a como coletar esses indicadores e também a dessazonalizar e deflacionar as concessões de crédito. Esse exercício faz parte do nosso Curso de Análise de Conjuntura com o R, onde ensinamos a coletar, tratar e visualizar os dados do Mercado de Crédito.

Pacotes

# Carregar pacotes
library(GetBCBData)
library(magrittr)
library(dplyr)
library(ggplot2)
library(scales)
library(tidyr)
library(deflateBR)
library(lubridate)
library(ggseas)
library(stringr)
library(zoo)

</pre>
## Funções e objetos úteis

# Cores para gráficos e tabelas
colors <- c(
blue = "#282f6b",
red = "#b22200"
)

# Fonte para gráficos e tabelas
foot_ibge <- "Fonte: analisemacro.com.br com dados do BCB."

# Definir padrão de gráficos
ggplot2::theme_set(
theme(
plot.title = ggplot2::element_text(size = 15, hjust = 0, vjust = 2)
)
)

Código das séries

Para a coleta dos dados, devemos ter em mãos as séries disponibilizadas pelo Sistema Gerenciados de Séries Temporais do Banco Central. Através delas, coletamos os dados com o pacote {GetBCBData}.

</pre>
## Parâmetros e códigos para coleta de dados
parametros <- c(
# Concessões de crédito - Total - R$ (milhões)
"Concessões de crédito - Total" = 20631,

# Concessões de crédito - Pessoas jurídicas - Total - R$ (milhões)
"Concessões de crédito - PJ" = 20632,

# Concessões de crédito - Pessoas físicas - Total - R$ (milhões)
"Concessões de crédito - PF" = 20633,

# Taxa média de juros das operações de crédito - Total - % a.a.
"Taxa média de juros das operações de crédito" = 20714
)
<pre>
</pre>
## Coleta dos dados

# Dados do BCB (tidy)
raw_dados <- GetBCBData::gbcbd_get_series(
id = parametros,
first.date = "2000-01-01",
use.memoise = FALSE
)
<pre>

Tratamento

Realizamos o tratamento de forma que possamos deflacionar as séries e visualizá-las.

</pre>
## Tratamento dos dados

# Dados tratados em formato long
dados <- raw_dados %>%
dplyr::select(
"date" = ref.date,
"variable" = series.name,
value
)

# Deflacionar variáveis selecionadas (concessões)
concessoes <- dados %>%
dplyr::filter(
variable %in% c(
"Concessões de crédito - Total",
"Concessões de crédito - PJ",
"Concessões de crédito - PF"
)
) %>%
tidyr::pivot_wider(
id_cols = date,
names_from = variable,
values_from = value
) %>%
dplyr::mutate(
dplyr::across(
-date,
~deflateBR::deflate( # deflacionar séries com o IPCA
nominal_values = .,
nominal_dates = date %m+% months(1),
real_date = format(tail(date, 1), "%m/%Y"),
index = "ipca"
)
)
) %>%
tidyr::pivot_longer(
cols = -date,
names_to = "variable",
values_to = "value"
)
<pre>

Concessões mensais de crédito

concessoes %>% 
dplyr::filter(variable == "Concessões de crédito - Total") %>% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value/1000)) +
ggseas::stat_seas( # dessazonalizar série com X13
start = c(2011, 03), 
frequency = 12,
colour = unname(colors["blue"])
) +
ggplot2::labs(
x = "", 
y = "R$ Bilhões", 
title = "Concessões mensais de crédito",
subtitle = paste0(
"Valores dessazonalizados e deflacionados pelo IPCA - preços de ", 
format(tail(concessoes$date, 1), "%b/%Y")
),
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
)

Concessões de Crédito: PJ x PF

concessoes %>% 
dplyr::filter(variable %in% c("Concessões de crédito - PJ", "Concessões de crédito - PF")) %>% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value/1000, colour = variable)) +
ggseas::stat_seas( # dessazonalizar série com X13
start = c(2011, 03), 
frequency = 12
) +
ggplot2::labs(
x = "", 
y = "R$ Bilhões", 
title = "Concessões mensais de crédito: PF vs. PJ",
subtitle = paste0(
"Valores dessazonalizados e deflacionados pelo IPCA - preços de ", 
format(tail(concessoes$date, 1), "%b/%Y")
),
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
) +
ggplot2::scale_color_manual(NULL, values = unname(colors[1:2])) +
ggplot2::theme(legend.position = "bottom")

Taxa média de Juros

dados %>% 
dplyr::filter(variable == "Taxa média de juros das operações de crédito") %>% 
ggplot2::ggplot(ggplot2::aes(x = date, y = value)) +
ggplot2::geom_line(size = 1, colour = unname(colors[1])) +
ggplot2::labs(
x = "", 
y = "% a.a.", 
title = "Taxa média de juros das operações de crédito - Total",
caption = foot_ibge) +
ggplot2::scale_x_date(
breaks = scales::date_breaks("1 year"),
labels = scales::date_format("%Y")
)

Oferta Especial!

No próximo dia 17, das 9h às 19h da manhã, você terá a chance de participar do pré-lançamento do treinamento Análise de Dados Macroeconômicos e Financeiros no R. Para concorrer a uma das vagas com desconto, acesse o link e conheça os detalhes.

____________________

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente