Relatório AM #12 - PIM-PF

No Relatório AM dessa semana, vamos visualizar os movimentos recentes da PIM-PF e apresentar os resultados de nossas previsões para as próximas duas observações desse índice, baseados em modelos estatísticos de ponta. Abaixo, reportamos a pesquisa em suas três principais divisões, e também o índice da indústria automotiva, que possui grande influência sobre o total. Como podemos ver, tal setor ainda não se recuperou, especialmente em comparação com o geral da indústria de transformação, como resultado de choques de oferta na cadeia de produção de veículos.

Também podemos observar as diferenças nos comportamentos de cada índice em sua variação interanual. É interessante notar a natureza mais volátil da indústria extrativa, enquanto que a de automóveis, que era particularmente estável até a pandemia, teve um congelamento quase total, o que causa números tão grandes em seu gráfico.

Para finalizar, apresentamos abaixo os resultados de nosso modelo de previsão para a variação interanual da indústria geral.

________________________

(*) Para entender mais sobre nível de atividade e análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.

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.