Entendendo a desinflação da economia brasileira - Parte I

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A inflação medida pelo IPCA de março, divulgada na última sexta-feira, mostrou avanço de 0,25%. No acumulado em 12 meses, a inflação fechou em 4,57%. Esse valor é -0,19 p.p. em relação ao de fevereiro e de -4,82 p.p. em relação a março do ano passado. Ademais, a difusão da inflação foi calculada em 55,76% , ante 69,44% no mesmo mês do ano anterior. A tabela ao lado traz um resumo do comportamento da inflação cheia e dos núcleos de inflação.

A média da variação mensal dos cinco núcleos de inflação construídos pelo Banco Central evoluiu -0,18 p.p. na comparação interanual. Em março de 2016, ela foi de 0,44%, enquanto em 2017 foi de 0,27%. No acumulado em 12 meses, por outro lado, a média saiu de 8,03% para 5%, mostrando uma desaceleração do processo inflacionário.

O gráfico abaixo mostra o comportamento da inflação desde janeiro de 2006, quando a meta passou a ser de 4,5% A área hachurada, por seu turno, destaca o arrefecimento da inflação no período recente. Desde agosto do ano passado, por suposto, o processo de desinflação tem sido intensificado.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_code admin_label="Código"]<!-- html table generated in R 3.2.3 by xtable 1.8-2 package --> <!-- Mon Apr 10 19:24:01 2017 --> <table border=1> <caption align="top"> IPCA vs. Núcleos de Inflação (%) </caption> <tr> <th> </th> <th> Mensal Mar/17 </th> <th> Mensal Mar/16 </th> <th> Anual Mar/17 </th> <th> Anual Mar/16 </th> </tr> <tr> <td> IPCA </td> <td align="center"> 0,25 </td> <td align="center"> 0,43 </td> <td align="center"> 4,57 </td> <td align="center"> 9,39 </td> </tr> <tr> <td> Médias Aparadas com Suaviz. </td> <td align="center"> 0,28 </td> <td align="center"> 0,61 </td> <td align="center"> 5,61 </td> <td align="center"> 8,77 </td> </tr> <tr> <td> Médias Aparadas sem Suaviz. </td> <td align="center"> 0,24 </td> <td align="center"> 0,48 </td> <td align="center"> 4,54 </td> <td align="center"> 7,64 </td> </tr> <tr> <td> Exclusão Monit. e Adm. </td> <td align="center"> 0,14 </td> <td align="center"> 0,42 </td> <td align="center"> 4,60 </td> <td align="center"> 7,24 </td> </tr> <tr> <td> Exclusão 2 </td> <td align="center"> 0,42 </td> <td align="center"> 0,23 </td> <td align="center"> 5,51 </td> <td align="center"> 7,95 </td> </tr> <tr> <td> Dupla Ponderação </td> <td align="center"> 0,25 </td> <td align="center"> 0,48 </td> <td align="center"> 5,73 </td> <td align="center"> 8,53 </td> </tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot1-2.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Cabe, nesse ponto, a ressalva de que a inflação brasileira não apenas tem sido persistente e crescente, como também difundida nos últimos anos. O comportamento do índice de difusão abaixo deixa isso bastante claro. Na margem, ademais, a difusão também tem caído, o que mostra um processo de desinflação consolidado.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot21.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="1_2"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

A tabela ao lado, por suposto, abre a inflação medida pelo IPCA pelos seus nove grupos. Observe que a inflação acumulada em 12 meses no grupos Alimentos e Bebidas saiu de 13,25% em março de 2016 para 4,04% em março de 2017, refletindo basicamente o choque positivo nesse grupo, como analisamos em post anterior. A inflação no grupo Habitação também sofreu forte desaceleração, saindo de 8,43% para 4,47% na mesma base de comparação, enquanto a inflação no grupo Artigos para Residência saiu de 6,67% para 1%. Os grupos Saúde e Cuidados Pessoais e Comunicação, pelo contrário, ainda mostram resistência. O gráfico abaixo abre a contribuição dos nove grupos para a inflação acumulada em 12 meses.

 

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/04/plot3.png" show_in_lightbox="on" url_new_window="off" use_overlay="off" animation="left" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid"] [/et_pb_image][/et_pb_column][et_pb_column type="1_2"][et_pb_code admin_label="Código"]<!-- html table generated in R 3.2.3 by xtable 1.8-2 package --> <!-- Mon Apr 10 19:34:37 2017 --> <table border=1> <caption align="top"> Grupos do IPCA (%) </caption> <tr> <th> </th> <th> Mensal Mar/17 </th> <th> Mensal Mar/16 </th> <th> Anual Mar/17 </th> <th> Anual Mar/16 </th> </tr> <tr> <td> IPCA </td> <td align="center"> 0,25 </td> <td align="center"> 0,43 </td> <td align="center"> 4,57 </td> <td align="center"> 9,39 </td> </tr> <tr> <td> Alimentação </td> <td align="center"> 0,34 </td> <td align="center"> 1,24 </td> <td align="center"> 4,04 </td> <td align="center"> 13,25 </td> </tr> <tr> <td> Habitação </td> <td align="center"> 1,18 </td> <td align="center"> -0,64 </td> <td align="center"> 4,47 </td> <td align="center"> 8,43 </td> </tr> <tr> <td> Artigos de Residência </td> <td align="center"> -0,29 </td> <td align="center"> 0,70 </td> <td align="center"> 1,00 </td> <td align="center"> 6,67 </td> </tr> <tr> <td> Vestuário </td> <td align="center"> -0,12 </td> <td align="center"> 0,69 </td> <td align="center"> 2,20 </td> <td align="center"> 5,94 </td> </tr> <tr> <td> Transportes </td> <td align="center"> -0,86 </td> <td align="center"> 0,16 </td> <td align="center"> 1,77 </td> <td align="center"> 8,08 </td> </tr> <tr> <td> Comunicação </td> <td align="center"> -0,63 </td> <td align="center"> -1,65 </td> <td align="center"> 2,74 </td> <td align="center"> 2,35 </td> </tr> <tr> <td> Saúde e Cuidados Pessoais </td> <td align="center"> 0,69 </td> <td align="center"> 0,78 </td> <td align="center"> 10,34 </td> <td align="center"> 10,21 </td> </tr> <tr> <td> Despesas pessoais </td> <td align="center"> 0,52 </td> <td align="center"> 0,60 </td> <td align="center"> 6,65 </td> <td align="center"> 9,15 </td> </tr> <tr> <td> Educação </td> <td align="center"> 0,95 </td> <td align="center"> 0,63 </td> <td align="center"> 8,30 </td> <td align="center"> 9,14 </td> </tr> </table>[/et_pb_code][/et_pb_column][/et_pb_row][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

No próximo post, analisamos os subgrupos da inflação medida pelo IPCA. Enquanto isso, veja os cursos da Análise Macro com inscrições abertas abaixo. No Clube do Código, ademais, você tem acesso a todos os códigos desse exercício.

 

[/et_pb_text][/et_pb_column][/et_pb_row][et_pb_row admin_label="Linha"][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Conheça o Clube do Código" button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/teoria-macroeconomica/" url_new_window="off" button_text="Curso de Teoria Macroeconômica" button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][et_pb_column type="1_3"][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/macroeconometria/" url_new_window="off" button_text="Curso de Macroeconometria usando o R " button_alignment="center" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/et_pb_column][/et_pb_row][/et_pb_section]

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.