Investigando a precedência temporal entre a Taxa de Câmbio e as expectativas da Taxa de Câmbio no Boletim Focus usando o R

Introdução

Neste exercício, buscamos aprofundar a compreensão da dinâmica entre a taxa de câmbio e as expectativas dos agentes econômicos no Brasil, com foco em identificar a direção da precedência temporal entre essas variáveis. O objetivo é entender se as expectativas de câmbio influenciam a taxa de câmbio efetiva ou se o movimento da taxa de câmbio corrente molda as expectativas do mercado.

Precedência Temporal: Câmbio ou Expectativas?

No exercício anterior, investigamos a relação entre a taxa SELIC e as expectativas dos agentes sobre a sua evolução futura. Os resultados mostraram que a SELIC corrente Granger causa as expectativas do mercado, indicando que as decisões do Banco Central têm um papel preponderante na formação das projeções dos agentes econômicos.

Neste novo exercício, aplicamos a mesma metodologia para analisar a taxa de câmbio, buscando entender se o comportamento da moeda é influenciado por expectativas ou se estas são ajustadas em resposta às flutuações cambiais. A diferença metodológica é o foco na taxa de câmbio, que está sujeita a dinâmicas distintas das taxas de juros, dado o seu maior grau de sensibilidade a fatores externos e a eventos de curto prazo.

Resultados Encontrados

Ao contrário do que observamos na relação entre o câmbio e suas expectativas, os resultados para o câmbio revelaram uma dinâmica inversa:

- As expectativas de câmbio Granger causam a taxa de câmbio corrente.

Isso indica que os agentes do mercado antecipam movimentos cambiais e ajustam suas estratégias com base nessas projeções, o que pode se refletir diretamente na evolução da taxa de câmbio. Esse resultado sugere que as expectativas desempenham um papel ativo na formação da taxa de câmbio, o que pode estar relacionado à natureza especulativa do mercado de câmbio e à sua sensibilidade a fatores externos, como políticas monetárias internacionais, preços de commodities e eventos geopolíticos.

Metodologia

O exercício foi desenvolvido nas seguintes etapas:

  1. Coleta de Dados
    Utilizamos dados da taxa de Câmbio corrente, e as expectativas do Boletim Focus para diferentes horizontes temporais:

    • 1 ano (h1);
    • 2 anos (h2);
    • 3 anos (h3);
    • 4 anos (h4).
  2. Tratamento dos Dados
    • Alinhamos as séries temporais para permitir a análise da relação entre a Câmbio e as expectativas.
    • Calculamos o erro absoluto entre a Câmbio realizada e as expectativas passadas, avaliando a precisão das previsões do mercado.
  3. Teste de Estacionariedade
    Aplicamos o Teste de Estacionariedade das séries temporais. O Teste de Granger requer séries estacionárias, então as variáveis não estacionárias foram diferenciadas no nível adequado.
  4. Aplicação do Teste de Causalidade de Granger
    Com as séries estacionárias, aplicamos o Teste de Granger para identificar a direção da causalidade entre o Câmbio corrente e as expectativas dos agentes em diferentes horizontes temporais.
  5. Interpretação dos Resultados
    Analisamos os resultados do teste para entender se as decisões do Banco Central influenciam as expectativas do mercado.

Visualização dos dados

Os gráficos apresentados ilustram a evolução da taxa de Câmbio corrente e das expectativas para diferentes horizontes (1, 2, 3 e 4 anos), permitindo uma análise visual da relação entre elas.

Câmbio x Expectativas

O gráfico abaixo de “Evolução da Câmbio Corrente e Expectativas da Câmbio” mostra a trajetória da Câmbio ao longo do tempo, comparada com as expectativas dos agentes. Observa-se que as expectativas geralmente seguem a tendência da Câmbio, com alguns desvios, especialmente em momentos de maior incerteza econômica.

Erros de Previsão

Os Erros de Previsão são uma métrica para avaliar a precisão de previsões, aqui das expectativas dos agentes em relação ao Câmbio. O gráfico abaixo apresenta o erro absoluto das expectativas para diferentes horizontes, permitindo avaliar a magnitude dos erros de previsão ao longo do tempo. Observa-se que os erros tendem a ser maiores para horizontes mais longos, refletindo a crescente incerteza sobre a política monetária futura.

Causalidade-granger

Estacionariedade e Diferenciação

Antes de realizar a análise de Causalidade de Granger, é fundamental verificar a estacionariedade das séries temporais. A tabela apresentada sumariza os resultados dos testes de estacionariedade (KPSS, ADF e PP) para o câmbio e as expectativas. Observa-se que as séries não são estacionárias em nível, o que exige a aplicação de diferenciação para torná-las estacionárias. A coluna “ndiffs” indica o número de diferenciações necessárias para atingir a estacionariedade.

variable kpss_level adf_level pp_level kpss_trend adf_trend pp_trend ndiffs
h1 1 1 1 1 1 1 1
h2 1 1 1 1 1 1 1
h3 1 1 1 1 1 1 1
h4 1 1 1 1 1 1 1
cambio 1 1 1 1 1 1 1

Granger-causa

Horizonte de 1 ano

Câmbio Corrente -> Expectativas da Taxa de Câmbio

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 1.195736 0.3049685

Expectativas da Taxa de Câmbio -> Câmbio Corrente

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 17.70624 1e-07

Horizonte de 2 anos

Câmbio Corrente -> Expectativas da Taxa de Câmbio

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 0.4496059 0.6386227

Expectativas da Taxa de Câmbio -> Câmbio Corrente

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 24.47242 0

Horizonte de 3 anos

Câmbio Corrente -> Expectativas da Taxa de Câmbio

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 0.2789923 0.7568854

Expectativas da Taxa de Câmbio -> Câmbio Corrente

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 16.46681 3e-07

Horizonte de 4 ano

Câmbio Corrente -> Expectativas da Taxa de Câmbio

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 0.0286839 0.9717282

Expectativas da Taxa de Câmbio -> Câmbio Corrente

Res.Df Df F Pr(>F)
173 NA NA NA
175 -2 21.94311 0

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Boletim AM

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

Boletim AM

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

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.