Medindo o efeito da volatilidade sobre a taxa de câmbio R$/US$

[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"]

No último comentário de conjuntura, levantei a hipótese de que o choque no índice de volatilidade VIX no final de janeiro, início de fevereiro, teria iniciado o processo de overshooting que estamos observando com a taxa de câmbio R$/US$. De modo a melhor testar essa hipótese, a 42ª edição do Clube do Código traz um exercício que procura verificar o impacto no câmbio de um choque no índice de volatilidade por meio de funções de impulso-resposta. Para que isso fosse possível, primeiro tivemos que tratar os dados, de modo a torná-los comparáveis.

[/et_pb_text][/et_pb_column][et_pb_column type="1_2"][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/09/cliqueaqui.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" 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="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"]

Após o devido tratamento, as séries ficaram da forma abaixo.

Com as séries devidamente tratadas, nós investigamos, primeiro, a direção de causalidade entre elas. Ao aplicar o procedimento de Toda-Yamamoto, verificamos, como esperado, que o índice de volatilidade ajuda a explicar a taxa de câmbio, enquanto não encontramos evidências sobre o caso contrário. Isso feito, verificamos a existência de cointegração entre as séries de modo a construir um modelo de correção de erros. Com efeito, verificamos as funções de impulso-resposta, de modo a investigar a resposta do câmbio a um impulso na volatilidade. O gráfico abaixo ilustra.

Há, desse modo, evidências de que um choque no índice de volatilidade tem efeitos na taxa de câmbio. Dado que a série não é estacionária, esse choque tende a ser incorporado à série. Tal evidência, por suposto, ajuda a explicar o comportamento recente da série, em particular o seu overshooting. Por fim, como de hábito, os códigos estarão disponíveis daqui a pouco para os membros do Clube do Código em um pdf detalhado.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/cursos-de-r/" url_new_window="off" use_overlay="off" animation="off" 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_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Colocar modelos em produção pode ser um grande desafio. Lidar com custos monetários, infraestrutura operacional e complexidades de códigos e ferramentas pode acabar matando potenciais projetos. Uma solução que elimina todos estes obstáculos é a recém lançada Shinylive. Neste artigo mostramos um exemplo com um modelo de previsão para o preço do petróleo Brent.

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

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.