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

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

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.