Obtendo valores deflacionados com o R

[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"]

Uma dúvida muito comum entre os alunos dos Cursos Aplicados em R da Análise Macro é como obter valores deflacionados ou reais. De forma a ilustrar o processo, vamos pegar os saldos de transações de crédito total, pessoa física e pessoa jurídica a partir do pacote BETS do Sistema de Séries Temporais do Banco Central. Esse foi, a propósito, o exercício 39 do Clube do Código.


total = window(BETS.get(20539), start=c(2007,03))
pj = BETS.get(20540)
pf = BETS.get(20541)

[/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"]

Abaixo os gráficos das séries...


times = seq(as.Date('2007-03-01'), as.Date('2018-04-01'), 
by='1 month')
df = data.frame(time=times, total=total,
pj=pj, pf=pf)
ggplot(df, aes(x=time))+
geom_line(aes(y=total/1000, colour='Total'), size=.8)+
geom_line(aes(y=pj/1000, colour='Pessoa Jurídica'), size=.8)+
geom_line(aes(y=pf/1000, colour='Pessoa Física'), size=.8)+
scale_colour_manual('', values=c('Total'='blue',
'Pessoa Jurídica'='darkgreen',
'Pessoa Física'='red'))+
theme(legend.position = 'top')+
xlab('')+ylab('R$ milhões')+
labs(title='Saldo de Operações de Crédito (R$ milhões)',
subtitle='Valores Correntes',
caption='Fonte: elaboração própria com dados do BCB.')+
scale_y_discrete(limits=c(500,1000,1500,2000,2500,3000))+
scale_x_date(breaks = date_breaks("1 years"),
labels = date_format("%Y"))+
annotate("rect", fill = "lightblue", alpha = 0.3, 
xmin = as.Date('2016-01-01'), 
xmax = as.Date('2018-04-01'),
ymin = -Inf, ymax = Inf)

As séries estão, naturalmente, em valores correntes ou nominais. De forma a colocá-las em valores reais, precisamos de um deflator. Com o código abaixo, por suposto, importamos o número-índice do IPCA da base de dados SIDRA do IBGE, com o pacote SidraR.


ipca = get_sidra(api='/t/1737/n1/all/v/2266/p/all/d/v2266%2013')
ipca = ts(ipca$Valor, start=c(1979,12), freq=12)
ipca = window(ipca, start=start(total))

De posse do número-índice do IPCA, podemos aplicar a seguinte fórmula sobre as nossas séries:

(1) $\begin{align*} V_{r} = V_{t} \times \begin{pmatrix} \frac{I_{k}}{I_{t}} \end{pmatrix} \end{align*}$

onde o valor real $V_{r}$ será obtido multiplicando o valor nominal em $t$ pela razão entre o índice de preço no período $k$ e no período $t$ . Em assim sendo, podemos trazer os valores das nossas séries aos preços de abril de 2018, com o código a seguir.


credito = ts.intersect(total, pf, pj)
credito.real = credito*(ipca[length(ipca)]/ipca)
colnames(credito.real) = colnames(credito)

Abaixo comparamos os valores reais e nominais do saldo de transações de crédito total.

[/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_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"]

Variações Nominais vs. Variações Reais

Por suposto, podemos construir variações sobre valores reais e nominais. Caso, façamos, por exemplo, uma variação acumulada em 12 meses dos valores nominais, tudo o que teremos será uma variação nominal. Veja, por exemplo, com o código abaixo.


anual = (credito/lag(credito,-12)-1)*100
colnames(anual) = colnames(credito)

E abaixo um gráfico.

Podemos, agora, transformar essas variações nominais em reais de duas formas. Primeiro, podemos simplesmente fazer a mesma operação acima, mas utilizando as séries reais que construímos acima.


anual.real = (credito.real/lag(credito.real,-12)-1)*100
colnames(anual.real) = colnames(credito)

Ou podemos aplicar a fórmula

(2) $\begin{align*} \Delta_{real} = \begin{bmatrix} \begin{pmatrix} \frac{1 + (V_{nom}/100)}{1+ (\pi/100)} \end{pmatrix}-1 \end{bmatrix} \times 100 \end{align*}$

onde, $\pi$ é a inflação do período. O código abaixo operacionaliza.


ipca2 = window(BETS.get(13522), start=c(2008,03))
anual = (credito/lag(credito,-12)-1)*100
anual.real2 = (((1+(anual/100))/(1+(ipca2/100)))-1)*100
colnames(anual.real2) = colnames(credito)

Uma vez calculadas as variações das séries, plotamos um gráfico, como abaixo.

Update: por óbvio, para rodar o código é preciso carregar os pacotes BETS, ggplot2, sidrar e scales.

[/et_pb_image][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como usar automação com Python e IA na análise de ações

Análise de ações com IA - um guia inicial

Quais são as ferramentas de IA?

Otimizando um Portfólio de Investimentos com Machine Learning

Como usar IA + Python para o Mercado Financeiro?

Como otimizar um portfólio de investimentos no Python?

Outros artigos relacionados

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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!