Prêmio do Swap pré-DI 360 no Python

No post de hoje, continuamos com a série de postagens envolvendo exercícios de Macroeconometria no Python, investigando dessa vez a relação entre o Swap pré-DI 360 dias e a Expectativas da Selic de acordo com o Focus. Estimamos ao fim, por meio de um 2SLS com instrumentos o Prêmio.

O objetivo do exercício será modelar a curva para o prêmio do Swap pré-DI de 360 dias frente, por meio da seguinte equação, com base no RTI de Junho/2017.

(1)    \begin{align*} premio_t = \gamma_0 + \sum_{i>0} \gamma_{1i} premio_{t-i} + \gamma_2 rispa_{t} + v_t \end{align*}

Onde $premio_t$ é o diferencial entre a taxa swap pré-DI de 360 dias e a expectativa para a taxa Selic para o período do contrato do swap; $rispa_t$ é uma variável representativa do prêmio de risco do país (Embi ou CDS 5 anos, por exemplo); e $v_t$ é um termo de erro.

Para obter todo o código do processo de criação do modelo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

O gráfico abaixo mostra a estreita relação entre a taxa swap pré-DI 360 dias e a expectativa para a taxa Selic 12 meses à frente de acordo com a pesquisa Focus. Podemos então extrair o prêmio pela diferença entre as duas séries.

Com a coleta e tratamento dos dados por meio do Python, obtemos os seguintes resultados da regressão exposta acima.

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada  e aprenda a criar projetos voltados para a Macroeconomia.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como se comportou a Taxa de Participação no Brasil nos últimos anos? Uma Análise com a Linguagem R

O objetivo deste estudo é analisar a evolução da Taxa de Participação no Brasil, contrastando-a com a Taxa de Desocupação e decompondo suas variações para entender os vetores (populacionais e de força de trabalho) que influenciam o comportamento atual do mercado de trabalho. Para isso, utilizamos a linguagem R em todo o processo, desde a coleta e o tratamento das informações até a visualização dos resultados, empregando os principais pacotes disponíveis no ecossistema da linguagem.

Como se comportou a inflação de serviços no Brasil nos últimos anos?

Uma análise econométrica da inflação de serviços no Brasil comparando os cenários de 2014 e 2025. Utilizando uma Curva de Phillips própria e estimativas da NAIRU via filtro HP, investigamos se o atual desemprego nas mínimas históricas repete os riscos do passado. Entenda como as expectativas de inflação e o hiato do desemprego explicam o comportamento mais benigno dos preços atuais em relação à década anterior.

Como se comportou o endividamento e a inadimplência nos últimos anos? Uma análise utilizando a linguagem R

Neste exercício realizamos uma análise sobre a inadimplência dos brasileiros no período recente, utilizando a linguagem R para examinar dados públicos do Banco Central e do IBGE. Investigamos a evolução do endividamento, da inadimplência e das concessões de crédito, contextualizando-os com as dinâmicas da política monetária (Taxa Selic) e do mercado de trabalho (renda e desemprego).

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.