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

Análise do Censo Demográfico com o R

Como podemos analisar dados do Censo Demográfico para produzir pesquisas e implementar políticas públicas? Mostramos nesta postagem o resultado de uma breve análise dos dados preliminares do Censo Demográfico de 2022 usando o R.

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.

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.