Desemprego deve permanecer estável ao longo do ano

O IBGE divulgou na última terça-feira os resultados da PNAD Contínua para o trimestre móvel encerrado em março. Como comentei no comentário de conjuntura dessa semana, as notícias não foram boas. A taxa de desemprego ficou em 12,7%, enquanto a taxa dessazonalizada ficou em 12%, apenas 0,1 p.p. abaixo de fevereiro. De modo a gerar uma projeção para os próximos seis meses, a propósito, eu atualizei os modelos apresentados na edição 53 do Clube do Código, de modo a gerar uma previsão combinada para a taxa de desemprego.

 

Previsões para a Taxa de Desemprego
SARIMA Kalman BVAR Combinada
2019 Apr 12.3 12.6 12.7 12.6
2019 May 11.8 12.5 12.6 12.5
2019 Jun 11.3 12.3 12.5 12.3
2019 Jul 10.9 12.3 12.4 12.3
2019 Aug 10.5 12.2 12.3 12.2
2019 Sep 10.0 12.0 12.2 12.0

A tabela acima resume as previsões geradas pelos três modelos que rodei, bem como a previsão combinada entre eles, com maior peso para o Filtro de Kalman. A taxa de desemprego deve cair dos atuais 12,7% para algo próximo a 12% em setembro. Em termos dessazonalizados, entretanto, a taxa de desemprego deve se manter estável ao longo do período projetado, se mantendo próxima a 12,1%. O gráfico abaixo ilustra.

Caso essas projeções se confirmem, não deixa de ser um banho de água fria...

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando reports econômicos automáticos com IA usando Python

Imagine que você tenha uma tabela e precise gerar uma análise de dados rápida para entregar um relatório. Você poderia tentar parar tudo que está fazendo ou até mesmo fazer horas extras, mas dificilmente você entregaria o relatório mais rapidamente do que um modelo de Inteligência Artificial (IA). Neste artigo mostramos um exemplo de relatório gerado por IA para análise de inflação no Brasil, usando as ferramentas Quarto + Python para integrar a IA.

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

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.