Monitor Fiscal: Dívida Bruta atinge 70,7% do PIB

[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="left" use_border_color="off" border_color="#ffffff" border_style="solid"]

A Análise Macro apresenta mais um produto que mostra ao leitor do que a integração do R/RStudio com Beamer/LaTeX é capaz: o Monitor Fiscal. Consolidamos o resultado primário do governo central, divulgado pelo Tesouro Nacional, as necessidades de financiamento do setor público e o endividamento público, divulgados pelo Banco Central.

Os dados foram baixados diretamente dessas fontes para o R/Rstudio, de modo que tudo está automatizado. Na próxima divulgação, em outubro, a única coisa que faremos será atualizar o mês final do dados. Todo o resto estará pronto para divulgação. O Monitor Fiscal pode ser acessad clicando na figura ao lado. Membros do Clube do Código têm acesso aos arquivos que geraram a apresentação, como sempre. 

Conheça o Clube do Código aqui.

OBS: O Clube do Código não implica em serviço de consultoria econômica, sendo tão somente um projeto que ensina os seus membros a utilizar o e o RStudio para produzir relatórios e apresentações, bem como gerar exercícios macroeconométricos.

[/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/2016/10/capa2.png" show_in_lightbox="off" url="https://github.com/analisemacro/degustacao/blob/master/clubedocodigo/mfiscal092016.pdf" url_new_window="on" use_overlay="off" animation="left" sticky="off" align="left" 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" make_fullwidth="off" use_custom_width="off" width_unit="on" use_custom_gutter="off" padding_mobile="off" background_color="#083ca5" allow_player_pause="off" parallax="off" parallax_method="off" make_equal="off" parallax_1="off" parallax_method_1="off" column_padding_mobile="on"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="dark" text_orientation="center" use_border_color="off" border_color="#ffffff" border_style="solid"]

No nosso Curso de Análise de Conjuntura usando o R os alunos aprendem a coletar, tratar, analisar e apresentar dados macroeconômicos usando o poder do R/RStudio e do Beamer/LaTeX. Saiba mais sobre esse curso inovador clicando no botão abaixo!

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/cursos-de-r/analise-de-conjuntura/" url_new_window="off" button_text="Ir para o Curso de Análise de Conjuntura" button_alignment="center" background_layout="dark" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0"] [/et_pb_button][/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

Analisando a Volatilidade de Longo Prazo do Ibovespa usando Python

Com base no modelo GARCH(1,1), realizamos realizar a modelagem da variância condicional dos log retornos diários do Ibovespa, abrangendo o período de janeiro de 2018 até dezembro de 2023. O objetivo principal é compreender a implementação desse modelo utilizando a linguagem de programação Python, além de conduzir uma análise do mercado acionário brasileiro ao longo do período amostral.

Ao concluirmos este exercício, teremos a capacidade de obter uma medida representativa da variância de longo prazo da série temporal. Essa medida poderá ser comparada com a variância histórica, permitindo-nos inferir se a volatilidade presente está atualmente inferior ou superior àquela projetada para o futuro. Essa análise contribuirá para uma melhor compreensão da dinâmica da volatilidade no mercado acionário brasileiro.

Construindo uma NAIRU para o Brasil usando Python

Um dos maiores desafios para aqueles que trabalham com dados econômicos é aliar a prática com a teoria. Para tanto, o uso do Python pode facilitar esse desafio, permitindo construir todos os passos de uma análise de dados. Demonstramos o poder da linguagem tomando como exemplo a construção da NAIRU para o Brasil.

A Abordagem do Estudo de Eventos usando Python

A maioria das pesquisas em finanças está dedicada a investigar o efeito de um anúncio da companhia ou de um evento, sistêmico ou não, sobre o preço de uma ação. Esses estudos são conhecidos como “estudos de eventos”. Neste contexto, apresentaremos uma breve introdução à metodologia e demonstraremos como aplicá-la por meio de exemplos reais utilizando a linguagem de programação 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.