Tag

datasicence Archives - Análise Macro

Uber vs. Desemprego: novas evidências

By | Macroeconometria

Na edição 37 do Clube do Código, verificamos através de um teste de causalidade se existia relação entre interesse pela Uber e a taxa de desemprego. Os resultados encontrados sugeriam que não só a correlação entre as variáveis era elevada, como de fato existia uma causalidade no sentido de Granger entre aumentos da taxa de desemprego e aumento do interesse pela Uber. Na edição 46, por suposto, voltamos ao tema, de forma a construir um modelo VAR, explorando as funções impulso-resposta entre as variáveis, bem como a decomposição de variância, temas do nosso Curso de Séries Temporais usando o R. Nesse post, resumimos os resultados encontrados.

A primeira parte de qualquer exercício de análise de dados, como aprendemos em nosso Curso de Introdução ao R e nosso Curso de Análise de Conjuntura usando o R é coletar os dados. Para esse exercício específico, nós utilizamos como proxy para o interesse pela Uber as buscar relacionadas à palavra-chave uber no google trends. De modo a coletar os dados, utilizamos o pacote gtrendsR conforme abaixo.


library(gtrendsR)
trends = gtrends('uber', geo='BR')

Já o desemprego foi especificado pela taxa de desemprego disponibilizada pela PNAD Contínua do IBGE. Essa variável foi coletada através do pacote sidraR como abaixo.


library(sidrar)
desemprego = get_sidra(api='/t/6381/n1/all/v/4099/p/all/d/v4099%201')

De posse dos dados, a segunda parte é tratá-los, uma vez que os mesmos não estão em um formato comum sob o qual podem ser relacionados. O tratamento da taxa de desemprego é mais simples, posto que basta retirar o valor da taxa no data frame obtido a partir do SIDRA-IBGE, transformando a mesma em uma série temporal mensal. Já o interesse pela Uber é um pouco mais complicado, uma vez que os dados obtidos possuem uma frequência semanal. De modo que a mesma possa ser relacionada à taxa de desemprego, precisamos primeiro ordenar o interesse pela Uber de acordo com um vetor de datas, bem como mensalizar os mesmos, como aprendemos em nosso Curso de Introdução ao R. O código abaixo exemplifica.


gtrends = data.frame(time=trends$interest_over_time$date,
empregos=as.numeric(trends$interest_over_time$hits))
gtrends$time = as.Date(gtrends$time, format='%d/%m/%Y')
gtrends = xts(gtrends$empregos, order.by=gtrends$time)
gtrends = gtrends[complete.cases(gtrends)]
gtrends = ts(apply.monthly(gtrends, FUN=mean), start=c(2013,09), freq=12)

Uma vez tratados os dados, podemos gerar o gráfico abaixo com as séries obtidas.

Como se pode notar, o comportamento das séries parece ser bem similar ao longo do período selecionado. Isso acabou nos motivando a verificar se, de fato, existe uma relação entre elas. Primeiro, plotamos um gráfico de correlação como abaixo.

Como se pode notar, de fato, existe uma forte correlação positiva entre as séries. Isso, entretanto, não quer dizer muita coisa, uma vez que correlação não implica causalidade. Duas séries distintas podem ter uma alta correlação - positiva ou negativa - e ainda assim não terem nada em comum. De forma a avançar no nosso entendimento, construímos um Vetor Autorregressivo (VAR) entre as variáveis, como aprendemos no nosso Curso de Séries Temporais usando o R. Com o modelo estimado, nós podemos extrair as funções impulso-resposta, isto é, damos um choque em uma variável e observamos a resposta na outra. O gráfico abaixo ilustra um choque no desemprego e a resposta no interesse pela Uber.

O gráfico mostra que um choque na taxa de desemprego faz o interesse pela Uber aumentar. Ademais, a partir do modelo VAR, fizemos uma decomposição de variância entre as variáveis. Observa-se que 70% da variância do interesse pela Uber é explicada pela taxa de desemprego, passados 12 meses, enquanto apenas 23% da variância do desemprego é explicada pelo interesse pela Uber. Em outras palavras, os resultados encontrados sugerem que há, de fato, uma relação positiva entre as variáveis, no sentido mais forte do desemprego para o interesse pela Uber. Essas evidências se somam ao teste de causalidade feito em edição anterior do Clube do Código.

Todos os códigos e detalhes estarão na edição 46 do Clube do Código, de modo que os membros do Clube possam reproduzir integralmente o exercício. Ainda não é membro do Clube? Conheça e assine aqui

Estimando a volatilidade do câmbio a partir de um modelo GARCH

By | Macroeconometria

A taxa de câmbio BRL/USD tem sofrido forte deterioração ao longo desse ano. Em grande medida, isso reflete uma piora no cenário externo, com maior aversão a risco em relação a países emergentes como o Brasil. Por outro lado, o cenário eleitoral polarizado também tem dado sua parcela de contribuição para esse movimento de depreciação experimentado pelo câmbio. De forma a verificar se os níveis de volatilidade verificados esse ano são, de fato, maiores do que aqueles observados no passado recente, vamos estimar um modelo GARCH, como é visto no nosso Curso de Econometria Financeira usando o R. A partir desse modelo, podemos obter a volatilidade da taxa de câmbio.

Uma importante medida em finanças é o risco associado a um ativo e a volatilidade de ativos é talvez a medida de risco mais utilizada. Ainda que a volatilidade seja bem definida, ela não é diretamente observada na prática. Nós observamos os preços dos ativos e seus derivativos. A volatilidade deve ser, então, estimada com base nesses preços observados. Ainda que a volatilidade não seja diretamente observada, ela apresenta algumas características comuns associadas aos retornos dos ativos. Listamos abaixo algumas delas:

  • A volatilidade é alta em certos períodos e baixa em outros, configurando o que a literatura chama de volatility clusters;
  • A volatilidade evolui de maneira contínua, de modo que saltos não são comuns;
  • A volatilidade costuma variar em um intervalo fixo;
  • A volatilidade costuma reagir de forma diferente a um aumento muito grande nos preços e a um decréscimo igualmente muito grande, com o último representando maior impacto.

Essas características implicam que, de modo geral, a volatilidade é uma série estacionária. Ademais, essas características determinam a forma como os modelos serão construídos. De fato, alguns modelos de volatilidade são formatados justamente para corrigir a inabilidade dos atualmente existentes em capturar algumas das características mencionadas acima. Na prática, estima-se a volatilidade de um ativo com base nos seus preços ou derivativos. Tipicamente, três tipos de volatilidade são consideradas:

  • Volatilidade como o desvio-padrão condicional dos retornos diários;
  • Volatilidade implícita, obtida a partir de fórmulas de precificação (como Black-Scholes), com base nos preços do mercado de opções, é possível deduzir a volatilidade do preço da ação. Um exemplo desse tipo de procedimento é o VIX Index;
  • Volatilidade realizada, obtida com base em dados financeiros de alta frequência, como, por exemplo, retornos intraday de 5 minutos.

Com efeito, para estimar a volatilidade da taxa de câmbio BRL/USD, primeiro, precisamos pegar a série via pacote BETS no Sistema de Séries Temporais do Banco Central. Feito isso, podemos calcular o log retorno da série, estimar um modelo GARCH(1,1) para os mesmos, extraindo assim a série de volatilidade. O gráfico abaixo ilustra o comportamento da volatilidade ao longo do tempo. A série de câmbio é diária, para o intervalo de 1 de janeiro de 2014 a 5 de outubro de 2018.

O pico de volatilidade nesse intervalo ocorre dois dias depois do Joesley Day, quando havia um sentimento muito forte no mercado de que Michel Temer deixaria o Palácio do Planalto. E com ele, naturalmente, a agenda de reformas. De lá para cá, a série tem apresentado picos menores, associados a eventos específicos.

Para quem deseja se aprofundar nesse tipo de análise de séries temporais financeiras, recomendo o nosso Curso de Econometria Financeira usando o R. Para interessados em econometria de modo geral, veja também nossos Cursos Aplicados de R.

Comentário de Conjuntura: Crédito Direcionado vs. Crédito Livre

By | Comentário de Conjuntura

Tenho mostrado nesse espaço que o problema dos juros altos não é algo simples, que pode ser resolvido da noite para o dia. Nosso juro real de equilíbrio é elevado em virtude, basicamente, de três fatores: (i) uma taxa de poupança muito baixa; (ii) uma dívida pública muito alta; (iii) existência de muito crédito direcionado. Sobre esse último fator, há muitas dúvidas sobre por que o mesmo interfere negativamente no juro real de equilíbrio. Vou aqui ilustrar um pouco melhor por que isso ocorre.

 

O gráfico a seguir traz taxas de juros em diferentes modalidades. Observe o leitor que o crédito direcionado possui as menores taxas de juros. Muito próximas, inclusive, da taxa básica de juros, a SELIC, o que significa que o spread bancário nessa modalidade de crédito é bem mais baixa do o chamado crédito livre.

Por que isso ocorre? Simples: a maior parte desse crédito direcionado, ofertado na sua maioria pelos bancos estatais (BNDES, BB, Caixa, etc.), envolve um subsídio. Por exemplo, o governo acha que é importante fomentar a agricultura familiar, daí cria via Banco do Brasil uma linha de crédito mais barata voltada para esse tipo de aplicação. Como não existe almoço grátis, esse subsídio tem de ser pago por alguém, não é mesmo? Pois é, a conta vai para o orçamento público.

Talvez nesse ponto você esteja pensando, mas não seria justo subsidiar agricultores familiares? Talvez seja. O problema aqui não é se é justo ou injusto subsidiar A, B ou C. O problema é que o crédito direcionado alcançou uma proporção muito grande dentro do mercado brasileiro. O gráfico abaixo ilustra a participação do crédito público (de bancos estatais) versus o crédito privado. Como se nota, a proporção dos bancos estatais, hoje, é maior do que 50% no mercado de crédito do país.

Enquanto o crédito público possui taxas de juros subsidiadas para alguns setores da economia, o crédito privado vai ter taxas de juros mais elevadas para todos os demais setores. Afinal, o Banco Central precisará aumentar mais os juros básicos para atingir o crédito livre, que não atende a direcionamentos do setor público, para conter a demanda em tempos de contração monetária. Tudo, diga-se, previsto pela teoria da política monetária.

Em outras palavras, leitor, quanto mais insistirmos em crédito direcionado, mas altas serão as taxas de juros para os meros mortais que não têm acesso a essa modalidade de crédito. Não parece ser, portanto, uma estratégia correta de política econômica, não é mesmo?

O ideal aqui seria que esse crédito direcionado fosse bem menor em relação ao total e atendesse apenas claras falhas de mercado. Por exemplo, o nosso crédito para agricultura familiar ou programas de crédito para startups. Talvez isso faça sentido, mas não me parece válido, por outro lado, conceder subsídio para grandes conglomerados industrais ou envolvidos no agronegócio, que podem ter acesso a modalidades de crédito privado, aqui e lá fora.

Reduzir o tamanho do crédito direcionado na economia brasileira vai na direção de reduzir o juro alto para todos... 🙂

_____________________________

Aprenda a coletar e tratar dados macroeconômicos no nosso Curso de Análise de Conjuntura usando o R.

Comentário de Conjuntura: COPOM coloca "risco eleitoral" no modelo

By | Comentário de Conjuntura

O Comitê de Política Monetária do Banco Central decidiu, ontem, manter a taxa básica de juros em 6,5% a.a., confirmando a expectativa consensual do mercado. No comunicado da decisão, o Comitê chamou atenção para uma piora no balanço de risco do cenário prospectivo para a inflação, a saber (i) o nível de ociosidade elevado pode produzir trajetória prospectiva abaixo do esperado. Por outro lado, (ii) uma frustração das expectativas sobre a continuidade das reformas e ajustes necessários na economia brasileira pode afetar prêmios de risco e elevar a trajetória da inflação no horizonte relevante para a política monetária. Esse risco se intensifica no caso de (iii) deterioração do cenário externo para economias emergentes.

 

O recrudescimento do ambiente externo e o risco de uma candidatura com respaldo heterodoxo vencer as eleições abrem caminho para uma piora nos prêmios de risco e, consequentemente, nas expectativas para inflação nos próximos anos. Com efeito, isso abrirá caminho para que o Banco Central tenha de elevar os juros em algum momento no futuro próximo. Essa foi, basicamente, a mensagem do comunicado divulgado, deixando o caminho aberto para a retirada dos estímulos monetários ora em vigor.

As expectativas de inflação para o horizonte relevante da política monetária encontram-se, no momento, abaixo da meta, como ilustra o gráfico abaixo. Para 2018, houve intensa revisão altista nos últimos meses, em função, principalmente, do choque na taxa de câmbio e da greve dos caminhoneiros. Já para os demais anos, as taxas esperadas se mantiveram praticamente constantes.

 

Se o pior ocorrer, isto é, uma candidatura de esquerda com base heterodoxa vencer o pleito eleitoral, o que veremos nos próximos meses é uma deterioração nessas expectativas, forçando o Banco Central a elevar a taxa básica de juros. Isso encerraria o atual ciclo de redução da taxa SELIC, levando a política monetária para uma posição restritiva em relação à atividade econômica, o que dificultará ainda mais a recuperação da economia brasileira.

_______________________

Para entender mais sobre política monetária, conheça nossos cursos aplicados de R na área de Central Banking.

Comentário de Conjuntura: Selic vs. Juros Pessoa Física

By | Comentário de Conjuntura

Como hoje é dia de COPOM, resolvi imitar o meu colega Renato Lerípio - que, aliás, vem fazendo um belo trabalho de divulgação do R no seu blog - e falar um pouco sobre a diferença entre a taxa de juros básica da economia, a taxa Selic, e os juros que realmente importam, aqueles que a pessoa física normal paga quando toma um empréstimo. O gráfico abaixo ilustra que, ainda que haja uma correlação positiva entre elas, os seus níveis são bem diferentes. Enquanto a taxa Selic (efetiva) encontra-se em 6,4% a.a., o juro pessoa física está em inacreditáveis 52,03% a.a. na modalidade livre, aquela que depende da oferta e demanda do mercado. E a pergunta que fica, naturalmente, é por quê? 

Como eu sou um grande entusiasta do tema, já falei sobre ele várias vezes aqui nesse espaço. Nessas oportunidades, sempre gosto de dividir o problema em duas partes. Primeiro, é preciso dizer que temos um juro real – selic menos a inflação – que equilibra as diversas forças do organismo econômico fora do lugar – para uma comparação com outros países, clique aqui. Três coisas equivocadas na economia brasileira atuam para que isso ocorra: (i) uma taxa de poupança muito baixa; (ii) uma dívida pública muito alta; (iii) existência de muito crédito direcionado. Expliquei em detalhes aqui cada um desses problemas. Vamos focar, portanto, na segunda parte do problema: por que a diferença entre esse juro real, que se aproxima da taxa de captação dos bancos, e o juro para pessoa física é tão alta?

No jargão dos economistas, o nome dessa diferença se chama spread bancário. O spread bancário é alto no país, basicamente, porque é difícil reaver um empréstimo, dada a lentidão da justiça, o que acaba sendo repassado para o preço. Ademais, os depósitos compulsórios exigidos pelo Banco Central estão entre os mais elevados do mundo e a carga tributária incidente também é bastante elevada. Por fim, o setor bancário é muito concentrado, com os principais bancos detendo grande parte do mercado. Tudo isso concorre para manter o spread elevado, o que implica em taxas de juros mais altas para consumidores e empresários.

O Renato, aliás, fez um exercício interessante no blog dele que busca justamente estimar um modelo que explica a trajetória da variação do juro pessoa física. Os resultados do exercício sugerem que a inadimplência tem um papel decisivo na explicação.

Em outras palavras, leitor, reduzir o juro para a pessoa física implica em tocar uma agenda microeconômica bastante complicada. De todos os fatores que explicam o spread alto, me parece que o ponto mais difícil de ser enfrentado é justamente o da inadimplência. Isto é, como dar celeridade a processos de recuperação, o que implica em reduzir provisões de bancos, impactando em juros menores para o tomador de crédito? Não parece ser fácil, não é mesmo?

Aumentar a concorrência e reduzir tributos/compulsórios, me parece, a parte fácil (em termos relativos, obviamente) do problema. Enfrentar a lentidão da justiça brasileira é que são elas... Ou seja, leitor, acho que ainda teremos de conviver com juros altos por um bom tempo, infelizmente... 🙁

 

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais
e conteúdos exclusivos sobre Análise de Dados!

Assinar Gratuitamente