Tag

pacote rbcb Archives - Análise Macro

Crédito Livre vs. Crédito Direcionado no Brasil

By | Crédito

O crédito direcionado, aquele que é administrado por bancos públicos e possui subsídios importantes envolvidos na sua intermediação, ainda é bastante relevante no mercado de crédito brasileiro. Para ilustrar, como ensinamos em nosso Curso de Análise de Conjuntura usando o R, vamos coletar os dados referentes a crédito diretamente do Banco Central com o R.

Para isso, nós utilizamos o pacote rbcb, como abaixo.


library(rbcb)
library(tidyverse)
library(zoo)
library(scales)

series = list('livres'= 20542,
'direcionado' = 20593)

data = get_series(series) %>%
reduce(inner_join) %>%
mutate(total = livres + direcionado,
'Crédito Livre' = livres/total*100,
'Crédito Direcionado' = direcionado/total*100) %>%
select(date, 'Crédito Livre', 'Crédito Direcionado') %>%
gather(variavel, valor, -date)

No código acima, nós estamos basicamente pegando os dados do crédito livre, aquele que é intermediado sem subsídios e o crédito direcionado que falamos acima. A partir das séries coletadas, nós podemos criar as taxas de crédito livre e de crédito direcionado a partir do estoque total de crédito. Com efeito, podemos gerar o gráfico abaixo.

A despeito da mudança na estrutura da taxa de juros que regula os empréstimos do BNDES, parte importante do estoque de crédito direcionado, o mesmo ainda responde por mais de 40% do total de crédito no Brasil.

__________________

Boletim Focus: o que esperar de 2021?

By | Indicadores

Vai chegando ao fim um dos piores anos do último século. A pandemia do coronavírus destruiu famílias, empresas e expectativas. Com a iminência de uma vacina, contudo, e a proximidade do final do ano, só nos resta pensar na recuperação que virá no próximo ano. De modo a vislumbrar a mesma, uma boa base de dados para isso é o boletim Focus do Banco Central, que reúne as expectativas de mais de uma centena de instituições econômicas e financeiras. A análise completa da pesquisa faz parte do nosso Curso de Análise de Conjuntura usando o R.

O script começa, como de praxe, com os pacotes que utilizo.


library(rbcb)
library(scales)
library(tstools)
library(tidyverse)

Na sequência, pegamos alguns dos indicadores disponíveis na base de dados do Focus.

data = get_annual_market_expectations(c('PIB Total', 'IPCA',
'Taxa de câmbio',
'Meta para taxa over-selic',
'Fiscal'),
start_date = '2019-01-01') %>%
replace_na(replace = list(indic_detail = 'Média'))

data$indic = ifelse(data$indic == 'Taxa de câmbio', 'Taxa de Câmbio',
data$indic)

data$indic_detail = ifelse(data$indic_detail == "Resultado Primário",
'Resultado Primário',
data$indic_detail)

Uma vez que os dados foram coletados, podemos gerar um gráfico como abaixo, que contém as expectativas para esses indicadores em 2021.

A mediana das projeções aponta para um crescimento de 3,3% no próximo ano, nada muito excepcional se comparado ao tombo verificado em 2020. Ademais, espera-se uma inflação comportada, próximo a 3,5%, algum aumento marginal na taxa básica de juros e câmbio ainda acima dos 5 R$/US$.
_______________

(*) A análise completa está disponível no nosso Curso de Análise de Conjuntura usando o R.

Crescimento esperado para 2019 é reduzido pela 11ª vez

By | Cursos da Análise Macro

Na seção de política monetária da nova versão do curso de Análise de Conjuntura usando o R, ensino aos alunos a baixar dados do boletim focus do Banco Central através do pacote rbcb. Os dados estão disponíveis por meio da API do Banco Central e também podem ser baixadas via arquivos do tipo json. Com o pacote rbcb, por exemplo, é possível baixar os dados do crescimento esperado para esse ano com o código abaixo.


library(rbcb)
pibe = get_annual_market_expectations('PIB Total',
start_date = '2019-01-04')
pib_esperado = pibe$median[pibe$reference_year=='2019']
pib_esp_min = pibe$min[pibe$reference_year=='2019']
pib_esp_max = pibe$max[pibe$reference_year=='2019']
dates = pibe$date[pibe$reference_year=='2019']

data = data.frame(dates=dates, pib=pib_esperado,
min=pib_esp_min, max=pib_esp_max)

E então gerar um gráfico como abaixo...


library(ggplot2)
library(scales)
library(ggrepel)
library(png)
library(grid)
library(gridExtra)

img <- readPNG('logo.png')
g <- rasterGrob(img, interpolate=TRUE)

ggplot(data=data, aes(x=dates, y=pib))+
geom_line(size=.8, colour='darkblue')+
geom_ribbon(aes(ymax=max,
ymin=min),
fill="blue", alpha=.1)+
labs(title='Crescimento Esperado para 2019',
subtitle='Boletim Focus: mediana das instituições',
caption='Fonte: analisemacro.com.br com dados do BCB.')+
xlab('')+ylab('% a.a.')+
scale_x_date(breaks = date_breaks("7 days"),
labels = date_format("%d/%b"))+
theme(axis.text.x=element_text(angle=45, hjust=1))+
geom_label_repel(label=round(data$pib,2),
color = c(rep('black',1), rep(NA,nrow(data)-1)),
fill = c(rep('#91b8bd',1),
rep(NA,nrow(data)-1)))+
theme(panel.background = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.background = element_rect(fill='#8abbd0'),
axis.line = element_line(colour='black',
linetype = 'dashed'),
axis.line.x.bottom = element_line(colour='black'),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.position = 'bottom',
legend.background = element_rect((fill='#acc8d4')),
legend.key = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.margin=margin(5,5,15,5))+
annotation_custom(g,
xmin=as.Date('2019-01-03'),
xmax=as.Date('2019-01-31'),
ymin=.4, ymax=1.5)

 

Observe que desenhei os mínimos e máximos esperados via o geom_ribbon do pacote ggplot2. Na versão 3.0 do curso, a propósito, utilizaremos muito o ggplot2 para produção de gráficos. Nesse exemplo, o crescimento esperado na ponta é de 1,45%, ficando no intervalo de 0,73% a 2,64%. É, diga-se, a 11ª semana de cortes nessa expectativa de crescimento...

Para quem tiver interesse, estamos com inscrições abertas para a última turma do ano do curso de Análise de Conjuntura usando o R. Aproveite e garante a sua vaga!

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

Assinar Gratuitamente