Tag

vec Archives - Análise Macro

Ibovespa x Economia real: qual a relação?

By | mercado financeiro

O Índice Bovespa ou simplesmente conhecido como Ibovespa, é o indicador mais importante no acompanhamento da cotação das ações negociadas na B3, a bolsa de valores brasileira. O índice, por suposto, acompanha a variação de preços das ações das maiores empresas do Brasil, isto é, a depender dos resultados operacionais e financeiros das companhias, os seus preços acompanharão as expectativas dos investidores com base nesses resultados, ou seja, a Ibovespa acompanhará essa mesma trajetória.

Dito isto, a depender dos resultados das empresas, o crescimento do país é afetado, e um bom indicador para saber a trajetória da economia real do país é a Formação Bruta de Capital Físico. Nesse post, investigaremos se existe uma relação do Ibovespa com a FBCP por meio da estimação de um Vetor de Correção de Erros (VEC) e de uma análise das funções impulso-resposta.

Primeiro devemos coletar os dados necessários. Abaixo realizamos a coleta e o tratamento de dados do Ibovespa, além de trimestralizar a série.


library(quantmod)

library(xts)

library(sidrar)

library(timetk)

library(tidyverse)

 


# IBOVESPA

## Coleta os dados do Yahoo Finance

getSymbols("^BVSP", src= "yahoo",
from= as.Date('2001-01-01'))

## Captura os preços de fechamento

ibovespa <- Cl(BVSP) %>%
na.omit() %>%
`colnames<-`("ibovespa")

## Transforma em trimestral

ibov_qtr <- apply.quarterly(ibovespa, FUN = mean) %>%
tk_tbl(preserve_index = TRUE,
rename_index = "date") %>%
mutate(date = as.yearqtr(date, type = "%Y%q"))

## Cria o objeto ts

ibov_qtr_ts <- ts(ibov_qtr$ibovespa, start=c(2001,01), freq = 4)

 

Em seguida, fazemos o mesmo para a FBCF.


# FBCF

## Coleta os dados do SIDRA e calcula o crescimento interanual

fbcf = get_sidra(api="/t/1620/n1/all/v/all/p/all/c11255/93406/d/v583%202") %>%
dplyr::select(date = "Trimestre (Código)", value = "Valor") %>%
mutate(date = as.yearqtr(date, format = "%Y%q"),
dfbcf = (value/lag(value, 4) -1) * 100)

## Cria o objeto ts

fbcf_ts = ts(fbcf$value, start=c(1996,01), freq=4)

dfbcf_ts = (fbcf_ts/stats::lag(fbcf_ts, -4) -1) * 100

 

Em seguida, podemos visualizar as séries em conjunto para investigar a relação de ambos ao longo do tempo.

De outra forma, é possível visualizar a correlação entre as séries em suas defasagens, vemos que quanto maior a defasagem, menor a correlação.

Por fim, construímos um modelo de Vetor de Correção de Erros (VEC) entre as duas séries, de forma que seja possível investigar as funções impulso-resposta. Vemos que a partir da metodologia, um choque na Ibovespa tem efeito sobre a variação da FBCF. Vemos isto no gráfico abaixo.

Por meio da metodologia utilizada no post foi possível averiguar a existência de relação entre os dois indicadores. Para que você consiga descobrir fenômenos como esse, os nosso cursos de Macroeconomia, Séries Temporais e Finanças Quantitativas são fundamentais para esse aprendizado, auxiliando tanto na teoria quanto na prática.

 

 

Desemprego fica no limite inferior das projeções

By | Mercado de Trabalho

A taxa de desemprego medida pela PNAD Contínua ficou em 11,2% em novembro. A projeção, com base em um modelo VEC era de desemprego entre 11,2% e 11,5%, com previsão média de 11,4%. Em palavras outras, o resultado acabou surpreendendo positivamente.

Com o resultado de novembro, nós atualizamos o nosso modelo VEC cuja metodologia está detalhada na Edição 68 do Clube do Código. O gráfico acima ilustra a trajetória projetada para a taxa de desemprego nos próximos seis meses. Como de praxe, o modelo ilustra uma queda em dezembro e depois uma alta até abril. O desemprego volta, então, a cair a partir de maio. A tabela a seguir ilustra o comportamento projetado.

Previsões para a Taxa de Desemprego
Lower Média Upper
Dez/19 10.4 10.5 10.6
Jan/20 10.7 10.9 11.2
Fev/20 11.4 11.7 12.1
Mar/20 12.0 12.5 13.0
Abr/20 11.9 12.5 13.2
Mai/20 11.3 12.1 12.8

Isto é, espera-se agora uma queda mais forte do desemprego do que antecipado até outubro. A conferir!

_______________

Usando um VECM para projetar o Desemprego no Brasil

By | Macroeconometria

A semana termina aqui na Análise Macro com mais uma edição do Clube do Código. Estará disponível no próximo domingo a Edição 68 do Clube, titulada Usando um VECM para projetar o Desemprego no Brasil. Ao longo da semana, os leitores desse espaço acompanharam tanto no Comentário de Conjuntura quanto na divulgação de indicadores feita hoje, uma preocupação com a projeção da taxa de desemprego. Na mais nova edição do Clube, detalhamos mais um modelo de previsão para a taxa de desemprego, utilizando um Vetor de Correção de Erros. O novo modelo de previsão para a taxa de desemprego utiliza pesquisas do Google, seguindo o paper "The predictive power of google search in forecasting US unemployment".

Acima temos um gráfico com as projeções da taxa de desemprego nos próximos seis meses. Abaixo, uma tabela com as previsões geradas pelo modelo.

Previsões para a Taxa de Desemprego
Lower Média Upper
Nov/19 11.2 11.4 11.5
Dez/19 11.0 11.2 11.4
Jan/20 11.1 11.4 11.8
Fev/20 11.3 11.8 12.3
Mar/20 11.5 12.1 12.8
Abr/20 11.1 11.9 12.7

O modelo utiliza as seguintes variáveis: (i) índice coincidente de desemprego da FGV; (ii) índice antecedente de emprego da FGV; (iii) índice de incerteza econômica da FGV; (iv) pesquisas no Google pela palavra 'emprego'; (v) IBC-BR; (vi) taxa de juros Selic.

Na Edição 68 do Clube do Código estão detalhados todos os códigos utilizados no exercício.

_________________________

Quer aprender a construir modelos de séries temporais? Veja nosso Curso de Séries Temporais usando o R.

Qual a relação entre o saldo do CAGED e o crescimento do PIB?

By | Macroeconometria

Na Edição 58 do Clube do Código, verificamos a relação entre o saldo do CAGED e o crescimento do PIB por meio de duas metodologias. Na primeira, verificamos as funções impulso-resposta extraídas de um modelo BVAR com *prior* de Minnesota. Na segunda, estimamos um Vetor de Correção de Erros (VEC), de forma a obter também funções de impulso-resposta, além da decomposição de variância. Por fim, estimamos um teste de Wald de forma a verificar precedência temporal entre as séries.

Os resultados encontrados sugerem, de forma bastante forte, que existe causalidade no sentido do saldo do CAGED para o crescimento do PIB. Para a decomposição de variância, passados 12 períodos, o saldo do CAGED explica mais de 95% da variância no crescimento do PIB.

_______________________

(*) Todos os códigos estarão disponíveis daqui a pouco no repositório privado do Clube do Código.

(**) Essa e outras análises, você aprende em nosso Curso de Séries Temporais usando o R.

Investigando a relação entre o Ibovespa e a variação da FBCF

By | Clube AM

Na edição 55 do Clube do Código, a ser divulgada para os membros na próxima semana, continuo a investigação iniciada em um comentário de conjuntura sobre a relação entre o Ibovespa e a variação interanual da FBCF. Dessa vez, estimamos um Vetor de Correção de Erros (VEC). Fazemos a análise das funções impulso-resposta e da decomposição de variância a partir do modelo estimado. Ademais, também aplicamos o procedimento de Toda-Yamamoto de modo a investigar causalidade.

Os resultados encontrados sugerem que um choque no Ibovespa tem um efeito positivo na variação interanual da FBCF, aumentando a mesma em mais de 3 pontos percentuais após três trimestres. A decomposição de variância, por seu turno, revela que cerca de 30% da variância da variação interanual da FBCF é explicada pelo Ibovespa, passados 12 trimestres. Por fim, o teste de precedência temporal sugere que o Ibovespa ajuda a explicar a variação da FBCF, enquanto não encontramos evidências no caso contrário.

Membros do Clube do Código têm acesso a todos os códigos que geraram o exercício no repositório do github.

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

Assinar Gratuitamente