Câmbio visto por bancos centrais

Relatório

Arquivos baixados
tipo	arquivos	esperado
CSV (history)	56	56
JSON	9	9

1. Dados e tratamento

1.1 Registros históricos em CSV

O relatório acompanha os dados cambiais de sete instituições, entre 2019 e 2026, a partir de arquivos CSV e JSON. Primeiro, os dados são lidos e integrados; em seguida, as cotações são normalizadas para permitir comparações. Por fim, analisamos a evolução do dólar frente a seis moedas e verificamos a concordância entre BCB, FED e ECB. Os valores ausentes (NA) são preservados durante a combinação das informações e das datas.

Como os dados chegam: Em exemplo três arquivos de 2025, em texto puro. Repare na forma como os pares são apresentados: o BCB publica X → BRL com buy e sell; o ECB publica EUR → X; o FED mistura as duas.

mostrar_cru <- function(arq, n = 4) {
  cat("arquivo:", basename(arq), "\n"); cat(read_lines(arq, n_max = n), sep = "\n"); cat("\n")
}
mostrar_cru(file.path(dir_csv, "bcb_2025.csv"))

arquivo: bcb_2025.csv 
date,base,quote,type,value
2025-01-02,AED,BRL,buy,1.69
2025-01-02,AED,BRL,sell,1.6905
2025-01-02,AFN,BRL,buy,0.08794

mostrar_cru(file.path(dir_csv, "ecb_2025.csv"))

arquivo: ecb_2025.csv 
date,base,quote,type,value
2025-01-02,EUR,AUD,reference,1.6618
2025-01-02,EUR,BGN,reference,1.9558
2025-01-02,EUR,BRL,reference,6.42

mostrar_cru(file.path(dir_csv, "fed_2025.csv"))

arquivo: fed_2025.csv 
date,base,quote,type,value
2025-01-02,AUD,USD,reference,0.6208
2025-01-02,EUR,USD,reference,1.0261
2025-01-02,GBP,USD,reference,1.2376

O que foi feito: O CSV não traz o identificador do banco em cada linha; essa informação é recuperada do nome do arquivo durante a leitura. Os tipos das colunas são definidos explicitamente (date como Date e value como double), evitando que o R precise inferi-los. Por fim, os 56 arquivos (7 bancos × 8 anos) são empilhados em uma única tabela, sem filtragem de linhas.

cotacoes_raw <- csv_arq |>
  filter(file.exists(destino)) |>
  mutate(dados = map(destino, \(f)
    read_csv(f, show_col_types = FALSE,
             col_types = cols(date = col_date(), base = col_character(),
                              quote = col_character(), type = col_character(),
                              value = col_double())))) |>
  select(banco, dados) |>
  unnest(dados)

Como ficaram os dados.

cotacoes_raw |>
  group_by(banco) |> slice_head(n = 2) |> ungroup() |>
  tabela("Duas primeiras linhas de cada banco (já com a coluna `banco`)", n = 14)

Duas primeiras linhas de cada banco (já com a coluna `banco`)
banco	date	base	quote	type	value
bcb	2019-01-02	AED	BRL	buy	1,0505
bcb	2019-01-02	AED	BRL	sell	1,0508
boc	2019-01-02	AUD	CAD	indicative	0,9515
boc	2019-01-02	BRL	CAD	indicative	0,3562
boe	2019-01-02	GBP	AUD	reference	1,8014
boe	2019-01-02	GBP	CAD	reference	1,7156
bok	2019-01-02	AED	KRW	reference	304,4000
bok	2019-01-02	ARS	KRW	reference	29,6900
ecb	2019-01-02	EUR	AUD	reference	1,6273
ecb	2019-01-02	EUR	BGN	reference	1,9558
fed	2019-01-02	AUD	USD	reference	0,7000
fed	2019-01-02	EUR	USD	reference	1,1357
pboc	2019-01-02	AUD	CNY	reference	4,8253
pboc	2019-01-02	CAD	CNY	reference	5,0257

tibble(coluna = names(cotacoes_raw),
       tipo_no_R = map_chr(cotacoes_raw, \(x) class(x)[1]),
       NA_no_bruto = map_int(cotacoes_raw, \(x) sum(is.na(x)))) |>
  tabela("Tipos lidos e NA no CSV bruto", digits = 0)

Tipos lidos e NA no CSV bruto
coluna	tipo_no_R	NA_no_bruto
banco	character	0
date	Date	0
base	character	0
quote	character	0
type	character	0
value	numeric	0

O CSV bruto não tem nenhum NA. Os valores ausentes aparecem depois, quando as cotações são organizadas por data e combinadas com o calendário (seções 2.5 e 2.6).

1.2 Informações sobre as instituições

Como os dados chegam: O registro do BCB aparece em dois arquivos JSON diferentes, cada um com informações complementares.

trecho <- function(arq, chave, n) {
  l <- read_lines(arq)
  i <- which(str_detect(l, paste0('^\\s*"', chave, '": \\{')))[1]
  cat("arquivo:", basename(arq), "-> chave", chave, "\n"); cat(l[i:(i + n)], sep = "\n"); cat("\n")
}
trecho(file.path(dir_json, "sources.json"), "bcb", 7)

arquivo: sources.json -> chave bcb 
  "bcb": {
    "country": "Brazil",
    "home_currency": "BRL",
    "kind": "central_bank",
    "name": "Banco Central do Brasil (PTAX)",
    "official_source": "https://olinda.bcb.gov.br/olinda/servico/PTAX/versao/v1/odata/",
    "page": "https://allratestoday.com/central-bank-rates-api/bcb/"
  },

trecho(file.path(dir_json, "index.json"),   "bcb", 11)

arquivo: index.json -> chave bcb 
  "bcb": {
   "name": "Banco Central do Brasil (PTAX)",
   "country": "Brazil",
   "home_currency": "BRL",
   "kind": "central_bank",
   "latest": "2026-11-05",
   "cadence": "daily",
   "stale": false,
   "currencies": 312,
   "latest_url": "https://raw.githubusercontent.com/AllRates-Today/central-bank-exchange-rates/main/data/bcb/latest.json",
   "page": "https://allratestoday.com/central-bank-rates-api/bcb/"
  },

O que foi feito: Cada arquivo JSON organiza as instituições por uma chave própria. Essa chave passa a identificar cada linha nas tabelas criadas durante a leitura. Campos ausentes são representados por NA, sem eliminar a instituição. As informações de sources.json e index.json permanecem em tabelas separadas até serem reunidas com as cotações.

latest  <- map(set_names(bancos),
               \(b) fromJSON(file.path(dir_json, paste0(b, "_latest.json"))))
index   <- fromJSON(file.path(dir_json, "index.json"))
sources <- fromJSON(file.path(dir_json, "sources.json"))

lista_para_tibble <- function(l) {
  imap(l, \(x, k) map(x, \(v) if (is.null(v)) NA else v) |> as_tibble()) |>
    list_rbind(names_to = "codigo")
}
sources_tbl <- lista_para_tibble(sources) |>
  filter(codigo != "hkab")
index_tbl   <- lista_para_tibble(index$sources) |>
  filter(codigo != "hkab")

Como ficaram os dados:

sources_tbl |> filter(codigo %in% c("bcb", "ecb")) |>
  select(codigo, name, country, home_currency, kind) |>
  tabela("sources.json: registros de exemplo", digits = 0)

sources.json: registros de exemplo
codigo	name	country	home_currency	kind
bcb	Banco Central do Brasil (PTAX)	Brazil	BRL	central_bank
ecb	European Central Bank	Eurozone	EUR	central_bank

index_tbl |> filter(codigo == "bcb") |>
  select(codigo, name, country, home_currency, kind, latest, cadence, stale, currencies) |>
  tabela("index.json: registro do BCB", digits = 0)

index.json: registro do BCB
codigo	name	country	home_currency	kind	latest	cadence	stale	currencies
bcb	Banco Central do Brasil (PTAX)	Brazil	BRL	central_bank	2026-11-05	daily	FALSE	312

tibble(arquivo = c("sources.json", "index.json"),
       fontes  = c(nrow(sources_tbl), nrow(index_tbl))) |>
  tabela("Fontes consideradas em cada JSON", digits = 0)

Fontes consideradas em cada JSON
arquivo	fontes
sources.json	129
index.json	129

1.3 Cotações mais recentes

O latest.json mistura metadados (texto) com uma lista aninhada de taxas.

cat(read_lines(file.path(dir_json, "bcb_latest.json"), n_max = 20), sep = "\n")

{
 "source": "bcb",
 "name": "Banco Central do Brasil (PTAX)",
 "country": "Brazil",
 "home_currency": "BRL",
 "kind": "central_bank",
 "date": "2026-11-05",
 "cadence": "daily",
 "rates": [
  {
   "base": "AED",
   "quote": "BRL",
   "type": "buy",
   "value": 1.487
  },
  {
   "base": "AED",
   "quote": "BRL",
   "type": "sell",
   "value": 1.4873

cat("   ...\n")

...

O que foi feito: As taxas do campo rates são organizadas em uma tabela para representar a publicação mais recente de cada instituição. O texto da licença é guardado separadamente. Como o latest.json repete informações que também aparecem no CSV, comparamos a quantidade de taxas dos dois arquivos para verificar se os registros coincidem na mesma data.

str(latest$bcb, max.level = 1, give.attr = FALSE, vec.len = 2)

List of 11
 $ source         : chr "bcb"
 $ name           : chr "Banco Central do Brasil (PTAX)"
 $ country        : chr "Brazil"
 $ home_currency  : chr "BRL"
 $ kind           : chr "central_bank"
 $ date           : chr "2026-11-05"
 $ cadence        : chr "daily"
 $ rates          :'data.frame':    312 obs. of  4 variables:
 $ official_source: chr "https://olinda.bcb.gov.br/olinda/servico/PTAX/versao/v1/odata/"
 $ page           : chr "https://allratestoday.com/central-bank-rates-api/bcb/"
 $ license        : chr "CC BY-NC 4.0 — non-commercial use with attribution: AllRatesToday, https://allratestoday.com"

licencas <- tibble(
  codigo  = bancos,
  license = map_chr(latest, \(x) if (is.null(x$license)) NA_character_ else x$license)
)

Como ficaram os dados:

tibble(banco = bancos,
       data_latest  = map_chr(latest, \(x) x$date),
       taxas_no_json = map_int(latest, \(x) nrow(x$rates))) |>
  mutate(taxas_no_csv = map2_int(banco, data_latest,
                                 \(b, d) sum(cotacoes_raw$banco == b & cotacoes_raw$date == as.Date(d))),
         confere = taxas_no_json == taxas_no_csv) |>
  tabela("latest.json × CSV na mesma data", digits = 0)

latest.json × CSV na mesma data
banco	data_latest	taxas_no_json	taxas_no_csv	confere
bcb	2026-11-05	312	312	TRUE
fed	2026-10-30	22	22	TRUE
ecb	2026-11-05	29	29	TRUE
pboc	2026-11-05	25	25	TRUE
boc	2026-11-04	24	24	TRUE
boe	2026-11-04	23	23	TRUE
bok	2026-11-05	43	43	TRUE

licencas |> mutate(license = str_trunc(license, 85)) |>
  slice_head(n = 3) |> tabela("Licença (texto livre) como coluna", digits = 0)

Licença (texto livre) como coluna
codigo	license
bcb	CC BY-NC 4.0 — non-commercial use with attribution: AllRatesToday, https://allrate…
fed	CC BY-NC 4.0 — non-commercial use with attribution: AllRatesToday, https://allrate…
ecb	CC BY-NC 4.0 — non-commercial use with attribution: AllRatesToday, https://allrate…

1.4 Como as cotações foram reunidas e padronizadas

Cada linha do CSV só sabe date, base, quote, type, value. Não há país, moeda local ou outros metadados institucionais.

amostra <- cotacoes_raw |>
  filter(date == as.Date("2025-01-02"), banco %in% c("bcb", "ecb", "boc"),
         (base == "USD" & quote %in% c("BRL", "CAD") & type != "buy") | (base == "EUR" & quote == "USD"))
tabela(amostra, "ANTES: três linhas do CSV bruto", digits = 4)

ANTES: três linhas do CSV bruto
banco	date	base	quote	type	value
bcb	2025-01-02	USD	BRL	sell	6,2086
ecb	2025-01-02	EUR	USD	reference	1,0321
boc	2025-01-02	USD	CAD	indicative	1,4418

As informações de cada instituição são acrescentadas às cotações a partir do código do banco. Nome, país, moeda local e tipo de instituição vêm do arquivo sources.json; a frequência de publicação vem do index.json. Em seguida, as cotações são convertidas para uma unidade comum: a coluna local_por_estrangeira mantém value quando quote é a moeda local e utiliza 1/value quando base é a moeda local.

bancos_meta <- sources_tbl |>
  filter(codigo %in% bancos) |>
  select(banco = codigo, nome_instituicao = name, pais = country,
         moeda_local = home_currency, tipo_instituicao = kind) |>
  left_join(select(index_tbl, banco = codigo, cadencia = cadence), by = "banco")

cotacoes <- cotacoes_raw |>
  left_join(bancos_meta, by = "banco") |>
  mutate(
    moeda_estrangeira = case_when(quote == moeda_local ~ base,
                                  base == moeda_local ~ quote,
                                  TRUE ~ NA_character_),
    local_por_estrangeira = case_when(quote == moeda_local ~ value,
                                      base == moeda_local ~ 1 / value,
                                      TRUE ~ NA_real_)
  ) |>
  select(date, banco, nome_instituicao, pais, moeda_local, tipo_instituicao, cadencia,
         base, quote, type, value, moeda_estrangeira, local_por_estrangeira) |>
  arrange(banco, date, base, quote, type)

# travas de segurança
stopifnot("linhas perdidas na junção" = nrow(cotacoes) == nrow(cotacoes_raw))
stopifnot("base final não tem 13 colunas" = ncol(cotacoes) == 13)

Como ficaram os dados:

cotacoes |>
  semi_join(amostra, by = c("date", "banco", "base", "quote", "type")) |>
  select(banco, base, quote, value, moeda_local, moeda_estrangeira, local_por_estrangeira) |>
  tabela("DEPOIS: as mesmas linhas, agora comparáveis", digits = 5)

DEPOIS: as mesmas linhas, agora comparáveis
banco	base	quote	value	moeda_local	moeda_estrangeira	local_por_estrangeira
bcb	USD	BRL	6,2086	BRL	USD	6,2086
boc	USD	CAD	1,4418	CAD	USD	1,4418
ecb	EUR	USD	1,0321	EUR	USD	0,9689

Quando a moeda local aparece em quote, o valor já está expresso em moeda local por unidade da moeda estrangeira. Quando aparece em base, invertemos a cotação (1/value) para obter a mesma unidade de medida. Linhas sem a moeda local em nenhum dos lados ficam com NA na coluna normalizada.

1.5 Dias sem publicação e valores ausentes

Cada banco só tem linha nos dias em que publicou. Janeiro de 2025 no BCB:

cotacoes |>
  filter(banco == "bcb", date >= as.Date("2025-01-01"), date <= as.Date("2025-01-08")) |>
  count(date, name = "n_cotacoes") |>
  tabela("ANTES: só aparecem os dias com publicação", digits = 0)

ANTES: só aparecem os dias com publicação
date	n_cotacoes
2025-01-02	312
2025-01-03	312
2025-01-06	312
2025-01-07	312
2025-01-08	312

É criado um calendário com todos os dias entre 02/01/2019 e a data mais recente de cada banco. Depois, a quantidade de cotações publicadas em cada dia é associada a esse calendário. Quando não há publicação, n_cotacoes permanece como NA, em vez de receber zero. A coluna motivo_ausencia classifica esses casos como fim de semana, dia útil sem publicação ou data posterior à última publicação do banco.

calendario <- tibble(date = seq(min(cotacoes$date), max(cotacoes$date), by = "day")) |>
  mutate(dia_semana    = as.integer(format(date, "%u")),   # 1 = segunda
         fim_de_semana = dia_semana >= 6)

cobertura <- expand_grid(calendario, banco = bancos) |>
  left_join(count(cotacoes, banco, date, name = "n_cotacoes"), by = c("banco", "date")) |>
  group_by(banco) |>
  mutate(publicou = !is.na(n_cotacoes),
         depois_da_ultima_publicacao = date > max(date[publicou]),
         motivo_ausencia = case_when(
           publicou                    ~ NA_character_,
           depois_da_ultima_publicacao ~ "apos_ultima_publicacao",
           fim_de_semana               ~ "fim_de_semana",
           TRUE                        ~ "dia_util_sem_publicacao")) |>
  ungroup() |>
  arrange(banco, date)

resumo_calendario <- cobertura |>
  group_by(banco) |>
  summarise(dias_calendario = n(), dias_publicados = sum(publicou), .groups = "drop") |>
  left_join(cobertura |> filter(!publicou) |> count(banco, motivo_ausencia) |>
              pivot_wider(names_from = motivo_ausencia, values_from = n,
                          names_prefix = "dias_", values_fill = 0),
            by = "banco")

Como ficaram os dados:

cobertura |>
  filter(banco == "bcb", date >= as.Date("2025-01-01"), date <= as.Date("2025-01-08")) |>
  select(date, dia_semana, fim_de_semana, n_cotacoes, publicou, motivo_ausencia) |>
  tabela("DEPOIS: todos os dias aparecem; os sem publicação ficam com NA e um motivo", digits = 0)

DEPOIS: todos os dias aparecem; os sem publicação ficam com NA e um motivo
date	dia_semana	fim_de_semana	n_cotacoes	publicou	motivo_ausencia
2025-01-01	3	FALSE	NA	FALSE	dia_util_sem_publicacao
2025-01-02	4	FALSE	312	TRUE	NA
2025-01-03	5	FALSE	312	TRUE	NA
2025-01-04	6	TRUE	NA	FALSE	fim_de_semana
2025-01-05	7	TRUE	NA	FALSE	fim_de_semana
2025-01-06	1	FALSE	312	TRUE	NA
2025-01-07	2	FALSE	312	TRUE	NA
2025-01-08	3	FALSE	312	TRUE	NA

resumo_calendario |>
  tabela("Dias sem publicação, por motivo", digits = 0)

Dias sem publicação, por motivo
banco	dias_calendario	dias_publicados	dias_dia_util_sem_publicacao	dias_fim_de_semana	dias_apos_ultima_publicacao
bcb	2.865	1.971	76	818	0
boc	2.865	1.956	90	818	1
boe	2.865	1.982	64	818	1
bok	2.865	1.932	115	818	0
ecb	2.865	2.010	37	818	0
fed	2.865	1.923	120	816	6
pboc	2.865	1.902	145	818	0

Gráfico: onde estão os NA no calendário

cobertura |>
  mutate(mes_ref = as.Date(format(date, "%Y-%m-01"))) |>
  group_by(banco, mes_ref) |>
  summarise(pct = mean(publicou) * 100, .groups = "drop") |>
  ggplot(aes(mes_ref, reorder(banco, desc(banco)), fill = pct)) +
  geom_tile(color = "white", linewidth = 0.3) +
  scale_fill_gradient(low = pal[["destaque"]], high = pal[["primaria"]],
                      labels = \(x) paste0(x, "%"), name = "Dias com publicação") +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y", expand = c(0, 0)) +
  labs(title = "Onde estão os NA no calendário",
       subtitle = "Percentual dos dias de cada mês em que o banco publicou",
       x = NULL, y = NULL, caption = fonte_txt) +
  theme_story() + theme(legend.position = "right", legend.title = element_text())

Interpretação: Nos sete bancos, o mosaico é quase uniforme: cerca de 70% dos dias de cada mês têm publicação, que é o que sobra depois de tirar sábados e domingos. De fato, 90% de todos os NA do calendário são fim de semana e outros 10% são dias úteis sem publicação (feriados de cada banco). Ou seja, quase todo NA aqui é calendário, não erro de dado. A exceção visível é o FED: nos últimos 90 dias ele publicou em apenas 27% dos dias, contra 67% no período todo. Na coluna do FED, o tom mais claro no fim da série indica publicação semanal, coerente com o cadence: weekly do index.json.

1.6 Organização das cotações para comparação

Na tabela original, a moeda foco (USD) aparece em várias linhas, com uma representação por banco:

cotacoes |>
  filter(date == as.Date("2025-01-02"), moeda_estrangeira == moeda_foco, type != "buy") |>
  select(banco, base, quote, type, value, local_por_estrangeira) |>
  tabela("ANTES (formato longo): um dia, uma linha por banco", digits = 4)

ANTES (formato longo): um dia, uma linha por banco
banco	base	quote	type	value	local_por_estrangeira
bcb	USD	BRL	sell	6,2086	6,2086
boc	USD	CAD	indicative	1,4418	1,4418
boe	GBP	USD	reference	1,2375	0,8081
bok	USD	KRW	reference	1.470,0000	1.470,0000
ecb	EUR	USD	reference	1,0321	0,9689
pboc	USD	CNY	reference	7,1879	7,1879

São selecionadas as linhas da moeda foco e utilizada a coluna já normalizada local_por_estrangeira. As cotações são reorganizadas para que cada combinação de banco e tipo ocupe uma coluna, como bcb_sell ou ecb_reference. Séries inexistentes para a moeda escolhida não são descartadas: como o dólar é a moeda local do FED, por exemplo, fed_reference permanece como uma coluna preenchida por NA. Por fim, o painel é combinado com o calendário para manter também sábados, domingos e feriados.

series_esperadas <- cotacoes |> distinct(banco, type) |>
  transmute(serie = paste(banco, type, sep = "_")) |> pull(serie) |> sort()

painel <- cotacoes |>
  filter(moeda_estrangeira == moeda_foco) |>
  mutate(serie = paste(banco, type, sep = "_")) |>
  select(date, serie, local_por_estrangeira) |>
  pivot_wider(names_from = serie, values_from = local_por_estrangeira)

painel[setdiff(series_esperadas, names(painel))] <- NA_real_   # coluna inexistente vira toda NA

painel <- calendario |>
  left_join(painel, by = "date") |>
  select(all_of(names(calendario)), all_of(series_esperadas))

Como ficaram os dados:

painel |>
  filter(date >= as.Date("2025-01-02"), date <= as.Date("2025-01-07")) |>
  select(date, fim_de_semana, all_of(series_esperadas)) |>
  tabela(paste0("DEPOIS: uma coluna por série; moeda local por 1 ", moeda_foco, "; fim de semana = NA"),
         digits = 4, horizontal = TRUE, fonte = 12)

DEPOIS: uma coluna por série; moeda local por 1 USD; fim de semana = NA
date	fim_de_semana	bcb_buy	bcb_sell	boc_indicative	boe_reference	bok_reference	ecb_reference	fed_reference	pboc_reference
2025-01-02	FALSE	6,2080	6,2086	1,4418	0,8081	1.470,0	0,9689	NA	7,1879
2025-01-03	FALSE	6,1557	6,1563	1,4442	0,8062	1.468,3	0,9710	NA	7,1878
2025-01-04	TRUE	NA	NA	NA	NA	NA	NA	NA	NA
2025-01-05	TRUE	NA	NA	NA	NA	NA	NA	NA	NA
2025-01-06	FALSE	6,1113	6,1119	1,4348	0,7995	1.466,8	0,9591	NA	7,1876
2025-01-07	FALSE	6,0735	6,0741	1,4340	0,8001	1.470,8	0,9622	NA	7,1879

painel |>
  summarise(across(all_of(series_esperadas), \(x) sum(is.na(x)))) |>
  pivot_longer(everything(), names_to = "serie", values_to = "dias_NA") |>
  mutate(pct_NA = dias_NA / nrow(painel) * 100) |>
  tabela(paste0("Valores ausentes por série no painel ", moeda_foco), digits = 1)

Valores ausentes por série no painel USD
serie	dias_NA	pct_NA
bcb_buy	894	31,2
bcb_sell	894	31,2
boc_indicative	909	31,7
boe_reference	883	30,8
bok_reference	933	32,6
ecb_reference	855	29,8
fed_reference	2.865	100,0
pboc_reference	963	33,6

fed_reference é 100% NA de propósito: o FED tem o dólar como moeda local, então não existe “dólar visto pelo FED”. A coluna é mantida em vez de sumir.

1.7 Reunião das informações de cada instituição

A mesma fonte (bcb) aparece em dois arquivos JSON, cada um com campos diferentes:

sources_tbl |> filter(codigo == "bcb") |> select(codigo, name, country) |>
  tabela("sources.json", digits = 0)

sources.json
codigo	name	country
bcb	Banco Central do Brasil (PTAX)	Brazil

index_tbl |> filter(codigo == "bcb") |> select(codigo, latest, cadence, stale, currencies) |>
  tabela("index.json", digits = 0)

index.json
codigo	latest	cadence	stale	currencies
bcb	2026-11-05	daily	FALSE	312

As informações de sources.json e index.json são reunidas em uma única tabela, usando o código da instituição para identificar os registros correspondentes. Uma instituição presente em apenas um dos arquivos também é mantida, e os campos sem informação permanecem como NA. Quando um dado aparece em apenas uma das fontes, esse valor é aproveitado. A licença vem do latest.json, enquanto as estatísticas de cobertura são calculadas a partir dos arquivos CSV.

cobertura_csv <- cotacoes |>
  group_by(banco) |>
  summarise(inicio = min(date), fim = max(date), linhas = n(),
            dias_publicados = n_distinct(date),
            pares_cambiais  = n_distinct(base, quote),
            series          = n_distinct(base, quote, type),
            tipos_cotacao   = paste(sort(unique(type)), collapse = ", "),
            media_cotacoes_por_dia = n() / n_distinct(date),
            .groups = "drop")

catalogo <- sources_tbl |>
  full_join(index_tbl, by = "codigo", suffix = c("", ".idx")) |>
  mutate(name          = coalesce(name, name.idx),
         country       = coalesce(country, country.idx),
         home_currency = coalesce(home_currency, home_currency.idx),
         kind          = coalesce(kind, kind.idx),
         page          = coalesce(page, page.idx)) |>
  select(-ends_with(".idx")) |>
  left_join(licencas, by = "codigo") |>
  left_join(rename(cobertura_csv, codigo = banco), by = "codigo") |>
  mutate(no_escopo = codigo %in% bancos)

Como ficaram os dados:

origem_col <- function(col) case_when(
  col == "codigo" ~ "chave das 2 fontes",
  col %in% c("name", "country", "home_currency", "kind", "official_source", "page") ~ "sources.json (completa com index.json)",
  col %in% c("latest", "cadence", "stale", "currencies", "latest_url") ~ "index.json",
  col == "license" ~ "[banco]/latest.json",
  col %in% names(cobertura_csv) ~ "CSV history (calculado)",
  TRUE ~ "derivada")

catalogo |>
  filter(codigo == "bcb") |>
  mutate(across(everything(), \(x) as.character(x))) |>
  mutate(across(-any_of(c("official_source", "page", "latest_url")),
                \(x) str_trunc(x, 38))) |>
  pivot_longer(-codigo, names_to = "coluna", values_to = "valor") |>
  mutate(
    origem = origem_col(coluna),
    rotulo_link = case_when(
      coluna == "official_source" ~ "API oficial do BCB (PTAX)",
      coluna == "page" ~ "Página da fonte na base de dados",
      coluna == "latest_url" ~ "Dados mais recentes do BCB",
      TRUE ~ NA_character_
    ),
    valor_exibido = case_when(
      is.na(valor) ~ "—",
      !is.na(rotulo_link) & str_detect(valor, "^https://") ~ paste0(
        '<a href="', htmltools::htmlEscape(valor, attribute = TRUE),
        '" target="_blank" rel="noopener noreferrer">', rotulo_link, '</a>'
      ),
      TRUE ~ htmltools::htmlEscape(str_trunc(valor, 38))
    )
  ) |>
  select(coluna, bcb = valor_exibido, origem) |>
  kable(format = "html", escape = FALSE,
        col.names = c("Informação", "Registro do BCB", "Origem"),
        caption = "Registro do BCB no catálogo") |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE,
                position = "left", font_size = 12) |>
  scroll_box(width = "100%", height = "420px")

Registro do BCB no catálogo
Informação	Registro do BCB	Origem
country	Brazil	sources.json (completa com index.json)
home_currency	BRL	sources.json (completa com index.json)
kind	central_bank	sources.json (completa com index.json)
name	Banco Central do Brasil (PTAX)	sources.json (completa com index.json)
official_source	API oficial do BCB (PTAX)	sources.json (completa com index.json)
page	Página da fonte na base de dados	sources.json (completa com index.json)
latest	2026-11-05	index.json
cadence	daily	index.json
stale	FALSE	index.json
currencies	312	index.json
latest_url	Dados mais recentes do BCB	index.json
license	CC BY-NC 4.0 — non-commercial use w…	[banco]/latest.json
inicio	2019-01-02	CSV history (calculado)
fim	2026-11-05	CSV history (calculado)
linhas	615601	CSV history (calculado)
dias_publicados	1971	CSV history (calculado)
pares_cambiais	160	CSV history (calculado)
series	320	CSV history (calculado)
tipos_cotacao	buy, sell	CSV history (calculado)
media_cotacoes_por_dia	312.329274479959	CSV history (calculado)
no_escopo	TRUE	derivada

O catálogo reúne os metadados disponíveis em sources.json e index.json, complementados pela licença de cada arquivo latest.json e pelas estatísticas calculadas a partir dos CSVs.

2. Base final

2.1 Tabela final

Base consolidada: 940.692 linhas × 13 colunas. A tabela abaixo mostra um par com dólar de cada banco em 02/01/2025; use a rolagem horizontal para consultar todas as colunas.

cotacoes |>
  filter(date == as.Date("2025-01-02"), base == "USD" | quote == "USD", type != "buy") |>
  distinct(banco, .keep_all = TRUE) |>
  tabela(paste0("Base final (cotacoes): ", ncol(cotacoes), " colunas"), n = 7, digits = 4,
         horizontal = TRUE, fonte = 11)

Base final (cotacoes): 13 colunas
date	banco	nome_instituicao	pais	moeda_local	tipo_instituicao	cadencia	base	quote	type	value	moeda_estrangeira	local_por_estrangeira
2025-01-02	bcb	Banco Central do Brasil (PTAX)	Brazil	BRL	central_bank	daily	USD	BRL	sell	6,2086	USD	6,2086
2025-01-02	boc	Bank of Canada	Canada	CAD	central_bank	daily	USD	CAD	indicative	1,4418	USD	1,4418
2025-01-02	boe	Bank of England	United Kingdom	GBP	central_bank	daily	GBP	USD	reference	1,2375	USD	0,8081
2025-01-02	bok	Bank of Korea	South Korea	KRW	central_bank	daily	USD	KRW	reference	1.470,0000	USD	1.470,0000
2025-01-02	ecb	European Central Bank	Eurozone	EUR	central_bank	daily	EUR	USD	reference	1,0321	USD	0,9689
2025-01-02	fed	US Federal Reserve (H.10)	United States	USD	central_bank	weekly	AUD	USD	reference	0,6208	AUD	0,6208
2025-01-02	pboc	People’s Bank of China (CFETS)	China	CNY	central_bank	daily	USD	CNY	reference	7,1879	USD	7,1879

2.2 O significado e a origem de cada coluna

Cada coluna da base final, com o arquivo e o campo originais de onde veio a informação. A coluna exemplo usa a linha BCB, USD→BRL, venda, 02/01/2025.

dicionario <- tribble(
  ~coluna, ~origem_tipo, ~origem, ~o_que_e, ~tratamento,
  "date", "CSV", "history/[ano].csv, coluna `date`", "Data de publicação da cotação", "Lida como Date",
  "banco", "CSV", "nome do arquivo ([banco]_[ano].csv)", "Código da instituição (bcb, fed, ecb...)", "O CSV não traz o banco; ele é guardado ao empilhar os arquivos",
  "nome_instituicao", "sources.json", "[banco] → `name`", "Nome completo da instituição", "Informação associada pelo código do banco",
  "pais", "sources.json", "[banco] → `country`", "País da instituição", "Informação associada pelo código do banco",
  "moeda_local", "sources.json", "[banco] → `home_currency`", "Moeda do país do banco", "Informação associada pelo código do banco",
  "tipo_instituicao", "sources.json", "[banco] → `kind`", "Banco central ou autoridade tributária", "Informação associada pelo código do banco",
  "cadencia", "index.json", "sources → [banco] → `cadence`", "Frequência de publicação (daily, weekly...)", "Informação associada pelo código do banco",
  "base", "CSV", "history/[ano].csv, coluna `base`", "Moeda que se compra (1 unidade)", "Nenhum",
  "quote", "CSV", "history/[ano].csv, coluna `quote`", "Moeda em que o preço é expresso", "Nenhum",
  "type", "CSV", "history/[ano].csv, coluna `type`", "Tipo da cotação (buy, sell, reference, indicative)", "Nenhum",
  "value", "CSV", "history/[ano].csv, coluna `value`", "Preço: unidades de `quote` por 1 `base`", "Lida como número",
  "moeda_estrangeira", "Derivada", "`base` ou `quote`", "A moeda que não é a local", "Pega o lado oposto da moeda local",
  "local_por_estrangeira", "Derivada", "`value`, `base`, `quote` e `moeda_local`", "Unidades da moeda local por 1 estrangeira (comparável entre bancos)", "Mantém `value` ou usa `1/value`, conforme a posição da moeda local"
)

stopifnot("dicionário incompleto" = setequal(dicionario$coluna, names(cotacoes)))

exemplo_linha <- cotacoes |>
  filter(banco == "bcb", base == "USD", type == "sell", date == as.Date("2025-01-02"))

dicionario |>
  mutate(coluna = factor(coluna, levels = names(cotacoes))) |> arrange(coluna) |>
  mutate(coluna  = as.character(coluna),
         tipo_R  = map_chr(coluna, \(c) class(cotacoes[[c]])[1]),
         exemplo = map_chr(coluna, \(c) as.character(exemplo_linha[[c]])),
         origem_tipo = as.character(origem_tipo)) |>
  select(coluna, tipo_R, origem_tipo, origem, o_que_e, tratamento, exemplo) |>
  kable(format = "html", escape = FALSE,
        col.names = c("Coluna", "Tipo", "Fonte", "Campo original", "O que é", "Tratamento", "Exemplo"),
        caption = paste0("Dicionário da base final (", ncol(cotacoes), " colunas)")) |>
  kable_styling(bootstrap_options = "striped", full_width = TRUE, font_size = 12)

Dicionário da base final (13 colunas)
Coluna	Tipo	Fonte	Campo original	O que é	Tratamento	Exemplo
date	Date	CSV	history/[ano].csv, coluna `date`	Data de publicação da cotação	Lida como Date	2025-01-02
banco	character	CSV	nome do arquivo ([banco]_[ano].csv)	Código da instituição (bcb, fed, ecb…)	O CSV não traz o banco; ele é guardado ao empilhar os arquivos	bcb
nome_instituicao	character	sources.json	[banco] → `name`	Nome completo da instituição	Informação associada pelo código do banco	Banco Central do Brasil (PTAX)
pais	character	sources.json	[banco] → `country`	País da instituição	Informação associada pelo código do banco	Brazil
moeda_local	character	sources.json	[banco] → `home_currency`	Moeda do país do banco	Informação associada pelo código do banco	BRL
tipo_instituicao	character	sources.json	[banco] → `kind`	Banco central ou autoridade tributária	Informação associada pelo código do banco	central_bank
cadencia	character	index.json	sources → [banco] → `cadence`	Frequência de publicação (daily, weekly…)	Informação associada pelo código do banco	daily
base	character	CSV	history/[ano].csv, coluna `base`	Moeda que se compra (1 unidade)	Nenhum	USD
quote	character	CSV	history/[ano].csv, coluna `quote`	Moeda em que o preço é expresso	Nenhum	BRL
type	character	CSV	history/[ano].csv, coluna `type`	Tipo da cotação (buy, sell, reference, indicative)	Nenhum	sell
value	numeric	CSV	history/[ano].csv, coluna `value`	Preço: unidades de `quote` por 1 `base`	Lida como número	6.2086
moeda_estrangeira	character	Derivada	`base` ou `quote`	A moeda que não é a local	Pega o lado oposto da moeda local	USD
local_por_estrangeira	numeric	Derivada	`value`, `base`, `quote` e `moeda_local`	Unidades da moeda local por 1 estrangeira (comparável entre bancos)	Mantém `value` ou usa `1/value`, conforme a posição da moeda local	6.2086

dicionario |> count(origem_tipo, name = "colunas") |> arrange(desc(colunas)) |>
  tabela("Quantas colunas vieram de cada fonte", digits = 0)

Quantas colunas vieram de cada fonte
origem_tipo	colunas
CSV	6
sources.json	4
Derivada	2
index.json	1

2.3 Conferência da base e dos valores ausentes

tibble(
  criterio = c("Base final com 13 colunas", "Todas as linhas originais foram preservadas",
               "Todas as colunas documentadas no dicionário", "Fontes de dados combinadas"),
  resultado = c(paste0(ncol(cotacoes), " colunas"),
                paste0(fmt(nrow(cotacoes), 0), " linhas = ", fmt(nrow(cotacoes_raw), 0), " do CSV"),
                paste0(nrow(dicionario), " de ", ncol(cotacoes)),
                "CSV + sources.json + index.json + latest.json"),
  ok = c(ncol(cotacoes) == 13, nrow(cotacoes) == nrow(cotacoes_raw),
         setequal(dicionario$coluna, names(cotacoes)), TRUE)
) |>
  mutate(ok = ifelse(ok, "OK", "FALHOU")) |>
  kable(format = "html", caption = "Critérios") |>
  kable_styling(bootstrap_options = "striped", full_width = FALSE)

Critérios
criterio	resultado	ok
Base final com 13 colunas	13 colunas	OK
Todas as linhas originais foram preservadas	940.692 linhas = 940.692 do CSV	OK
Todas as colunas documentadas no dicionário	13 de 13	OK
Fontes de dados combinadas	CSV + sources.json + index.json + latest.json	OK

cobertura_csv |>
  tabela("Cobertura por banco (CSV)", digits = 1)

Cobertura por banco (CSV)
banco	inicio	fim	linhas	dias_publicados	pares_cambiais	series	tipos_cotacao	media_cotacoes_por_dia
bcb	2019-01-02	2026-11-05	615.601	1.971	160	320	buy, sell	312,3
boc	2019-01-02	2026-11-04	45.866	1.956	27	27	indicative	23,4
boe	2019-01-02	2026-11-04	45.586	1.982	23	23	reference	23,0
bok	2019-01-02	2026-11-05	83.076	1.932	43	43	reference	43,0
ecb	2019-01-02	2026-11-05	61.921	2.010	32	32	reference	30,8
fed	2019-01-02	2026-10-30	42.306	1.923	22	22	reference	22,0
pboc	2019-01-02	2026-11-05	46.336	1.902	25	25	reference	24,4

tibble(saida = c("cotacoes (base final)", "painel de comparação", "cobertura (calendário)", "catalogo"),
       linhas = c(nrow(cotacoes), nrow(painel), nrow(cobertura), nrow(catalogo)),
       colunas = c(ncol(cotacoes), ncol(painel), ncol(cobertura), ncol(catalogo)),
       celulas_NA = c(sum(is.na(cotacoes)), sum(is.na(painel)), sum(is.na(cobertura)), sum(is.na(catalogo)))) |>
  tabela("Onde estão os NA (todos preservados)", digits = 0)

Onde estão os NA (todos preservados)
saida	linhas	colunas	celulas_NA
cotacoes (base final)	940.692	13	0
painel de comparação	2.865	11	9.196
cobertura (calendário)	20.055	8	20.055
catalogo	129	22	1.098

A base final (cotacoes) tem 0 NA porque reúne apenas as cotações efetivamente publicadas. Os valores ausentes aparecem quando essas cotações são combinadas com o calendário (cobertura e painel) e com as informações institucionais (catalogo). Nenhum registro original foi descartado.

3. Como o dólar variou em relação a outras moedas?

Pergunta

Desde janeiro de 2019, frente a quais moedas o dólar mais subiu e em que ano aconteceram os maiores choques?

Usa a coluna local_por_estrangeira da base final para as seis moedas que têm cotação do dólar publicada pelo próprio banco central: real (BCB), euro (ECB), libra (BoE), dólar canadense (BoC), won (BoK) e yuan (PBoC). O FED fica de fora porque o dólar é a moeda dele. Para esta análise só entram os dias com cotação; os NA continuam na base e no painel.

series_foco <- c(bcb_sell = "Real (BCB)", ecb_reference = "Euro (ECB)",
                 boe_reference = "Libra (BoE)", boc_indicative = "Dólar canadense (BoC)",
                 bok_reference = "Won (BoK)", pboc_reference = "Yuan (PBoC)")

usd_longo <- cotacoes |>
  filter(moeda_estrangeira == "USD") |>
  mutate(serie = paste(banco, type, sep = "_")) |>
  filter(serie %in% names(series_foco)) |>
  transmute(date, serie, moeda = series_foco[serie], valor = local_por_estrangeira) |>
  group_by(serie) |> arrange(date, .by_group = TRUE) |>
  mutate(indice = 100 * valor / first(valor),
         retorno = log(valor / lag(valor))) |>
  ungroup()

metricas <- usd_longo |>
  group_by(moeda) |>
  summarise(inicio = first(valor), fim = last(valor),
            var_acum_pct = (fim / inicio - 1) * 100,
            vol_anual_pct = sd(retorno, na.rm = TRUE) * sqrt(252) * 100,
            .groups = "drop") |>
  arrange(desc(var_acum_pct))

anual <- usd_longo |>
  mutate(ano = as.integer(format(date, "%Y"))) |>
  group_by(moeda, ano) |>
  summarise(primeiro = first(valor), ultimo = last(valor), .groups = "drop") |>
  group_by(moeda) |> arrange(ano, .by_group = TRUE) |>
  mutate(base = coalesce(lag(ultimo), primeiro), var = (ultimo / base - 1) * 100) |>
  ungroup()

tabela(head(usd_longo, 4), "Os dados desta análise (primeiras linhas)", digits = 4)

Os dados desta análise (primeiras linhas)
date	serie	moeda	valor	indice	retorno
2019-01-02	bcb_sell	Real (BCB)	3,8595	100,0000	NA
2019-01-03	bcb_sell	Real (BCB)	3,7683	97,6370	-0,0239
2019-01-04	bcb_sell	Real (BCB)	3,7627	97,4919	-0,0015
2019-01-07	bcb_sell	Real (BCB)	3,7062	96,0280	-0,0151

Evolução das moedas ao longo do tempo

cores_moedas <- c(
  "Real (BCB)" = "#356B86",
  "Euro (ECB)" = "#7D91A0",
  "Libra (BoE)" = "#789080",
  "Dólar canadense (BoC)" = "#A99A78",
  "Won (BoK)" = "#A96F6A",
  "Yuan (PBoC)" = "#526B78"
)

ggplot(usd_longo, aes(date, indice, color = moeda)) +
  geom_hline(yintercept = 100, color = "grey70", linetype = "dashed") +
  geom_line(linewidth = 0.7) +
  scale_color_manual(values = cores_moedas) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  labs(title = "O dólar frente a seis moedas, visto por cada banco central",
       subtitle = "Índice base 100 = primeira cotação de cada série (jan/2019). Acima de 100 = dólar mais forte",
       x = NULL, y = "Índice", caption = fonte_txt) +
  theme_story()

O dólar subiu frente a 4 das 6 moedas desde jan/2019. O destaque é o Real (BCB): o dólar acumula 41,5% de alta (de 3,86 para 5,46 unidades da moeda por dólar). No outro extremo, frente ao Libra (BoE) o dólar variou -6,4%. As linhas das moedas dos países ricos (euro, libra, dólar canadense, yuan) ficam coladas à linha de 100, enquanto real e won se descolam: moedas emergentes oscilam muito mais, o que o próximo gráfico detalha ano a ano.

Ano a ano

anual |>
  mutate(rotulo_ano = ifelse(ano == max(ano), paste0(ano, "*"), as.character(ano)),
         moeda = factor(moeda, levels = rev(metricas$moeda))) |>
  ggplot(aes(rotulo_ano, moeda, fill = var)) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(aes(label = sprintf("%+.0f%%", var), color = abs(var) > 15), size = 3.5) +
  scale_color_manual(values = c(`FALSE` = "#263746", `TRUE` = "#FFFFFF"), guide = "none") +
  scale_fill_gradient2(low = pal[["secundaria"]], mid = "white", high = pal[["alerta"]],
                       midpoint = 0, limits = c(-25, 30), oob = scales::squish,
                       name = "Variação do dólar no ano (%)") +
  labs(title = "Em que ano o dólar mais subiu (vermelho) ou caiu (azul)",
       subtitle = "Variação de fim de ano a fim de ano, em unidades da moeda local por dólar",
       x = NULL, y = NULL,
       caption = paste0(fonte_txt, "\n* ", max(anual$ano), " vai só até ", format(max(usd_longo$date), "%d/%m/%Y"))) +
  theme_story() + theme(legend.position = "bottom", legend.key.width = unit(2.2, "cm"))

O maior salto individual do dólar foi frente ao Real (BCB) em 2020: 28,9%. A maior queda foi frente ao Euro (ECB) em 2025: -11,6%. Em 2020 o dólar subiu 28,9% frente ao real, e o real teve alta do dólar em 4 de 8 anos. Isso mostra que o acumulado do primeiro gráfico foi construído em poucos choques grandes, não em uma subida constante.

Volatilidade e principais resultados

metricas |>
  transmute(Moeda = moeda, `Início` = inicio, Fim = fim,
            `Variação acumulada` = var_acum_pct, `Volatilidade anualizada` = vol_anual_pct) |>
  tabela("Variação acumulada × volatilidade (dólar em moeda local)", digits = 2)

Variação acumulada × volatilidade (dólar em moeda local)
Moeda	Início	Fim	Variação acumulada	Volatilidade anualizada
Real (BCB)	3,86	5,46	41,52	14,12
Won (BoK)	1.118,10	1.340,70	19,91	7,99
Dólar canadense (BoC)	1,36	1,40	2,65	5,70
Euro (ECB)	0,88	0,89	1,54	7,14
Yuan (PBoC)	6,85	6,72	-1,94	3,30
Libra (BoE)	0,79	0,74	-6,41	8,80

Conclusão. A mesma moeda lidera nos dois critérios: Real (BCB) é a que mais perdeu valor frente ao dólar (41,5%) e a mais volátil (14,1% ao ano). A volatilidade foi calculada sobre os retornos logarítmicos entre cotações consecutivas, multiplicados por √252; é uma aproximação, porque os bancos não publicam todos os dias úteis.

Os níveis das séries não são comparáveis entre si (cada uma é uma moeda diferente). Por isso a análise usa índice e variação percentual. As cotações foram convertidas para a mesma unidade pela coluna local_por_estrangeira (seção 2.4).

4. As instituições apresentam cotações semelhantes?

Pergunta

Três instituições independentes (Banco Central do Brasil, Federal Reserve e Banco Central Europeu) concordam sobre quanto vale o dólar em reais?

Este é o teste da junção: a mesma grandeza (dólar em reais) sai de três fontes, cada uma com uma regra de publicação e cálculo própria. O BCB publica USD→BRL direto (PTAX, venda). O FED também publica USD→BRL. O ECB não tem dólar em reais: ele publica EUR→BRL e EUR→USD, e o dólar em reais implícito é a divisão EUR→BRL ÷ EUR→USD. O BCB é a referência de comparação.

cmp <- cotacoes |>
  filter((banco == "bcb" & base == "USD" & quote == "BRL" & type == "sell") |
         (banco == "fed" & base == "USD" & quote == "BRL") |
         (banco == "ecb" & base == "EUR" & quote %in% c("BRL", "USD"))) |>
  mutate(serie = case_when(banco == "bcb" ~ "bcb_usd_brl",
                           banco == "fed" ~ "fed_usd_brl",
                           quote == "BRL" ~ "ecb_eur_brl",
                           TRUE           ~ "ecb_eur_usd")) |>
  select(date, serie, value) |>
  pivot_wider(names_from = serie, values_from = value)

# partindo do calendário: dias sem alguma das fontes ficam com NA (não são removidos)
comparacao <- calendario |>
  select(date, fim_de_semana) |>
  left_join(cmp, by = "date") |>
  mutate(ecb_usd_brl_implicito = ecb_eur_brl / ecb_eur_usd,
         dif_fed_pct = (fed_usd_brl / bcb_usd_brl - 1) * 100,
         dif_ecb_pct = (ecb_usd_brl_implicito / bcb_usd_brl - 1) * 100)

comparacao |>
  filter(date >= as.Date("2025-01-02"), date <= as.Date("2025-01-07")) |>
  select(date, bcb_usd_brl, fed_usd_brl, ecb_eur_brl, ecb_eur_usd, ecb_usd_brl_implicito, dif_fed_pct, dif_ecb_pct) |>
  tabela("Os dados desta análise: cada fonte numa coluna, NA onde não publicou", digits = 4,
         horizontal = TRUE, fonte = 12)

Os dados desta análise: cada fonte numa coluna, NA onde não publicou
date	bcb_usd_brl	fed_usd_brl	ecb_eur_brl	ecb_eur_usd	ecb_usd_brl_implicito	dif_fed_pct	dif_ecb_pct
2025-01-02	6,2086	6,1556	6,4200	1,0321	6,2203	-0,8537	0,1889
2025-01-03	6,1563	6,1759	6,3478	1,0299	6,1635	0,3184	0,1171
2025-01-04	NA	NA	NA	NA	NA	NA	NA
2025-01-05	NA	NA	NA	NA	NA	NA	NA
2025-01-06	6,1119	6,1086	6,3649	1,0426	6,1048	-0,0540	-0,1156
2025-01-07	6,0741	6,0641	6,3134	1,0393	6,0747	-0,1646	0,0093

Como as diferenças mudam ao longo do tempo

comparacao |>
  pivot_longer(c(dif_fed_pct, dif_ecb_pct), names_to = "fonte", values_to = "dif") |>
  filter(!is.na(dif)) |>                                      # só para desenhar; os NA seguem em `comparacao`
  mutate(fonte = recode(fonte, dif_fed_pct = "FED (USD→BRL)", dif_ecb_pct = "ECB (EUR→BRL ÷ EUR→USD)")) |>
  ggplot(aes(date, dif, color = fonte)) +
  annotate("rect", xmin = min(comparacao$date), xmax = max(comparacao$date),
           ymin = -1, ymax = 1, fill = pal[["fundo"]]) +
  geom_hline(yintercept = 0, color = "grey50") +
  geom_point(size = 0.7, alpha = 0.55) +
  scale_color_manual(values = c(pal[["alerta"]], pal[["secundaria"]])) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = \(x) paste0(x, "%")) +
  guides(color = guide_legend(override.aes = list(size = 3, alpha = 1))) +
  labs(title = "Quanto cada fonte difere do PTAX (venda)",
       subtitle = "Diferença percentual diária do dólar em reais. Faixa cinza = ±1%",
       x = NULL, y = "Diferença vs. PTAX", caption = fonte_txt) +
  theme_story()

As três fontes andam praticamente juntas: a diferença média em módulo é de 0,22% para o FED e 0,32% para o ECB, e 99,0% e 96,7% dos dias, respectivamente, ficam dentro de ±1%. As diferenças são aleatórias, sem viés: a média com sinal é -0,015% (FED) e -0,003% (ECB). O pior dia do FED foi 09/11/2020 (1,66%) e o do ECB foi 03/06/2020 (2,56%). Uma explicação plausível, que esta análise não testa, é que cada instituição fixa a cotação em um horário diferente do dia, e o real é uma moeda que se move bastante em poucas horas.

Distribuição das diferenças e dias com dados disponíveis

comparacao |>
  pivot_longer(c(dif_fed_pct, dif_ecb_pct), names_to = "fonte", values_to = "dif") |>
  filter(!is.na(dif)) |>
  mutate(fonte = recode(fonte, dif_fed_pct = "FED (USD→BRL)", dif_ecb_pct = "ECB (implícito)")) |>
  ggplot(aes(dif, fill = fonte)) +
  geom_histogram(binwidth = 0.1, boundary = 0, color = "white", linewidth = 0.2) +
  geom_vline(xintercept = 0, color = "grey30") +
  facet_wrap(~fonte, ncol = 1) +
  scale_fill_manual(values = c(pal[["alerta"]], pal[["secundaria"]]), guide = "none") +
  scale_x_continuous(labels = \(x) paste0(x, "%")) +
  labs(title = "Distribuição da diferença diária vs. PTAX",
       subtitle = "Cada barra = 0,1 ponto percentual", x = "Diferença vs. PTAX", y = "Dias",
       caption = fonte_txt) +
  theme_story() + theme(strip.text = element_text(face = "bold", color = pal[["primaria"]]))

Os dois histogramas são sinos centrados em zero. O do ECB é mais largo (diferença média em módulo de 0,32% contra 0,22% do FED), o que é esperado: o dólar em reais do ECB é calculado a partir de duas cotações (EUR→BRL e EUR→USD), então carrega o erro de horário das duas. O do FED é uma cotação direta.

comparacao |>
  summarise(`Dias do calendário` = n(),
            `BCB publicou` = sum(!is.na(bcb_usd_brl)),
            `BCB e FED juntos` = sum(!is.na(bcb_usd_brl) & !is.na(fed_usd_brl)),
            `BCB e ECB juntos` = sum(!is.na(bcb_usd_brl) & !is.na(ecb_usd_brl_implicito)),
            `BCB publicou e FED não` = sum(!is.na(bcb_usd_brl) & is.na(fed_usd_brl)),
            `BCB publicou e ECB não` = sum(!is.na(bcb_usd_brl) & is.na(ecb_usd_brl_implicito))) |>
  pivot_longer(everything(), names_to = "Contagem", values_to = "Dias") |>
  tabela("Dias comparáveis: onde não há dados disponíveis", digits = 0)

Dias comparáveis: onde não há dados disponíveis
Contagem	Dias
Dias do calendário	2.865
BCB publicou	1.971
BCB e FED juntos	1.866
BCB e ECB juntos	1.958
BCB publicou e FED não	105
BCB publicou e ECB não	13

resumo_dif |>
  transmute(Fonte = fonte, `Dias comparados` = dias, `Média (com sinal, %)` = media,
            `Média em módulo (%)` = abs_media, `Dentro de ±1% (%)` = dentro_1pct,
            `Pior dia` = format(pior_dia, "%d/%m/%Y"), `Pior diferença (%)` = pior_dif) |>
  tabela("Resumo das diferenças vs. PTAX", digits = 3)

Resumo das diferenças vs. PTAX
Fonte	Dias comparados	Média (com sinal, %)	Média em módulo (%)	Dentro de ±1% (%)	Pior dia	Pior diferença (%)
ECB (implícito)	1.958	-0,003	0,323	96,680	03/06/2020	2,556
FED (USD→BRL)	1.866	-0,015	0,223	98,982	09/11/2020	1,657

Conclusão

Sim, as três fontes concordam. Em 1.866 dias comparáveis com o FED e 1.958 com o ECB, a diferença típica em relação ao PTAX é de poucos décimos de ponto percentual, sem viés. Para o storytelling, isso permite dizer que o dólar em reais não depende da fonte escolhida na escala dos gráficos. Para uso em contratos ou cálculos de imposto, onde cada centavo importa, a fonte importa: o dia pior chegou a 2,6%.

A comparação só é possível porque a base final apresenta as cotações na mesma unidade e organiza os registros por data. Em 105 dias o BCB publicou e o FED não, e esses dias seguem na tabela comparacao com NA (só ficam de fora do cálculo da diferença).

Câmbio visto por bancos centrais

Integração e análise de dados cambiais (2019–2026)

Italo

2026-11-05

Relatório

1. Dados e tratamento

1.1 Registros históricos em CSV

1.2 Informações sobre as instituições

1.3 Cotações mais recentes

1.4 Como as cotações foram reunidas e padronizadas

1.5 Dias sem publicação e valores ausentes

1.6 Organização das cotações para comparação

1.7 Reunião das informações de cada instituição

2. Base final

2.1 Tabela final

2.2 O significado e a origem de cada coluna

2.3 Conferência da base e dos valores ausentes

3. Como o dólar variou em relação a outras moedas?

Pergunta

Evolução das moedas ao longo do tempo

Ano a ano

Volatilidade e principais resultados

4. As instituições apresentam cotações semelhantes?

Pergunta

Como as diferenças mudam ao longo do tempo

Distribuição das diferenças e dias com dados disponíveis

Conclusão