# Mostra as primeiras linhas de um arquivo, sem nenhuma interpretação
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"))

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

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

cotacoes_raw <- csv_arq |>
  filter(file.exists(destino)) |>
  # lê cada arquivo com tipos definidos; o banco vem do próprio data frame de arquivos
  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)

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

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)

# Mostra um trecho do JSON a partir de uma chave (sem interpretar a estrutura)
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)

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

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"))

# Converte a lista aninhada (uma chave por banco) em tabela, com o código do banco como coluna
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")
}

# "hkab" fica fora: não faz parte das sete instituições analisadas
sources_tbl <- lista_para_tibble(sources) |>
  filter(codigo != "hkab")
index_tbl   <- lista_para_tibble(index$sources) |>
  filter(codigo != "hkab")

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

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

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

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

cat("   ...\n")

# Estrutura do JSON (apenas o primeiro nível)
str(latest$bcb, max.level = 1, give.attr = FALSE, vec.len = 2)

# Texto de licença de cada banco (vira uma coluna)
licencas <- tibble(
  codigo  = bancos,
  license = map_chr(latest, \(x) if (is.null(x$license)) NA_character_ else x$license)
)

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)

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

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)

# Metadados de cada instituição (um registro por banco)
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(
    # a moeda estrangeira é o lado que não é a moeda local do banco
    moeda_estrangeira = case_when(quote == moeda_local ~ base,
                                  base == moeda_local ~ quote,
                                  TRUE ~ NA_character_),
    # unidades da moeda local por 1 unidade da estrangeira (comparável entre bancos)
    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: a junção não pode perder linhas nem mudar o número de colunas
stopifnot("linhas perdidas na junção" = nrow(cotacoes) == nrow(cotacoes_raw))
stopifnot("base final não tem 13 colunas" = ncol(cotacoes) == 13)

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)

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)

# Calendário completo, do primeiro ao último dia presente nos dados
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)

# Um registro por banco e por dia; quem não publicou fica com NA e um motivo
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 por banco e por motivo
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")

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)

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

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())

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)

# Todas as séries (banco_tipo) que existem na base
series_esperadas <- cotacoes |> distinct(banco, type) |>
  transmute(serie = paste(banco, type, sep = "_")) |> pull(serie) |> sort()

# Formato largo: uma coluna por série
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

# Junta com o calendário para manter os dias sem publicação
painel <- calendario |>
  left_join(painel, by = "date") |>
  select(all_of(names(calendario)), all_of(series_esperadas))

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)

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)

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

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

# Estatísticas de cobertura de cada banco, calculadas a partir dos CSVs
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")

# Catálogo: junta os dois JSONs, completa campos faltantes e acrescenta licença e cobertura
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)

# De qual arquivo veio cada coluna do catálogo
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")

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

# `text` define o conteúdo da dica interativa
g_indice <- usd_longo |>
  mutate(texto = paste0(moeda, "<br>", format(date, "%d/%m/%Y"),
                        "<br>Índice: ", fmt(indice, 1))) |>
  ggplot(aes(date, indice, color = moeda, group = moeda, text = texto)) +
  geom_hline(yintercept = 100, color = "grey70", linetype = "dashed") +
  geom_line(linewidth = 0.6) +
  scale_color_manual(values = cores_moedas) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  labs(x = NULL, y = "Índice (base 100 = jan/2019)", color = NULL) +
  theme_story()

ggplotly(g_indice, tooltip = "text") |>
  layout(title = list(text = paste0("<b>O dólar frente a seis moedas, visto por cada banco central</b>",
                                    "<br><sup>Índice base 100 = primeira cotação de cada série. ",
                                    "Acima de 100 = dólar mais forte</sup>"), x = 0),
         legend = list(orientation = "h", y = -0.12),
         margin = list(t = 80))

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"))

# Formato largo (uma coluna por ano) para facilitar a leitura
anual_larga <- anual |>
  select(Moeda = moeda, ano, var) |>
  pivot_wider(names_from = ano, values_from = var)

tabela_dt(anual_larga, colunas_num = setdiff(names(anual_larga), "Moeda"), digits = 1)

# Volatilidade móvel: desvio-padrão dos retornos nas últimas 60 cotações, anualizado (x raiz de 252)
vol_movel <- usd_longo |>
  group_by(moeda) |> arrange(date, .by_group = TRUE) |>
  mutate(vol_60 = rollapplyr(retorno, width = 60,
                             FUN = \(x) sd(x, na.rm = TRUE) * sqrt(252) * 100,
                             fill = NA)) |>
  ungroup()

# Momento de maior volatilidade de cada moeda
pico_vol <- vol_movel |>
  filter(!is.na(vol_60)) |>
  group_by(moeda) |>
  slice_max(vol_60, n = 1, with_ties = FALSE) |>
  ungroup() |>
  arrange(desc(vol_60))

g_vol <- vol_movel |>
  filter(!is.na(vol_60)) |>
  mutate(texto = paste0(moeda, "<br>", format(date, "%d/%m/%Y"),
                        "<br>Volatilidade: ", fmt(vol_60, 1), "% a.a.")) |>
  ggplot(aes(date, vol_60, color = moeda, group = moeda, text = texto)) +
  geom_line(linewidth = 0.6) +
  scale_color_manual(values = cores_moedas) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  scale_y_continuous(labels = \(x) paste0(x, "%")) +
  labs(x = NULL, y = "Volatilidade anualizada", color = NULL) +
  theme_story()

ggplotly(g_vol, tooltip = "text") |>
  layout(title = list(text = paste0("<b>Volatilidade do dólar em janela móvel de 60 cotações</b>",
                                    "<br><sup>Desvio-padrão dos retornos diários, anualizado</sup>"), x = 0),
         legend = list(orientation = "h", y = -0.12),
         margin = list(t = 80))

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)

# Marcos da história (datas de anúncios amplamente divulgados)
eventos <- tribble(
  ~n, ~data, ~curto, ~evento,
  1L, as.Date("2020-03-11"), "Pandemia", "OMS caracteriza a COVID-19 como pandemia",
  2L, as.Date("2022-02-24"), "Invasão da Ucrânia", "Rússia invade a Ucrânia",
  3L, as.Date("2022-03-16"), "Alta de juros do FED", "FED inicia o ciclo de alta de juros",
  4L, as.Date("2025-04-02"), "Tarifas dos EUA", "EUA anunciam tarifas ampliadas sobre importações"
)

janela <- 30   # dias corridos após cada evento

# "Real (BCB)" -> "Real" (nome da moeda sem o banco, para os textos)
nome_curto <- function(x) sub(" \\(.*\\)$", "", x)

# (a) variação do dólar nos 30 dias após cada evento, por moeda
#     (última cotação disponível até a data do evento -> última cotação até data + 30 dias)
efeitos <- eventos |>
  mutate(res = map(data, \(d) usd_longo |>
    group_by(moeda) |> arrange(date, .by_group = TRUE) |>
    summarise(antes  = valor[max(which(date <= d))],
              depois = valor[max(which(date <= d + janela))],
              .groups = "drop") |>
    mutate(var_pct = (depois / antes - 1) * 100))) |>
  unnest(res)

# (b) referência: variação em TODAS as janelas de 30 dias de cada série
var_janela <- usd_longo |>
  group_by(moeda) |> arrange(date, .by_group = TRUE) |>
  mutate(idx = findInterval(as.numeric(date) + janela, as.numeric(date)),
         var_30d = ifelse(date + janela <= max(date), (valor[idx] / valor - 1) * 100, NA_real_)) |>
  ungroup()

ref_30d <- var_janela |>
  filter(!is.na(var_30d)) |>
  group_by(moeda) |>
  summarise(f = list(ecdf(abs(var_30d))), .groups = "drop")

# (c) percentil: o movimento do evento é maior que quantos % das janelas de 30 dias?
efeitos <- efeitos |>
  left_join(ref_30d, by = "moeda") |>
  mutate(percentil = map2_dbl(f, var_pct, \(f, v) f(abs(v)) * 100)) |>
  select(-f)

eventos |>
  transmute(`Nº` = n, Data = format(data, "%d/%m/%Y"), Evento = evento) |>
  tabela("Linha do tempo: os quatro eventos analisados", digits = 0)

y_topo <- max(usd_longo$indice)

g_eventos <- usd_longo |>
  mutate(texto = paste0(moeda, "<br>", format(date, "%d/%m/%Y"), "<br>Índice: ", fmt(indice, 1))) |>
  ggplot(aes(date, indice, color = moeda, group = moeda, text = texto)) +
  geom_vline(data = eventos, aes(xintercept = data), linetype = "dotted",
             color = "grey40", inherit.aes = FALSE) +
  geom_line(linewidth = 0.6) +
  geom_text(data = eventos, aes(x = data, y = y_topo * (1 - 0.05 * (n - 1)), label = n),
            fontface = "bold", color = "grey25", inherit.aes = FALSE) +
  scale_color_manual(values = cores_moedas) +
  scale_x_date(date_breaks = "1 year", date_labels = "%Y") +
  labs(x = NULL, y = "Índice (base 100 = jan/2019)", color = NULL) +
  theme_story()

ggplotly(g_eventos, tooltip = "text") |>
  layout(title = list(text = paste0("<b>A trajetória do dólar com os eventos marcados</b>",
                                    "<br><sup>1 = pandemia · 2 = invasão da Ucrânia · 3 = alta de juros do FED · 4 = tarifas dos EUA</sup>"),
                      x = 0),
         legend = list(orientation = "h", y = -0.12),
         margin = list(t = 80))

# Volatilidade anualizada em três períodos: antes, durante o choque e depois da pandemia
vol_pandemia <- usd_longo |>
  mutate(periodo = case_when(
    date <  as.Date("2020-03-11") ~ "antes",
    date <= as.Date("2020-06-30") ~ "choque",
    date <= as.Date("2021-12-31") ~ "depois",
    TRUE ~ NA_character_)) |>
  filter(!is.na(periodo)) |>
  group_by(moeda, periodo) |>
  summarise(vol = sd(retorno, na.rm = TRUE) * sqrt(252) * 100, .groups = "drop") |>
  pivot_wider(names_from = periodo, values_from = vol) |>
  mutate(multiplo = choque / antes) |>
  arrange(desc(multiplo))

pand      <- efeitos |> filter(n == 1)
pand_real <- pand |> filter(moeda == "Real (BCB)")
pand_max  <- pand |> slice_max(var_pct, n = 1)
vol_real  <- vol_pandemia |> filter(moeda == "Real (BCB)")
vol_max   <- vol_pandemia |> slice_max(multiplo, n = 1)

vol_pandemia |>
  transmute(Moeda = moeda,
            `Antes (jan/2019 a 10/03/2020)` = antes,
            `Choque (11/03 a 30/06/2020)`   = choque,
            `Depois (jul/2020 a dez/2021)`  = depois,
            `Choque ÷ antes (vezes)`         = multiplo) |>
  tabela("Volatilidade anualizada (% ao ano) em três momentos da pandemia", digits = 1)

lim <- min(20, ceiling(max(abs(efeitos$var_pct))))   # limite da escala de cores

efeitos |>
  mutate(rotulo = factor(paste0(n, ". ", curto), levels = paste0(eventos$n, ". ", eventos$curto)),
         moeda  = factor(moeda, levels = rev(metricas$moeda))) |>
  ggplot(aes(rotulo, moeda, fill = var_pct)) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(aes(label = sprintf("%+.1f%%", var_pct)), size = 3.3, color = "#263746") +
  scale_fill_gradient2(low = pal[["secundaria"]], mid = "white", high = pal[["alerta"]],
                       midpoint = 0, limits = c(-lim, lim), oob = scales::squish,
                       name = "Variação do dólar em 30 dias (%)") +
  scale_x_discrete(labels = scales::label_wrap(16)) +
  labs(title = "O que o dólar fez nos 30 dias seguintes a cada evento",
       subtitle = "Vermelho = dólar mais forte; azul = dólar mais fraco",
       x = NULL, y = NULL, caption = fonte_txt) +
  theme_story() + theme(legend.key.width = unit(2.2, "cm"))

# Resumo por evento: mediana entre as seis moedas e extremos
resumo_ev <- efeitos |>
  group_by(n, evento) |>
  summarise(mediana = median(var_pct),
            maior_alta = moeda[which.max(var_pct)], valor_alta = max(var_pct),
            maior_queda = moeda[which.min(var_pct)], valor_queda = min(var_pct),
            .groups = "drop")

resumo_ev |>
  transmute(`Nº` = n, Evento = evento, `Mediana (%)` = mediana,
            `Maior alta do dólar` = paste0(nome_curto(maior_alta), " (", pct_s(valor_alta, 1), ")"),
            `Menor variação (ou maior queda)` = paste0(nome_curto(maior_queda), " (", pct_s(valor_queda, 1), ")")) |>
  tabela("Efeito dos eventos nos 30 dias seguintes (seis moedas)", digits = 1)

n_ev_alta <- sum(resumo_ev$mediana > 0)

# Países que usam cada moeda (códigos ISO-3). Base: dados de territórios e moedas do CLDR (Unicode),
# restrita às moedas publicadas pelo BCB. O dólar dos EUA fica de fora (dólar contra dólar).
moedas_paises <- c(
  AED = "ARE", AFN = "AFG", ALL = "ALB", AMD = "ARM", AOA = "AGO", ARS = "ARG",
  AUD = "AUS CCK CXR HMD KIR NFK NRU TUV", AWG = "ABW", AZN = "AZE", BBD = "BRB", BDT = "BGD",
  BHD = "BHR", BIF = "BDI", BMD = "BMU", BND = "BRN", BOB = "BOL", BSD = "BHS", BTN = "BTN",
  BWP = "BWA", BYN = "BLR", BZD = "BLZ", CAD = "CAN", CDF = "COD", CHF = "CHE LIE",
  CLP = "CHL", CNY = "CHN", COP = "COL", CRC = "CRI", CUP = "CUB", CVE = "CPV", CZK = "CZE",
  DJF = "DJI", DKK = "DNK FRO GRL", DOP = "DOM", DZD = "DZA", EGP = "EGY", ERN = "ERI",
  ETB = "ETH",
  EUR = "ALA AND ATF AUT BEL BLM CYP DEU ESP EST FIN FRA GLP GRC GUF HRV IRL ITA LTU LUX LVA MAF MCO MLT MNE MTQ MYT NLD PRT REU SMR SPM SVK SVN VAT",
  FJD = "FJI", FKP = "FLK", GBP = "GBR GGY IMN JEY SGS", GEL = "GEO", GHS = "GHA", GIP = "GIB",
  GMD = "GMB", GNF = "GIN", GTQ = "GTM", GYD = "GUY", HKD = "HKG", HNL = "HND", HTG = "HTI",
  HUF = "HUN", IDR = "IDN", ILS = "ISR PSE", INR = "BTN IND", IQD = "IRQ", IRR = "IRN",
  ISK = "ISL", JMD = "JAM", JOD = "JOR", JPY = "JPN", KES = "KEN", KGS = "KGZ", KHR = "KHM",
  KMF = "COM", KRW = "KOR", KWD = "KWT", KYD = "CYM", KZT = "KAZ", LAK = "LAO", LBP = "LBN",
  LKR = "LKA", LRD = "LBR", LSL = "LSO", LYD = "LBY", MAD = "ESH MAR", MDL = "MDA",
  MGA = "MDG", MKD = "MKD", MMK = "MMR", MNT = "MNG", MOP = "MAC", MRU = "MRT", MUR = "MUS",
  MVR = "MDV", MWK = "MWI", MXN = "MEX", MYR = "MYS", MZN = "MOZ", NAD = "NAM", NGN = "NGA",
  NIO = "NIC", NOK = "BVT NOR SJM", NPR = "NPL", NZD = "COK NIU NZL PCN TKL", OMR = "OMN",
  PAB = "PAN", PEN = "PER", PGK = "PNG", PHP = "PHL", PKR = "PAK", PLN = "POL", PYG = "PRY",
  QAR = "QAT", RON = "ROU", RSD = "SRB", RUB = "RUS", RWF = "RWA", SAR = "SAU", SBD = "SLB",
  SCR = "SYC", SDG = "SDN", SEK = "SWE", SGD = "SGP", SHP = "SHN", SOS = "SOM", SRD = "SUR",
  SSP = "SSD", STN = "STP", SYP = "SYR", SZL = "SWZ", THB = "THA", TJS = "TJK", TMT = "TKM",
  TND = "TUN", TOP = "TON", TRY = "TUR", TTD = "TTO", TWD = "TWN", TZS = "TZA", UAH = "UKR",
  UGX = "UGA", UYU = "URY", UZS = "UZB", VES = "VEN", VND = "VNM", VUV = "VUT", WST = "WSM",
  XAF = "CAF CMR COG GAB GNQ TCD", XCD = "AIA ATG DMA GRD KNA LCA MSR VCT", XCG = "CUW SXM",
  XOF = "BEN BFA CIV GNB MLI NER SEN TGO", XPF = "NCL PYF WLF", YER = "YEM",
  ZAR = "LSO NAM ZAF", ZMW = "ZMB"
)

paises_moeda <- tibble(moeda_x = names(moedas_paises), iso3 = unname(moedas_paises)) |>
  separate_rows(iso3, sep = " ")

# Reais por unidade de cada moeda (PTAX, venda) e reais por dólar
bcb_brl <- cotacoes |>
  filter(banco == "bcb", type == "sell", quote == "BRL") |>
  select(date, moeda_x = base, brl_por_x = value)
usd_brl <- bcb_brl |> filter(moeda_x == "USD") |> transmute(date, brl_por_usd = brl_por_x)

# Dólar em unidades de cada moeda (cruzamento via real)
x_por_usd <- bcb_brl |>
  filter(!moeda_x %in% c("USD", "BRL")) |>
  inner_join(usd_brl, by = "date") |>
  transmute(date, moeda_x, x_por_usd = brl_por_usd / brl_por_x) |>
  bind_rows(transmute(usd_brl, date, moeda_x = "BRL", x_por_usd = brl_por_usd))

d_ini <- min(bcb_brl$date); d_fim <- max(bcb_brl$date)

# Redenominações: dias em que o valor muda por 100, 1.000, 1 milhão de vezes... de uma só vez.
# Isso é quebra da série (corte de zeros na moeda), não variação real; essas moedas ficam de fora.
redenominadas <- x_por_usd |>
  group_by(moeda_x) |> arrange(date, .by_group = TRUE) |>
  mutate(r = abs(log(x_por_usd / lag(x_por_usd)))) |>
  summarise(redenominada = any(abs(outer(r[!is.na(r)], (2:9) * log(10), "-")) < 0.05),
            .groups = "drop")

# Alta acumulada por moeda; só entram moedas observadas no começo e no fim do período,
# sem redenominação e associadas a algum país
mapa_moedas <- x_por_usd |>
  group_by(moeda_x) |> arrange(date, .by_group = TRUE) |>
  summarise(data_ini = first(date), data_fim = last(date),
            ini = first(x_por_usd), fim = last(x_por_usd), .groups = "drop") |>
  left_join(redenominadas, by = "moeda_x") |>
  mutate(var_acum_pct = (fim / ini - 1) * 100,
         cobre_periodo = data_ini <= d_ini + 30 & data_fim >= d_fim - 30,
         tem_pais = moeda_x %in% paises_moeda$moeda_x,
         usar = cobre_periodo & !redenominada & tem_pais)

# Um registro por país
nomes_paises <- maps::iso3166 |> transmute(iso3 = a3, pais = ISOname)
mapa_paises <- mapa_moedas |>
  filter(usar) |>
  inner_join(paises_moeda, by = "moeda_x") |>
  left_join(nomes_paises, by = "iso3") |>
  mutate(pais = coalesce(pais, iso3),
         texto = paste0("<b>", pais, "</b> (", moeda_x, ")<br>Dólar: ", pct_s(var_acum_pct, 1),
                        "<br>", fmt(ini, 2), " → ", fmt(fim, 2), " ", moeda_x, " por dólar"))

mapa_resumo <- filter(mapa_moedas, usar)
topo_mapa   <- mapa_resumo |> slice_max(var_acum_pct, n = 3)
queda_mapa  <- mapa_resumo |> slice_min(var_acum_pct, n = 3)

lim_inf <- -30; lim_sup <- 100   # limites da escala de cores

plot_ly(mapa_paises, type = "choropleth", locations = ~iso3, z = ~var_acum_pct,
        text = ~texto, hoverinfo = "text", zmin = lim_inf, zmax = lim_sup,
        colorscale = list(c(0, pal[["secundaria"]]),
                          c(-lim_inf / (lim_sup - lim_inf), "#FFFFFF"),
                          c(1, pal[["alerta"]])),
        marker = list(line = list(color = "white", width = 0.4)),
        colorbar = list(title = "Alta do dólar", ticksuffix = "%")) |>
  layout(title = list(text = paste0("<b>Onde o dólar mais se valorizou</b><br><sup>Alta acumulada do dólar frente à moeda de cada país, de ",
                                    format(d_ini, "%m/%Y"), " a ", format(d_fim, "%m/%Y"), "</sup>"), x = 0),
         geo = list(projection = list(type = "natural earth"), showframe = FALSE,
                    showcoastlines = FALSE, bgcolor = "rgba(0,0,0,0)"),
         margin = list(t = 80))

mapa_paises |>
  transmute(`País` = pais, Moeda = moeda_x, `Início` = ini, Fim = fim,
            `Alta acumulada do dólar (%)` = var_acum_pct) |>
  arrange(desc(`Alta acumulada do dólar (%)`)) |>
  tabela_dt(colunas_num = c("Início", "Fim", "Alta acumulada do dólar (%)"), digits = 2,
            completo = TRUE, legenda = "Países por alta acumulada do dólar (clique nas colunas para ordenar)")

# Seleciona as quatro séries necessárias e deixa cada uma em uma coluna
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,            # dólar em reais calculado
         dif_fed_pct = (fed_usd_brl / bcb_usd_brl - 1) * 100,          # diferença vs. PTAX
         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)

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()

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"]]))

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)

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)