Plano de Viagem | Copa do Mundo 2026
A carteira de investimentos a seguir tem como objetivo obter recursos suficientes para uma viagem de 20 dias em 2026. A Copa do Mundo 2026 vai acontecer em um formato diferente e terá sede no México, Estados Unidos e Canadá.
Saiba mais sobre a Copa do Mundo 2026
Assim como o formato da Copa, a viagem tem como objetivo seguir os jogos da seleção brasileira até a final. O torneio acontecerá entre junho e julho, dos dias 08/06 até 03/07.
Com objetivo de acompanhar os jogos mais importantes da competição, a chegada no México será no dia 14 de junho, com estadia até dia 20 de junho. A partir do dia 20, a viagem seria pelo Canadá com estadia até o dia 27. Logo, do dia 28 de junho ao dia 5 de julho a viagem seria no local final da Copa, nos Estados Unidos.
Por ser uma viagem longa, os recursos precisam ser suficientes para:
- Ingressos das competições
- Ingressos de museus/ parques
- Hospedagem em hotel
- Passagens aéreas entre os trechos
- Alimentação
- Compras
- Eventuais emergências
Para isso, é preciso construir uma carteira de investimentos que possibilite a maximização do recurso aplicado de acordo com o prazo. Felizmente, o tesouro nacional possibilita uma vasta lista de títulos para compra e com isso podemos montar uma carteira diversificada e condizente com o objetivo final.
No contexto para esse planejamento, temos uma expectativa de alta na taxa de juros até 2025.
Títulos do Tesouro Nacional
- Visão macro de todos os títulos disponíveis
| Tesouro Prefixado - Letra do Tesouro Nacional (LTN) |
|---|
| Taxa de juros prefixada, ou seja, você sabe o quanto resgatará desde o momento da aplicação. |
| É ideal para investimentos de médio e longo prazo. |
| Para obter a rentabilidade contratada é necessário esperar o vencimento do título. |
| Tesouro Prefixado com Juros Semestrais - Letra do Tesouro Nacional (LTN) |
|---|
| Taxa de juros prefixada, ou seja, você sabe o quanto resgatará desde o momento da aplicação. |
| Nesse tipo de título, você recebe os juros a cada seis meses. |
| Tesouro Selic - Letra Financeira do Tesouro (LFT) |
|---|
| O tesouro Selic acompanha a taxa de juros básica da economia, a taxa Selic. Isso significa que a rentabilidade dele é pós fixada. |
| É possível resgatar o título antes do prazo de vencimento, sem prejuízos. |
| Por ser um título com flutuação de rentabilidade, é ideal para reservas de emergências. |
| Tesouro IPCA+ (NTN-B) |
|---|
| Esse título tem a rentabilidade dele atrelada a taxa de inflação oficial do país, o índice IPCA. Além disso, ele acrescenta uma taxa de juros prefixada. |
| É interessante para aqueles que desejam manter seu poder de compra, visto que ele sempre será maior que a inflação. |
| O mais indicado é esperar o vencimento do título, para não correr o risco de perder a rentabilidade. |
| Tesouro IPCA+ com juros semestrais (NTN-B Principal) |
|---|
| Possui as mesmas características do tesouro IPCA+ porém com o pagamento de juros a cada seis meses. |
Títulos escolhidos
library(GetTDData)
library(dplyr)
if(!require(ggplot2)) {install.packages("gplot2")}
require(ggplot2)
if(!require(plotly)) {install.packages("plotly")}
require(plotly)## asset.codes é um campo importante. Você deve mudar este código para analisar títulos diferentes. Aqui o ativo em questão é a a LFT
asset.codes <- 'LFT' # Identifier of assets
cache_folder <- paste0(tempdir(), '/TD_cache')
my.flag <- download.TD.data(asset.codes = asset.codes,
dl.folder = cache_folder)my.df <- read.TD.files(dl.folder = cache_folder)
my.df$matur.date == as.Date(my.df$matur.date)# Nome das variáveis do data.frame my.df
names(my.df)## [1] "ref.date" "yield.bid" "price.bid" "asset.code" "matur.date"# Observando as primeiras observações
head(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 1 2005-01-03 0e+00 2164.20 LFT 160205 2005-02-16
## 2 2005-01-04 0e+00 2165.60 LFT 160205 2005-02-16
## 3 2005-01-05 1e-04 2166.98 LFT 160205 2005-02-16
## 4 2005-01-06 1e-04 2168.39 LFT 160205 2005-02-16
## 5 2005-01-07 1e-04 2169.79 LFT 160205 2005-02-16
## 6 2005-01-10 1e-04 2171.20 LFT 160205 2005-02-16# Observando as últimos observações
tail(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 16509 2022-07-20 0.001667 11836.08 LFT 010327 2027-03-01
## 16510 2022-07-21 0.001670 11841.80 LFT 010327 2027-03-01
## 16511 2022-07-22 0.001674 11847.48 LFT 010327 2027-03-01
## 16512 2022-07-25 0.001670 11853.57 LFT 010327 2027-03-01
## 16513 2022-07-26 0.001676 11859.15 LFT 010327 2027-03-01
## 16514 2022-07-27 0.001675 11865.10 LFT 010327 2027-03-01# Entendendo a estrutura dos dados
str(my.df)## 'data.frame': 16514 obs. of 5 variables:
## $ ref.date : Date, format: "2005-01-03" "2005-01-04" ...
## $ yield.bid : num 0e+00 0e+00 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 ...
## $ price.bid : num 2164 2166 2167 2168 2170 ...
## $ asset.code: chr "LFT 160205" "LFT 160205" "LFT 160205" "LFT 160205" ...
## $ matur.date: Date, format: "2005-02-16" "2005-02-16" ...# Verificando o número de colunas
length(my.df)## [1] 5# Verificando o número de linhas
nrow(my.df)## [1] 16514# Entendendo a distribuição das datas de maturidade
table(my.df$matur.date)##
## 2005-02-16 2006-01-18 2007-01-17 2008-06-18 2009-03-18 2010-03-17 2011-03-16
## 30 263 510 862 1053 1084 1190
## 2012-03-07 2013-03-07 2013-03-08 2014-03-07 2015-03-07 2017-03-07 2021-03-01
## 1335 1412 14 1527 1252 1543 1484
## 2023-03-01 2024-09-01 2025-03-01 2027-03-01
## 1356 366 867 366# Entendendo a estrutura dos dados
table(my.df$asset.code)##
## LFT 010321 LFT 010323 LFT 010325 LFT 010327 LFT 010924 LFT 070312 LFT 070313
## 1484 1356 867 366 366 1335 1412
## LFT 070314 LFT 070315 LFT 070317 LFT 080313 LFT 160205 LFT 160311 LFT 170107
## 1527 1252 1543 14 30 1190 510
## LFT 170310 LFT 180106 LFT 180309 LFT 180608
## 1084 263 1053 862Tesouro Selic (LFT) com vencimento em 01/03/2025
O investimento nesse título é ideal pois com um investimento nesse curto prazo, seria possível resgatar o montante final com objetivo de começar o planejamento da viagem com a rentabilidade diária vinculada à taxa de juros da economia (taxa Selic). Como temos um cenário de aumento da taxa de juros, ele seria cada vez mais rentável.
## A data de maturidade, matur.date, é um parâmetro que você deve modificar. Escolha diferentes datas, este parâmetro está no formato "aaaa-mm-dd"
LFT <- my.df %>%
filter(matur.date == as.Date("2025-03-01") )
p <- ggplot(data = LFT,
aes(x = as.Date(ref.date),
y = price.bid,
color = asset.code)) +
geom_line(size = 1) + scale_x_date() + labs(title = '', x = 'Dates')
print(p)
Tesouro Selic (LFT) com vencimento em 01/09/2024
Esse investimento teria o mesmo objetivo do tesouro Selic 2025, porém esse serviria para o planejamento a longo prazo da viagem (2 anos antes). Isso significa o gasto com passaporte e visto.
## A data de maturidade, matur.date, é um parâmetro que você deve modificar. Escolha diferentes datas, este parâmetro está no formato "aaaa-mm-dd"
LFT <- my.df %>%
filter(matur.date == as.Date("2024-09-01") )
p <- ggplot(data = LFT,
aes(x = as.Date(ref.date),
y = price.bid,
color = asset.code)) +
geom_line(size = 1) + scale_x_date() + labs(title = '', x = 'Dates')
print(p)
Tesouro IPCA+ (NTN-B) com vencimento em 15/08/2026
Com o objetivo de proteger da inflação e juntar o dinheiro necessário para os gastos feitos durante a viagem, o investimento no NTN-B seria ideal. O pagamento semestral de juros seria uma forma de ter sempre recursos suficientes para o planejamento com antecedência.
## asset.codes é um campo importante. Você deve mudar este código para analisar títulos diferentes. Aqui o ativo em questão é a a NTNB
asset.codes <- 'NTN-B' # Identifier of assets
cache_folder <- paste0(tempdir(), '/TD_cache')
my.flag <- download.TD.data(asset.codes = asset.codes,
dl.folder = cache_folder)my.df <- read.TD.files(dl.folder = cache_folder)
my.df$matur.date == as.Date(my.df$matur.date)# Nome das variáveis do data.frame my.df
names(my.df)## [1] "ref.date" "yield.bid" "price.bid" "asset.code" "matur.date"# Observando as primeiras observações
head(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 1 2005-01-03 0e+00 2164.20 LFT 160205 2005-02-16
## 2 2005-01-04 0e+00 2165.60 LFT 160205 2005-02-16
## 3 2005-01-05 1e-04 2166.98 LFT 160205 2005-02-16
## 4 2005-01-06 1e-04 2168.39 LFT 160205 2005-02-16
## 5 2005-01-07 1e-04 2169.79 LFT 160205 2005-02-16
## 6 2005-01-10 1e-04 2171.20 LFT 160205 2005-02-16# Observando as últimos observações
tail(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 51136 2022-07-20 0.0632 3874.46 NTN-B 150555 2055-05-15
## 51137 2022-07-21 0.0626 3906.08 NTN-B 150555 2055-05-15
## 51138 2022-07-22 0.0620 3936.50 NTN-B 150555 2055-05-15
## 51139 2022-07-25 0.0618 3947.35 NTN-B 150555 2055-05-15
## 51140 2022-07-26 0.0622 3926.11 NTN-B 150555 2055-05-15
## 51141 2022-07-27 0.0631 3878.36 NTN-B 150555 2055-05-15# Entendendo a estrutura dos dados
str(my.df)## 'data.frame': 51133 obs. of 5 variables:
## $ ref.date : Date, format: "2005-01-03" "2005-01-04" ...
## $ yield.bid : num 0e+00 0e+00 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 ...
## $ price.bid : num 2164 2166 2167 2168 2170 ...
## $ asset.code: chr "LFT 160205" "LFT 160205" "LFT 160205" "LFT 160205" ...
## $ matur.date: Date, format: "2005-02-16" "2005-02-16" ...# Verificando o número de colunas
length(my.df)## [1] 5# Verificando o número de linhas
nrow(my.df)## [1] 51133# Entendendo a distribuição das datas de maturidade
table(my.df$matur.date)##
## 2005-02-16 2006-01-18 2006-08-15 2007-01-17 2007-05-15 2008-06-18 2008-08-15
## 30 263 405 510 465 862 719
## 2009-03-18 2009-05-15 2010-03-17 2010-08-15 2011-03-16 2011-05-15 2012-03-07
## 1053 1091 1084 1143 1190 1290 1335
## 2012-08-15 2013-03-07 2013-03-08 2013-05-15 2014-03-07 2015-03-07 2015-05-15
## 1312 1412 14 1321 1527 1252 2592
## 2017-03-07 2017-05-15 2020-08-15 2021-03-01 2023-03-01 2024-08-15 2024-09-01
## 1543 2497 2860 1484 1356 4385 366
## 2025-03-01 2026-08-15 2027-03-01 2030-08-15 2032-08-15 2035-05-15 2040-08-15
## 867 1616 366 612 108 4064 612
## 2045-05-15 2050-08-15 2055-05-15
## 4385 2530 612# Entendendo a estrutura dos dados
table(my.df$asset.code)##
## LFT 010321 LFT 010323 LFT 010325 LFT 010327 LFT 010924 LFT 070312
## 1484 1356 867 366 366 1335
## LFT 070313 LFT 070314 LFT 070315 LFT 070317 LFT 080313 LFT 160205
## 1412 1527 1252 1543 14 30
## LFT 160311 LFT 170107 LFT 170310 LFT 180106 LFT 180309 LFT 180608
## 1190 510 1084 263 1053 862
## NTN-B 150507 NTN-B 150509 NTN-B 150511 NTN-B 150513 NTN-B 150515 NTN-B 150517
## 465 1091 1290 1321 2592 2497
## NTN-B 150535 NTN-B 150545 NTN-B 150555 NTN-B 150806 NTN-B 150808 NTN-B 150810
## 4064 4385 612 405 719 1143
## NTN-B 150812 NTN-B 150820 NTN-B 150824 NTN-B 150826 NTN-B 150830 NTN-B 150832
## 1312 2860 4385 1616 612 108
## NTN-B 150840 NTN-B 150850
## 612 2530## A data de maturidade, matur.date, é um parâmetro que você deve modificar. Escolha diferentes datas, este parâmetro está no formato "aaaa-mm-dd"
NTNB <- my.df %>%
filter(matur.date == as.Date("2026-08-15") )
p <- ggplot(data = NTNB,
aes(x = as.Date(ref.date),
y = price.bid,
color = asset.code)) +
geom_line(size = 1) + scale_x_date() + labs(title = '', x = 'Dates')
print(p)
Tesouro IPCA+ (NTN-B principal) com vencimento em 01/03/2025
O objetivo de receber o NTN-B principal é justamente arcar com os maiores custos da viagem, como hospedagem e passagens aéreas. Isto é, como são tópicos que necessitam de grande antecedência, o investimento seria ideal para melhor organização da viagem.
## asset.codes é um campo importante. Você deve mudar este código para analisar títulos diferentes. Aqui o ativo em questão é a a NTNB
asset.codes <- 'NTN-B Principal' # Identifier of assets
cache_folder <- paste0(tempdir(), '/TD_cache')
my.flag <- download.TD.data(asset.codes = asset.codes,
dl.folder = cache_folder)my.df <- read.TD.files(dl.folder = cache_folder)
my.df$matur.date == as.Date(my.df$matur.date)# Nome das variáveis do data.frame my.df
names(my.df)## [1] "ref.date" "yield.bid" "price.bid" "asset.code" "matur.date"# Observando as primeiras observações
head(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 1 2005-01-03 0e+00 2164.20 LFT 160205 2005-02-16
## 2 2005-01-04 0e+00 2165.60 LFT 160205 2005-02-16
## 3 2005-01-05 1e-04 2166.98 LFT 160205 2005-02-16
## 4 2005-01-06 1e-04 2168.39 LFT 160205 2005-02-16
## 5 2005-01-07 1e-04 2169.79 LFT 160205 2005-02-16
## 6 2005-01-10 1e-04 2171.20 LFT 160205 2005-02-16# Observando as últimos observações
tail(my.df)## ref.date yield.bid price.bid asset.code matur.date
## 64482 2022-07-20 0.0626 1003.79 NTN-B Principal 150545 2045-05-15
## 64483 2022-07-21 0.0621 1014.63 NTN-B Principal 150545 2045-05-15
## 64484 2022-07-22 0.0617 1022.98 NTN-B Principal 150545 2045-05-15
## 64485 2022-07-25 0.0615 1027.40 NTN-B Principal 150545 2045-05-15
## 64486 2022-07-26 0.0619 1018.68 NTN-B Principal 150545 2045-05-15
## 64487 2022-07-27 0.0629 997.03 NTN-B Principal 150545 2045-05-15# Entendendo a estrutura dos dados
str(my.df)## 'data.frame': 64479 obs. of 5 variables:
## $ ref.date : Date, format: "2005-01-03" "2005-01-04" ...
## $ yield.bid : num 0e+00 0e+00 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 1e-04 ...
## $ price.bid : num 2164 2166 2167 2168 2170 ...
## $ asset.code: chr "LFT 160205" "LFT 160205" "LFT 160205" "LFT 160205" ...
## $ matur.date: Date, format: "2005-02-16" "2005-02-16" ...# Verificando o número de colunas
length(my.df)## [1] 5# Verificando o número de linhas
nrow(my.df)## [1] 64479# Entendendo a distribuição das datas de maturidade
table(my.df$matur.date)##
## 2005-02-16 2006-01-18 2006-08-15 2007-01-17 2007-05-15 2008-06-18 2008-08-15
## 30 263 405 510 465 862 719
## 2009-03-18 2009-05-15 2010-03-17 2010-08-15 2011-03-16 2011-05-15 2012-03-07
## 1053 1091 1084 1143 1190 1290 1335
## 2012-08-15 2013-03-07 2013-03-08 2013-05-15 2014-03-07 2015-03-07 2015-05-15
## 1312 1412 14 1321 1527 1252 5050
## 2017-03-07 2017-05-15 2019-05-15 2020-08-15 2021-03-01 2023-03-01 2024-08-15
## 1543 2497 1580 2860 1484 1356 8635
## 2024-09-01 2025-03-01 2026-08-15 2027-03-01 2030-08-15 2032-08-15 2035-05-15
## 366 867 2228 366 612 108 7154
## 2040-08-15 2045-05-15 2050-08-15 2055-05-15
## 612 5741 2530 612# Entendendo a estrutura dos dados
table(my.df$asset.code)##
## LFT 010321 LFT 010323 LFT 010325
## 1484 1356 867
## LFT 010327 LFT 010924 LFT 070312
## 366 366 1335
## LFT 070313 LFT 070314 LFT 070315
## 1412 1527 1252
## LFT 070317 LFT 080313 LFT 160205
## 1543 14 30
## LFT 160311 LFT 170107 LFT 170310
## 1190 510 1084
## LFT 180106 LFT 180309 LFT 180608
## 263 1053 862
## NTN-B 150507 NTN-B 150509 NTN-B 150511
## 465 1091 1290
## NTN-B 150513 NTN-B 150515 NTN-B 150517
## 1321 2592 2497
## NTN-B 150535 NTN-B 150545 NTN-B 150555
## 4064 4385 612
## NTN-B 150806 NTN-B 150808 NTN-B 150810
## 405 719 1143
## NTN-B 150812 NTN-B 150820 NTN-B 150824
## 1312 2860 4385
## NTN-B 150826 NTN-B 150830 NTN-B 150832
## 1616 612 108
## NTN-B 150840 NTN-B 150850 NTN-B Principal 150515
## 612 2530 2458
## NTN-B Principal 150519 NTN-B Principal 150535 NTN-B Principal 150545
## 1580 3090 1356
## NTN-B Principal 150824 NTN-B Principal 150826
## 4250 612## A data de maturidade, matur.date, é um parâmetro que você deve modificar. Escolha diferentes datas, este parâmetro está no formato "aaaa-mm-dd"
NTNBP <- my.df %>%
filter(matur.date == as.Date("2025-03-01") )
p <- ggplot(data = NTNBP,
aes(x = as.Date(ref.date),
y = price.bid,
color = asset.code)) +
geom_line(size = 1) + scale_x_date() + labs(title = '', x = 'Dates')
print(p)
Conclusão
Para um melhor planejamento, seria necessário o melhor domínio no R. Aconteceu uma certa limitação nas análises gráficas.