A surpresa do COPOM: juro básico vai a 6,25% a.a. no final do ciclo!

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Ontem, 21/03, teve decisão sobre o juro básico pelo Comitê de Política Monetária (COPOM) do Banco Central. Como previsto, houve redução de 25 pontos-base na taxa Selic, levando-a para 6,5% a.a. A surpresa, contudo, foi o comprometimento com mais uma redução de 25 pontos-base na próxima reunião do Comitê, que ocorrerá somente nos dias 15/05 e 16/05. Nas palavras do COPOM, "Para a próxima reunião, o Comitê vê, neste momento, como apropriada uma flexibilização monetária moderada adicional". A justificativa básica para esse anúncio é a surpresa com o comportamento da inflação na ponta.

O Banco Central tem, basicamente, se surpreendido com a inflação. As leituras de janeiro e fevereiro, por exemplo, vieram mais baixas do que a projeção contida no último RI. Esperava-se algo próximo a 0,5% nos dois meses e elas vieram mais próximas a 0,3%. Certamente, aqui, a leitura de um ou outro mês não é suficiente para convencer o Comitê a prolongar o ciclo de afrouxamento. A questão, porém, é que são meses com sazonalidade bastante desfavorável, logo se a leitura dos mesmos surpreendeu (para baixo), é sinal de que algo está ocorrendo com a inflação subjacente.

Ainda que se possa dizer que os dados de atividade do último trimestre de 2017, bem como as leituras de alta frequência desse início de ano, vieram aquém do esperado, o Comitê ressaltou no comunicado que "O conjunto dos indicadores de atividade econômica mostra recuperação consistente da economia brasileira". Em outros termos, não parece ser isso que está por trás da decisão do Comitê. A surpresa com a inflação efetiva e a consequente contaminação das expectativas e da inércia explicam mais um ajuste na próxima reunião. Sobre esse último ponto, aliás, o Comitê repetiu frase utilizada em outros comunicados e notas, "possível propagação, por mecanismos inerciais, do nível baixo de inflação pode produzir trajetória prospectiva abaixo do esperado".

Esse ponto mostra uma certa confiança com a ancoragem das expectativas. Isto porque, uma redução do papel do componente autorregressivo na inflação efetiva implica em maior importância das expectativas para explicá-la. Dado que a janela ainda tem poucas observações, é difícil avaliar isso na ponta, de forma empírica - a redução da inércia - mas é algo intuitivo, dada a ancoragem das expectativas.

Chama atenção, por fim, o comportamento bastante comportado da inflação de alimentos, tema aliás do nosso último exercício no Clube do Código. No acumulado em 12 meses, o subgrupo Alimentação no Domicílio apresenta deflação de 3.81%. Isso, certamente, tem contribuído para manter a inflação cheia não apenas comportada, mas surpreendente.

[/et_pb_text][et_pb_image admin_label="Imagem" src="https://analisemacro.com.br/wp-content/uploads/2017/11/cursosaplicados.png" show_in_lightbox="off" url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" use_overlay="off" animation="off" sticky="off" align="center" force_fullwidth="off" always_center_on_mobile="on" use_border_color="off" border_color="#ffffff" border_style="solid" /][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Boletim AM

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

Boletim AM

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

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.