Operações Compromissadas já são mais de 1/5 da Dívida Bruta brasileira

Na seção 09 do nosso Curso de Análise de Conjuntura usando o R, nossos alunos aprendem a lidar com dados fiscais. São esmiuçados os gastos e despesas do governo central, as necessidades de financiamento do setor público consolidado - que inclui estados e municipios -, bem como dados de endividamento público. Nesses últimos, chama atenção o aumento da participação das operações compromissadas do Banco Central no estoque de endividamento do estado brasileiro.

Operações compromissadas são operações de compra (ou venda) de títulos com compromisso de revenda (ou recompra) dos mesmos títulos em uma data futura, anterior ou igual à data de vencimento dos títulos. Em geral, por suposto, são títulos de curtíssimo prazo, usados pelo Banco Central para regular a liquidez do mercado, mantendo assim a taxa básica efetivo de juros próxima à meta definida pelo Comitê de Política Monetária (COPOM).

Para se ter uma ideia do avanço das compromissadas no estoque de endividamento brasileiro, a preços de fevereiro de 2019,  elas eram algo como R$ 152 bilhões em dezembro de 2006, passando para R$ 1,2 trilhão em fevereiro de 2019. Ou, em termos relativos, menos de 1% para mais de 1/5 da Dívida Bruta brasileira.

Em outros termos, o endividamento público brasileiro não só aumentou em nível como o seu serviço - e a sua gestão, diga-se - se deteriorou de forma bastante forte nos últimos anos.

___________________________

Essa e outras análises, você aprende em nosso curso de Análise de Conjuntura usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Regimes da Política Monetária Brasileira com Markov Switching no Python

Este exercício analisa a política monetária brasileira utilizando modelos de Markov Switching Regression. O objetivo é identificar diferentes regimes de política monetária e como eles influenciam a taxa Selic, a meta de inflação e o hiato do produto. Usamos a linguagem de programação Python para o processo de coleta, tratamento, análise e modelagem dos dados.

Como criar janelas móveis de séries temporais usando o Python

Janelas Móveis/Deslizantes, ou Rolling Windows, são termos frequentes na análise de séries temporais. Mas o que são e como aplicá-las no Python? Neste tutorial, mostramos como essa ferramenta é essencial para a análise de dados utilizando como exemplo a correlação móvel de ações brasileiras.

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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.