Inflação e hiato do produto geram revisão para a taxa Selic

O Banco Central divulgou na última quarta-feira a sua decisão sobre a taxa básica de juros. Os membros do Comitê de Política Monetária optaram, nesse momento, por manter a taxa Selic inalterada em 6,5% ao ano. No comunicado, o COPOM subiu um pouco o tom em relação à abertura do hiato do produto e ao cenário benigno da inflação esperada para 2019 e 2020. Por outro lado, também ressaltou que os riscos de não aprovação da reforma da previdência permanecem preponderantes nesse momento.

No comunicado divulgado em maio,  no cenário com juros e câmbio extraídos da pesquisa Focus, a inflação esperada para 2019 e 2020 ficava em 4,1% e 3,8%, respectivamente. Agora, a inflação esperada fica em 3,6% e 3,9%, respectivamente. Já no cenário de juros constantes e câmbio a 3,95 R$/US$, a inflação ficava em maio em 4,3% esse ano e em 4% no próximo ano. Agora, com câmbio a 3,80 R$/US$, a inflação fica em 3,6% e 3,7%.

Houve, ademais, uma revisão importante no Focus, com redução na expectativa da taxa básica para o final do ano. Ao invés de 6,5%, espera-se agora 5,75%. O quadro abaixo resume a expectativa dos agentes para as quatro variáveis macroeconômicas mais importantes.

À exceção do câmbio esperado, que pega a média das instituições, as demais variáveis referem-se à mediana. Destaque para a queda monotônica do crescimento esperado para esse ano, que agora está abaixo de 1% - como, aliás, escrevi aqui. A inflação esperada também cedeu na ponta, após o repique verificado em abril. A tabela abaixo, a propósito, resume a inflação observada e os núcleos construídos pela autoridade monetária.

 

IPCA vs. Núcleos de Inflação (%)
Mensal Mai/19 Mensal Mai/18 Anual Mai/19 Anual Mai/18
IPCA 0,13 0,40 4,66 2,85
Médias Aparadas com Suaviz. 0,29 0,22 4,08 3,20
Médias Aparadas sem Suaviz. 0,22 0,18 3,29 2,42
Exclusão 0 -0,05 -0,01 2,99 2,55
Exclusão 1 0,16 0,25 3,94 2,69
Dupla Ponderação 0,18 0,21 3,76 2,94
Exclusão 2 0,18 0,11 2,96 1,92
Exclusão 3 0,22 0,18 2,88 2,25

A despeito do repique no índice cheio, que permanece acima da meta de 4,25%, os núcleos permanecem bem comportados. O gráfico abaixo ilustra.


A tendência, por suposto, é que os choques recentes sobre o índice cheio se dissipem, de modo que a inflação convirja para valores próximos à meta até o final do ano. É o que indica o comportamento dos núcleos de inflação, que buscam justamente limpar o índice cheio de choques de curto prazo.

Por outro lado, as pesquisas de alta frequência têm indicado que abril também não foi um mês bom, de modo que o segundo trimestre também pode ter um resultado abaixo do esperado. É basicamente o que levou o COPOM a subir o tom em relação ao nível de atividade. O gráfico abaixo ilustra o comportamento da indústria e do comércio ampliado.

A soma de hiato do produto mais negativo do que o esperado a essa altura do ano com inflação subjacente comportada é basicamente o que está levando o mercado a reduzir a expectativa de juros para o final do ano. 

O problema é que o Banco Central tem de levar em consideração o que acontece no Congresso em relação à reforma da previdência. Se o relatório conseguir ser aprovado no plenário antes do recesso de julho, o caminho fica de fato aberto para uma redução já na próxima reunião, mantidos, obviamente, o cenário benigno para a inflação, para o ambiente externo e a fraqueza do nível de atividade.

_______________________

(*) Como de praxe, os códigos desse comentário estarão disponíveis no repositório do Clube do Código.

(**) Cursos de Macroeconomia Aplicada: aprenda a utilizar o R para lidar com dados macroeconômicos.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

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.