Um modelo econométrico para a taxa de câmbio

Uma piada bastante conhecida nas faculdades de economia é que Deus teria inventado o câmbio para humilhar os economistas. De fato, dada a enorme quantidade de fatores que o influenciam, é bastante desafiador tentar realizar alguma previsão decente dessa variável. Mas há algumas pistas, como exploramos nessa edição do Comentário de Conjuntura.

Os códigos dos nossos Comentários de Conjuntura são disponibilizados para os Membros do Clube AM. Conheça o Clube AM aqui.

Um modelo econométrico bastante utilizado para entender a trajetória da taxa de câmbio no Brasil foi proposto pelo Banco Central nos idos de 2001. O modelo era o seguinte:

(1)   \begin{equation*} \Delta e_t = \gamma_1 \Delta e_{t-1} - \alpha_1 \Delta (selic_t - FFunds_t) + \beta_1 \Delta Risco_t + (1 - \gamma_1) (\pi_t - \pi_t^{f}) + \varepsilon_t \end{equation*}

onde:

e_t é a taxa de câmbio;

selic_t é a taxa básica de juros do Br;

FFunds_t é a taxa básica de juros do US;

Risco_t é uma medida de risco;

\pi_t é a inflação do Br;

\pi_t^{f} é a inflação do US.

Sobre a equação acima, por suposto, aplicamos a restrição de que \Delta e_t = (\pi_t - \pi_t^{f}), isto é, a variação do câmbio nominal, no equilíbrio, deve ser igual ao diferencial de inflação.

Nos últimos anos, a propósito, a previsão do câmbio tem sido ainda mais desafiador porque justamente uma das  principais variáveis que interferem na sua trajetória é o ambiente político-econômico do país, que tem como proxy no modelo acima a medida de risco.

Para estimar esse modelo, nós baixamos os dados com o R do Banco Central, do FRED St Louis e do IpeaData. A coleta dos dados é seguida do seu tratamento, de modo a adequar os mesmos à estimação do modelo proposto acima. As variáveis ficam então apresentadas como no gráfico abaixo.

É esperado que o prêmio de risco tenha efeito positivo sobre o diferencial do câmbio, i.e., que cause desvalorizações cambiais enquanto o diferencial de juros exerceria pressão contrária. A tabela abaixo resume a estimação do modelo, com a imposição de restrição que fizemos.

Modelo com restrição
Estimate Std. Error t value Pr(> | t| )
dlcambio_l1 0.560 0.063 8.818 0
ddif_juros -0.566 0.311 -1.819 0.072
dlrisco 0.198 0.025 7.881 0
dif_inflacao 0.440 0.063 6.938 0

Os coeficientes estimados possuem os sinais esperados e apresentam significância estatística, com a imposição de restrição. O diferencial de juros aprecia a taxa de câmbio, enquanto o prêmio de risco tem efeito depreciativo.

Uma vez estimado o modelo e entendido a relação empírica entre as variáveis, o que podemos dizer sobre o período atual?

Por um lado, temos tido um aumento do risco-país, dada a deterioração do ambiente político-fiscal dos últimos meses. É esperado, inclusive, que essa deterioração continue no próximo ano, principalmente por causa das eleições.

Por outro lado, o aumento da taxa básica de juros, a Selic, em reação ao processo inflacionário descontrolado, tem tido influência sobre o diferencial de juros, o que em tese atrairia investimento em carteira para o Brasil e atenuaria essa pressão por desvalorização. Essas forças antagônicas dão o tom da trajetória do câmbio no curto prazo, gerando uma volatilidade bastante intensa.

Por óbvio, o modelo é simplificado ao ponto de não incluir outros atores importantes, em particular, a autoridade monetária, que pode (e deve?) intervir no mercado de modo a tentar suavizar esse aumento de volatilidade no curto prazo.

_______________________

(*) Para maiores detalhes sobre o uso desse tipo de modelo para fins de previsão, conheça nossos Cursos de Previsão Macroeconométrica e Modelos Preditivos aplicados à Macroeconomia.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.

Criando Tabelas com o Python: mostrando o poder da linguagem sobre o Excel

Nos dias atuais, pessoas que trabalham com dados estão constantemente confrontados com um dilema: criar uma tabela não tão genial no Excel ou manter em um formato ainda pior, como um dataframe, mas mantendo a flexibilidade de obtenção dos dados. Podemos resolver esse grande problema, unindo a flexibilidade e beleza ao usar a biblioteca great_tables do Python.

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.