CDI vs. Selic

A Selic e o CDI são taxas utilizadas para o cálculo das atividades financeiras e de investimento no país. Historicamente, as taxas são altamente correlacionadas, entretanto, apesar dessa medida estatística, podemos inferir a causalidade de uma taxa sobre a outra? Como é possível entender o relacionamento entre estas duas variáveis? No post de hoje, realizamos uma análise da SELIC e do CDI utilizando o R.

Correlação é um cálculo estatístico extremamente útil para entender o relacionamento entre duas variáveis distintas. Entretanto, muitas vezes, utiliza-se o cálculo de forma a implicar causalidades, o que não é correto. A causalidade é uma ligação de causa e efeito e que se mostra de difícil observação.

Ao averiguar a correlação entre as duas taxas, devemos antes entendê-las e ver como as duas podem estar interligadas.

  • "A taxa Selic refere-se à taxa de juros apurada nas operações de empréstimos de um dia entre as instituições financeiras que utilizam títulos públicos federais como garantia. O BC opera no mercado de títulos públicos para que a taxa Selic efetiva esteja em linha com a meta da Selic definida na reunião do Comitê de Política Monetária do BC (Copom)."
  • O CDI é um titulo emitido quando um banco empresta dinheiro ao outro. Isto, porque ao final do exercício, os bancos comerciais devem apresentar uma quantidade de caixa pré-estabelecida pelo Banco Central. Essas operações de títulos de um dia resultam na Taxa DI.

Antes de analisar visualmente e realizar o cálculo da correlação, importamos os dados das duas taxas utilizando o pacote {rbcb}, utilizando a função get_series() inserindo os códigos das séries obtidos através do Sistema Gerenciador de Séries Temporais. Buscamos as séries:

  • Taxa de juros - Selic anualizada base 252 % a.a.
  • Taxa de juros - CDI anualizada base 252 % a.a.

Abaixo, podemos entender os dados históricos da Selic e do CDI, e vemos que a duas taxas percorrem caminhos extremamente iguais.

As duas taxas são perfeitamente correlacionadas e positivas. Entretanto, ao analisar em periodicidade mensal, vemos que há uma mudança na relação. Antes de 2018, houve períodos em que as duas taxas eram negativamente correlacionadas.

A alteração na relação ocorreu devido a mudanças na apuração da Taxa DI. De acordo com o site da B3:

"A partir de 01/10/2018, a metodologia para apuração da Taxa DI se baseia na observação ou não das duas condições abaixo:

  • O número de operações elegíveis para o cálculo da Taxa DI for igual ou superior a 100 (cem); e
  • O somatório dos volumes das operações elegíveis para o cálculo da Taxa DI for igual ou superior a R$ 30 (trinta) bilhões;

Se no dia de apuração da Taxa DI, ao menos uma das duas condições relacionadas nos itens I e II acima não for observada, a Taxa DI será igual à Taxa Selic Over divulgada no dia."

Deste modo, conseguimos entender os períodos em que as taxas possuíam uma diferença em seus valores, e que explicam a correlação negativa. Essa diferença é chamada de spread e é calculada a partir da diferença da SELIC com o CDI.

 

Realizado as considerações, podemos então estabelecer as causas da alta correlação entre as duas taxas, bem como ambas são formadas e como a Taxa Selic afeta o CDI.

__________________________________________________

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

_________________________________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise do Censo Demográfico com o R

Como podemos analisar dados do Censo Demográfico para produzir pesquisas e implementar políticas públicas? Mostramos nesta postagem o resultado de uma breve análise dos dados preliminares do Censo Demográfico de 2022 usando o R.

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Colocar modelos em produção pode ser um grande desafio. Lidar com custos monetários, infraestrutura operacional e complexidades de códigos e ferramentas pode acabar matando potenciais projetos. Uma solução que elimina todos estes obstáculos é a recém lançada Shinylive. Neste artigo mostramos um exemplo com um modelo de previsão para o preço do petróleo Brent.

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

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.