Expectativas Racionais e Paridade da Taxa de Juros

iecrfEm dia de Copom, nada mais apropriado do que falar em taxa Selic, não é mesmo? Eu estava olhando o balanço de pagamentos para um trabalho que estou fazendo e acabei achando um dado interessante. A correlação entre a taxa Selic nominal e investimentos estrangeiros em renda fixa é negativa. Ora, não faz muito sentido, não é mesmo? Afinal, se a taxa Selic aumenta, isso deveria atrair investidores estrangeiros em busca de arbitragem, como a gente aprende lá em economia no tópico paridade da taxa de juros. Para quem conhece a série de investimento estrangeiro sabe que ela é muito volátil, oscilando ao sabor de cada nova notícia no mercado financeiro. No gráfico acima é possível ver o comportamento dela na linha azul. Eu suavizei a série, usando médias móveis trimestrais, semestrais e de 12 meses para ver se as coisas mudavam. Apenas para a média móvel anual é que as coisas começam a fazer sentido, isto é, a correlação passa a ser positiva. Estranho, não?

Pois é. Para avaliar melhor a situação eu fui dar uma olhada na correlação cruzada. Em outras palavras, a ideia era ver se o comportamento se modifica se compararmos uma série com a defasagem de outra. O correlograma cruzado é posto abaixo.

correlograma_iecrf

Através desse procedimento é possível ver que as coisas começam a fazer sentido novamente. O que o correlograma cruzado mostra é que se considerarmos o Investimento Estrangeiro em Carteira - Renda Fixa (IECRF) com a Selic defasada (esquerda do gráfico), a correlação entre eles mantém-se negativa até a décima sétima defasagem da Selic. Se considerarmos, entretanto, o IECRF com a Selic futura, as coisas mudam radicalmente. Isto é, a partir da quarta defasagem do IECRF em relação à Selic, a correlação passa a ser positiva e vai aumentando conforme essa diferença entre elas aumenta. O mesmo ocorre se considerarmos a média móvel trimestral, como pode ser visto abaixo.

correlograma_iecrf_mm3

Significa dizer, leitor, que a teoria da paridade da taxa de juros deve ser compreendida a partir do conceito de expectativas racionais. Isto é, os agentes reagem a diferenças entre taxas de juros, buscando se beneficiar disso por meio de processos de arbitragem - ou, mais tecnicamente carry trade. A reação, entretanto, é do tipo forward looking, ou seja, "olhando para frente". Os agentes formam expectativa sobre qual será a taxa básica de juros que vigorará daqui a alguns meses e, a partir disso, montam seu portfólio, colocando seu capital em países que oferecem maior oportunidade de ganho. O Carlos Lessa chamava nas aulas de brasileira esse capital de "capital de motel", bom, eu não preciso falar o por quê...

Nesse contexto, diz-se que quanto maior for essa diferença entre as taxas de juros doméstica e internacional maior será a expectativa de depreciação futura da taxa de câmbio. Isto porque, os agentes sabem que as taxas de juros devem caminhar razoavelmente juntas ao longo do tempo, diferenciando-se apenas pelo risco de cada país.  Se elas estão muito distantes, os agentes esperam uma correção futura de preços relativos, entre a moeda doméstica e as demais moedas.

O experimento, a propósito, permite testes mais robustos, para verificar se essa causalidade apontada pela teoria verifica-se na prática. Algo que faço em outro post...

O título desse post bem que poderia ser por que você não deveria acreditar no seu professor keynesiano, mas talvez soasse provocação de mais. Como hoje estou de (muito) bom humor, pouparei meus amigos do outro lado da força... 🙂

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.