Criando uma Regra de Taylor para o Brasil usando o Python

O termo "Regra de Bolso" pode ser entendido como um regra prática, basicamente um método aproximado para fazer algo, baseado na experiência prática. A Regra de Taylor propõe-se a ser utilizada com este intuito, visando determinar a taxa de juros básica da economia, usando um subconjunto da informação necessária para uma regra ótima do instrumento de política monetária. Neste artigo, veremos como podemos criar a Regra de Taylor facilmente usando o Python, tomando como base dados da economia brasileira.

A Regra de Taylor, também conhecida como Regra da Taxa de Juros de Taylor, é uma fórmula usada para prever a taxa de juros de um banco central com base em vários fatores econômicos. Portanto, é uma ferramenta muito importante para a tomada de decisões da autoridade monetária.

A regra é simples, no sentido de que não necessita de muitas informações, diferente de uma regra ótima para a instrumentalização da política monetária, que necessita de diversas informações e modelos muito bem calibrados.

Nessa regra simples os coeficientes são ad hoc, baseados na experiência e qualificação do banco central, de forma que não refletem comportamentos tidos como ótimos.

Criada pelo Economista John B. Taylor, a regra relaciona a taxa de juros determinada pelo banco central com as condições econômicas, especificamente os desvios da inflação e a meta de inflação e o hiato entre o produto real e produto potencial.

A diferença da regra ótima, na regra de Taylor o instrumento de política depende de variáveis endógenas e a regra de Taylor não é solução de um problema de política monetária. Este aspecto deve ser levado em conta ao fazer a estimação empírica da regra. A regra de Taylor pode ser tratada como uma regra com realimentação (feedback rule).

Aprenda a coletar, processar, analisar e modelar dados macroeconômicos no curso de Macroeconometria usando o Python.

A regra proposta nos moldes por Taylor sofreu diversas alterações ao longo do tempo, diferenciando-se em diversas formas e aspectos, para diferentes finalidades. No presente artigo, iremos analisar duas formas: uma regra simples, nos moldes originais propostos por Taylor; e uma regra que leva em consideração termos de suavização com um componente autoregressivo da taxa de juros, além disso, há a adição de um termo de juro real neutro variante no tempo:

Temos então a primeira equação:

    \[i_t = \alpha_0 + \alpha_1 (\pi_{t} - \pi_{t}^{M}) + \alpha_2 h_{t-1}  + \epsilon_t\]

Em que i_t representa a meta da taxa de juros nominal, \pi_{t} - \pi_{t}^{M} os desvios da inflação em relação a meta, h_t o hiato do produto (diferença entre o produto real e produto potencial), por fim, temos \epsilon_t representando os choques. Aqui a constante \alpha_0 representa o taxa de juro neutra invariante no tempo.

A segunda equação estabelece mais estrutura para a regra:

    \[i_t=\theta_1 i_{t-1}+\theta_2 i_{t-2}+\left(1-\theta_1-\theta_2\right) *\left[r_t^{e q}+\pi_t^{\text {meta }}+\theta_3\left(\pi_{t}-\pi_t^{\text {meta }}\right)\right]+\epsilon_t^i\]

Em que r_t^{e q} representa a taxa de juros real neutra variante no tempo. theta_1 e theta_2 referem-se a coeficientes que visam ser uma suavização para o tempo de resposta da diretoria do banco central, bem como prevenir autocorrelação nos resíduos. Importante dizer que para garantir a convergência desses termos autoregressivos é necessário que a soma dos termos seja inferior a 1.

Os dados utilizados referem-se:

- Taxa de juros - Meta Selic definida pelo Copom - Freq. diária - Unid. % a.a.

- Índice nacional de preços ao consumidor-amplo (IPCA) Var. % mensal

- Meta para a inflação - CMN - Freq. anual - %

- Hiato do Produto criado pelo BCB, obtido pelo Relatório de Inflação.

- Juro Neutro: Expectativa da taxa Selic ao longo de uma horizonte de quatro anos à frente, desinflacionada pela expectativa de variação do IPCA para o mesmo período, ambas obtidas pela pesquisa Focus. Do resultado, aplica-se o Filtro HP para suavizar a série.

O coeficientes são estimados via OLS. Os dados que não se referem a frequência trimestral são transformados para a utilização do modelo.

 

Quer aprender mais?

Clique aqui para fazer seu cadastro no Boletim AM e baixar o código que produziu este exercício, além de receber novos exercícios com exemplos reais de análise de dados envolvendo as áreas de Data Science, Econometria, Machine Learning, Macroeconomia Aplicada, Finanças Quantitativas e Políticas Públicas diretamente em seu e-mail.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados regionais do CAGED no Python

Os dados regionais do CAGED permitem analisar o mercado de trabalho de forma detalhada, em termos de setores, educação, rendimento e características pessoais dos trabalhadores brasileiros. Neste exercício mostramos como acessar estas informações online via Python.

Coletando dados de Setores Censitários do Censo 2022 no Python

Dados sobre a demografia e o território são primordiais para definir e implementar políticas públicas, áreas de atuação comercial e/ou estratégias de marketing. Sendo assim, saber usar os dados do Censo 2022 pode trazer vantagens competitivas. Neste exercício mostramos como obter os dados da Malha de Setores Censitários no formato vetorial (GeoJson) usando o Python.

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.