Introdução
A interação entre o ciclo de crédito, o ciclo de negócios (atividade econômica) e a política monetária é um tema central na macroeconomia. A teoria econômica sugere que o crédito tende a ser pró-cíclico, expandindo-se em momentos de aquecimento da atividade e contraindo-se em recessões. Simultaneamente, a política monetária, através da manipulação da taxa de juros, atua como um instrumento contracíclico para suavizar essas flutuações.
Utilizando a linguagem Python, construímos um pipeline completo de dados para investigar a relação entre o ciclo das concessões de crédito, o hiato do produto e o hiato da taxa de juros real.
Quer ver a vídeoaula do tutorial deste exercício? E receber o código que o produziu? Faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.
Metodologia e Dados
Para isolar os ciclos econômicos, adotou-se uma abordagem trimestral, abrangendo o período de 2000 a 2025. As variáveis foram construídas da seguinte forma:
- Ciclo de Crédito:
- Utilizou-se a série de Concessões de crédito com recursos livres - Série encadeada ao crédito referencial - Total (SGS 21277).
- A série foi deflacionada pelo IPCA (IBGE) para valores reais e, em seguida, submetida ao ajuste sazonal pelo método X13-ARIMA-SEATS.
- Transformou-se a série em um número-índice (Base: 3º Trimestre de 2000 = 100) e aplicou-se o logaritmo natural.
- O componente cíclico foi extraído via Filtro HP com (parâmetro padrão para dados trimestrais).
- Hiato do Produto:
- Utilizou-se a estimativa oficial do Banco Central para o Hiato do Produto (Cenário de Referência), extraída diretamente dos anexos estatísticos do Relatório de Política Monetária.
- Hiato da Taxa de Juros Real:
- Calculou-se a Taxa de Juros Real Ex-ante utilizando a equação de Fisher, combinando as expectativas de mercado (Relatório Focus) para a Selic e para o IPCA no horizonte de 12 meses (t+1).
- A Taxa Neutra de Juros foi estimada através da tendência extraída pelo Filtro HP da taxa real ex-ante.
- O hiato foi definido como a diferença entre a taxa real efetiva e a taxa neutra estimada.
Assim, estima-se a seguinte equação:
![\[ciclo\_credito_t = \alpha + \sum_{i=0}^2 \beta_i (hiato\_produto)_{t-i} + \sum_{j=0}^2 \gamma_j (hiato\_juro)_{t-i} + \varepsilon_t\]](https://analisemacro.com.br/wp-content/ql-cache/quicklatex.com-4e656bf21fd0d91b438840c4c0448c39_l3.png "Rendered by QuickLaTeX.com")
Python como Ferramenta
A realização deste estudo evidencia a robustez do ecossistema Python para a análise macroeconômica. O código desenvolvido demonstra a capacidade da linguagem em integrar todas as etapas do processo de pesquisa:
- Coleta Automatizada (ETL): Integração via APIs com o Sistema Gerenciador de Séries Temporais (SGS) do BCB, o SIDRA do IBGE e a extração direta de dados estruturados de planilhas Excel disponíveis na web.
- Tratamento Avançado: Aplicação de metodologias complexas, como o ajuste sazonal via X13-ARIMA-SEATS (integrado via
statsmodels) e o deflacionamento de séries nominais. - Filtragem: Utilização do Filtro Hodrick-Prescott (HP) para a decomposição de séries temporais em tendência e ciclo.
- Modelagem Econométrica: Estimação de regressões lineares múltiplas (OLS) para testar hipóteses teóricas.
Modelagem
Na etapa final, o código estrutura uma análise de regressão para explicar o Ciclo de Concessões de Crédito. Foram testadas diversas especificações de modelos lineares, utilizando como variáveis explicativas:
- O Hiato do Produto (atividade econômica).
- O Hiato de Juros (política monetária).
- Defasagens (lags) de 1 e 2 trimestres dessas variáveis.
Regressão do Hiato das Concessões de Crédito
| Dependent variable: concessoes_ciclo | |||||
| (1) | (2) | (3) | (4) | (5) | |
| Constante | 0.554 | 0.543 | 0.510 | 0.498 | 0.606 |
| (0.451) | (0.455) | (0.502) | (0.446) | (0.466) | |
| Hiato Produto | 1.746*** | -0.123 | -0.080 | 1.613*** | 0.408 |
| (0.348) | (1.445) | (2.641) | (0.374) | (1.220) | |
| Hiato Produto (t-1) | 1.860 | 1.992 | 1.474 | ||
| (1.284) | (5.201) | (1.117) | |||
| Hiato Produto (t-2) | -0.273 | ||||
| (2.730) | |||||
| Hiato Juro | -0.907* | 0.752 | -0.228 | 0.657 | -1.268* |
| (0.511) | (1.033) | (1.226) | (0.981) | (0.671) | |
| Hiato Juro (t-1) | -2.416* | 0.087 | -1.787 | ||
| (1.304) | (2.351) | (1.088) | |||
| Hiato Juro (t-2) | -1.862 | ||||
| (1.639) | |||||
| Observations | 87 | 87 | 87 | 87 | 87 |
| R2 | 0.325 | 0.396 | 0.417 | 0.348 | 0.357 |
| Adjusted R2 | 0.309 | 0.366 | 0.373 | 0.324 | 0.334 |
| Residual Std. Error | 4.364 (df=84) | 4.179 (df=82) | 4.157 (df=80) | 4.317 (df=83) | 4.285 (df=83) |
| F Statistic | 15.980*** (df=2; 84) | 12.894*** (df=4; 82) | 8.612*** (df=6; 80) | 13.604*** (df=3; 83) | 15.800*** (df=3; 83) |
| Note: | *p<0.1; **p<0.05; ***p<0.01 | ||||
A teoria econômica sugere — e o exercício busca confirmar — que o ciclo de crédito possui uma correlação positiva com o hiato do produto (atividade forte gera demanda por crédito) e uma correlação negativa com o hiato de juros (juros acima do neutro encarecem e contraem o crédito). A utilização de defasagens é crucial, pois o efeito da política monetária sobre o crédito não é imediato, operando através de canais de transmissão que levam tempo para se materializar.
Referências
Referências Bibliográficas BANCO CENTRAL DO BRASIL. Boxe 3: Ciclos de crédito e de negócios. In: Relatório de Inflação: junho 2023. Brasília: BCB, 2023. Disponível em: https://www.bcb.gov.br/content/ri/relatorioinflacao/202306/ri202306b3p.pdf. Acesso em: 14 jan. 2026.
