Modelando o spread bancário no Brasil

No próximo dia 15/12, darei uma aula ao vivo sobre como criar scripts de R que automatizam a coleta, o tratamento, a modelagem e a apresentação de dados. A aula faz parte do lançamento do Clube AM, um novo espaço aqui na Análise Macro para compartilhar os scripts de R que produzimos aqui no Blog e internamente na Análise Macro. Para se inscrever na aula, clique aqui. O projeto de compartilhamento de códigos da Análise Macro vai avançar para uma versão 2.0, que incluirá a existência de um grupo fechado no Whatsapp, de modo a reunir os membros do Novo Clube, compartilhando com eles todos os códigos dos nossos posts feitos aqui no Blog, exercícios de análise de dados de maior fôlego, bem como tirar dúvidas sobre todos os nossos projetos, exercícios e nossos Cursos e Formações.

Para ilustrar o que vamos compartilhar lá nesse novo ambiente, estou publicando nesse espaço alguns dos nossos exercícios de análise de dados. Esses exercícios fazem parte do repositório atual do Clube do Código, que deixará de existir. Além de todos os exercícios existentes no Clube do Código, vamos adicionar novos exercícios e códigos toda semana, mantendo os membros atualizados sobre o que há de mais avançado em análise de dados, econometria, machine learning, forecasting e R.

Hoje, vou mostrar os resultados de um modelo que fizemos no âmbito do Clube para explicar o spread bancário. Em termos gerais, chamamos de spread bancário a diferença entre as taxas de empréstimo para clientes e captação de recursos que os bancos fazem.

Como variáveis explicativas para o spread bancário, foram utilizadas as provisões dos bancos, compulsórios bancários, taxa de inadimplência, taxa básica de juros e taxa de desemprego. À exceção das provisões, todas as demais variáveis se mostraram estatisticamente significativas para explicar o spread.

A tabela abaixo resume os resultados encontrados.

Dependent variable:
spread
provisoes 0.869
(0.629)
compulsorio 0.015***
(0.004)
inadimplencia 1.443***
(0.472)
selic 0.500***
(0.038)
desemprego 0.528***
(0.141)
Constant -8.232***
(1.670)
Observations 103
R2 0.912
Adjusted R2 0.907
Residual Std. Error 0.868 (df = 97)
F Statistic 200.607*** (df = 5; 97)
Note: *p<0.1; **p<0.05; ***p<0.01

 

_______________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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.