Modelo de Previsão da Dívida Bruta do Governo Geral (DBGG) para 2025

Variáveis fiscais, como a dívida bruta, são de grande interesse para o próprio governo, mas também para investidores e consumidores. Suas trajetórias podem impactar decisões de investimento e mudar a dinâmica futura da economia. Ao mesmo tempo, estas variáveis são definidas de forma complexa e, muitas vezes, na "canetada", o que dificulta sua previsibilidade.

Neste exercício, contruímos um algoritmo simples de cenarização para a Dívida Bruta do Governo Geral (DBGG) em % do PIB, usando apenas dados públicos, simulações estatísticas, a literatura recente e a linguagem R. Em uma abordagem semi-automatizada, as simulações do modelo se aproximam das previsões do mercado para o ano de 2025.

Introdução

Nem sempre é útil aplicar modelos econométricos ou de machine learning para fazer previsões. Como exemplo, no exercício de hoje exploraremos uma equação proveniente dos livros-texto de macroeconomia que explica a dinâmica da dívida pública no país: a chamada equação de sustentabilidade da dívida pública.

    \[\Delta D = p + (r - \gamma) \times D\]

Onde:
\Delta D = variação da dívida bruta em p.p. do PIB;
p = resultado primário em % do PIB;
r = taxa real de juros em %;
\gamma = taxa de crescimento do PIB em %;
D = nível de endividamento bruto em % do PIB.

Essa equação pode nos ajudar a obter, por exemplo, o esforço necessário em termos de resultado primário para manter a dívida bruta estável ( \Delta D = 0 ). Porém, nosso interesse é projetar a DBGG para o ano seguinte.

Conforme a equação, diversas variáveis explicam a dívida bruta. Neste caso, podemos fazer previsões para a DBGG para o ano seguinte com base no que esperamos através de cenários para estas variáveis explicativas.

Por exemplo, atualmente a economia brasileira se encontra em um ciclo de aperto monetário, portanto esperamos que a taxa de juros continue subindo nos próximos meses. Sendo assim, podemos projetar a DBGG para diferentes cenários para os juros, além de também considerar a interação com as demais variáveis da equação.

Nesse contexto, uma prática comum é gerar distribuições que reflitam o nosso balanço de riscos (por exemplo, aperto monetário) para cada variável e então usar essas distribuições para gerar n cenários conjuntos para a variável final (DBGG).

Sendo assim, se quisermos usar essa equação para projetar a dívida bruta para o ano seguinte, precisamos de cenários para quatro variáveis: resultado primário, taxa de juros nominal (Selic), inflação (IPCA) e crescimento do PIB.

Dados

Para obter o código e o tutorial deste exercício faça parte do Clube AM e receba toda semana os códigos em R/Python, vídeos, tutoriais e suporte completo para dúvidas.

Para simplificar, usaremos os dados do último relatório Focus/BCB para servir de base na criação dos cenários das variáveis.

Para o resultado primário, utilizaremos a última expectativa disponível (mediana). Já para as demais variáveis, utilizaremos dois parâmetros: a mediana e o desvio padrão da última expectativa disponível, que serão úteis para criar distribuições assimétricas com a ajuda do pacote sn (Skew-Normal distribution).

Estes parâmetros (diretos) serão transformados em parâmetros centrados que denotam a localização, escala e inclinação da distribuição assimétrica a ser gerada para cada variável. Verifique a documentação de sn::cp2dp para detalhes.

A inclinação será apontada com base na análise do último Relatório de Distribuições de Frequência (Expectativas de Mercado) do BCB, levando em conta o horizonte de interesse nesse exercício (2025), dando a assimetria à distribuição.

Para gerar os cenários a partir dos parâmetros centrados, rodaremos 50 ou 100 simulações (tamanho da amostra da distribuição) de cada variável usando a função sn::rsn e, então, utilizaremos todas as combinações possíveis desses cenários para construir a simulação da DBGG para o próximo ano, partindo do nível atual e das expectativas para o resultado primário.

O gráfico abaixo apresenta as simulações das variáveis "exógenas":

Por fim, combinamos os cenários gerados e usamos estes valores na equação de sustentabilidade da dívida pública para simular a variação da DBGG no próximo ano:

A simulação diz que em 2025 a DBGG deve variar cerca de 5,1 p.p, ou seja, deve encerrar o ano em 76,11% (ano anterior) + 5,1 p.p (projeção do ano corrente) = 81,21%. Esse valor é praticamente idêntico ao projetado pelo último relatório Focus.

Referências

Salto, F. S. (2018). "Dívida bruta: evolução e projeções". In: Senado Federal: Instituição Fiscal Independente, Estudo Especial n. 7.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como usar automação com Python e IA na análise de ações

No cenário atual, profissionais de finanças buscam formas mais rápidas, eficientes e precisas para analisar dados e tomar decisões. Uma das grandes revoluções para isso é o uso combinado de Python, automação e modelos de linguagem grande (LLMs), como o Google Gemini. O dashboard que criamos é um ótimo exemplo prático dessa integração, reunindo dados, cálculos, visualizações e análise textual em um único ambiente.

Análise de ações com IA - um guia inicial

Neste artigo, você vai aprender a integrar IA na análise de ações de forma automatizada utilizando Python. Ao final, você terá um pipeline completo capaz de coletar dados de mercado, gerar gráficos, elaborar relatórios com linguagem natural.

Quais são as ferramentas de IA?

Um aspecto crucial dos Agentes de IA é a sua capacidade de tomar ações, que acontecem por meio do uso de Ferramentas (Tools). Neste artigo, vamos aprender o que são Tools, como defini-las de forma eficaz e como integrá-las ao seu Agente por meio da System Prompt. Ao fornecer as Tools certas para o seu Agente — e ao descrever claramente como essas Tools funcionam — você pode aumentar drasticamente o que sua IA é capaz de realizar.

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.