Deterioração do debate fiscal e seus efeitos sobre as expectativas dos agentes

O debate fiscal se deteriorou nas últimas semanas. A discussão sobre precatórios, bem como a andamento da reforma tributária têm estragado o humor dos agentes de mercado. Esse recrudescimento do ambiente doméstico tem efeitos diretos sobre as expectativas dos agentes. Em particular, houve uma empenada na Curva de Juros.

A Estrutura a Termo da Taxa de Juros (ETTJ), como pode ser visto no gráfico acima, retrata esse comportamento dos agentes. A ETTJ é um dos principais canais de transmissão da política monetária (como aprendemos em nosso Curso de Análise de Conjuntura usando o R).

De certa forma, essa empenada na Curva amplifica o movimento de alta do juro real, empreendido pelo Banco Central a partir das últimas decisões do Comitê de Política Monetária. Como mostra o gráfico acima, o juro real está se aproximando do juro neutro, cujos efeitos se dão, primeiro, sobre o hiato do produto e, posteriormente, sobre a inflação (veja nosso Curso de Macroeconometria usando o R). 

Uma externalidade (ruim) do recrudescimento do ambiente político é o seu efeito sobre as expectativas. A tabela abaixo, construída de forma automatizada com o R a partir do boletim Focus, ilustra (como aprendemos em nosso Curso de Análise de Conjuntura usando o R).

A expectativa para a inflação segue em crescimento, tanto para 2021 quanto para 2022, horizonte agora mais relevante para a política monetária.

Há, também, um início de correção do crescimento do PIB em 2021. O mercado passa, cada vez mais, a corrigir o seu otimismo com o dado do primeiro trimestre e esboça mais pessimismo com a deterioração do debate fiscal.

Dada essa conjuntura, espera-se que o Banco Central siga aumentando a taxa básica de juros, tentando ancorar as expectativas de inflação para o ano que vem.

______________

(*) Os códigos desse Comentário de Conjuntura fazem parte do Monitor de Política Monetária, desenvolvimento dentro do Curso de Análise de Conjuntura usando o R, onde os alunos aprendem também a desenvolver dashboards em shiny como esse aqui.

(**) Membros do Clube AM têm acesso aos códigos desse e de todos os outros Comentários de Conjuntura, além de acessar também nossos demais exercícios.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.