Inflação e hiato do produto geram revisão para a taxa Selic

O Banco Central divulgou na última quarta-feira a sua decisão sobre a taxa básica de juros. Os membros do Comitê de Política Monetária optaram, nesse momento, por manter a taxa Selic inalterada em 6,5% ao ano. No comunicado, o COPOM subiu um pouco o tom em relação à abertura do hiato do produto e ao cenário benigno da inflação esperada para 2019 e 2020. Por outro lado, também ressaltou que os riscos de não aprovação da reforma da previdência permanecem preponderantes nesse momento.

No comunicado divulgado em maio,  no cenário com juros e câmbio extraídos da pesquisa Focus, a inflação esperada para 2019 e 2020 ficava em 4,1% e 3,8%, respectivamente. Agora, a inflação esperada fica em 3,6% e 3,9%, respectivamente. Já no cenário de juros constantes e câmbio a 3,95 R$/US$, a inflação ficava em maio em 4,3% esse ano e em 4% no próximo ano. Agora, com câmbio a 3,80 R$/US$, a inflação fica em 3,6% e 3,7%.

Houve, ademais, uma revisão importante no Focus, com redução na expectativa da taxa básica para o final do ano. Ao invés de 6,5%, espera-se agora 5,75%. O quadro abaixo resume a expectativa dos agentes para as quatro variáveis macroeconômicas mais importantes.

À exceção do câmbio esperado, que pega a média das instituições, as demais variáveis referem-se à mediana. Destaque para a queda monotônica do crescimento esperado para esse ano, que agora está abaixo de 1% - como, aliás, escrevi aqui. A inflação esperada também cedeu na ponta, após o repique verificado em abril. A tabela abaixo, a propósito, resume a inflação observada e os núcleos construídos pela autoridade monetária.

 

IPCA vs. Núcleos de Inflação (%)
Mensal Mai/19 Mensal Mai/18 Anual Mai/19 Anual Mai/18
IPCA 0,13 0,40 4,66 2,85
Médias Aparadas com Suaviz. 0,29 0,22 4,08 3,20
Médias Aparadas sem Suaviz. 0,22 0,18 3,29 2,42
Exclusão 0 -0,05 -0,01 2,99 2,55
Exclusão 1 0,16 0,25 3,94 2,69
Dupla Ponderação 0,18 0,21 3,76 2,94
Exclusão 2 0,18 0,11 2,96 1,92
Exclusão 3 0,22 0,18 2,88 2,25

A despeito do repique no índice cheio, que permanece acima da meta de 4,25%, os núcleos permanecem bem comportados. O gráfico abaixo ilustra.


A tendência, por suposto, é que os choques recentes sobre o índice cheio se dissipem, de modo que a inflação convirja para valores próximos à meta até o final do ano. É o que indica o comportamento dos núcleos de inflação, que buscam justamente limpar o índice cheio de choques de curto prazo.

Por outro lado, as pesquisas de alta frequência têm indicado que abril também não foi um mês bom, de modo que o segundo trimestre também pode ter um resultado abaixo do esperado. É basicamente o que levou o COPOM a subir o tom em relação ao nível de atividade. O gráfico abaixo ilustra o comportamento da indústria e do comércio ampliado.

A soma de hiato do produto mais negativo do que o esperado a essa altura do ano com inflação subjacente comportada é basicamente o que está levando o mercado a reduzir a expectativa de juros para o final do ano. 

O problema é que o Banco Central tem de levar em consideração o que acontece no Congresso em relação à reforma da previdência. Se o relatório conseguir ser aprovado no plenário antes do recesso de julho, o caminho fica de fato aberto para uma redução já na próxima reunião, mantidos, obviamente, o cenário benigno para a inflação, para o ambiente externo e a fraqueza do nível de atividade.

_______________________

(*) Como de praxe, os códigos desse comentário estarão disponíveis no repositório do Clube do Código.

(**) Cursos de Macroeconomia Aplicada: aprenda a utilizar o R para lidar com dados macroeconômicos.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como preparar os dados para um modelo preditivo?

Modelos de previsão macroeconômica podem facilmente alcançar um número elevado de variáveis. Mesmo modelos simplificados, como o Modelo de Pequeno Porte (MPP) do Banco Central, usam cerca de 30 variáveis. Isso impõe um grande desafio ao nosso dia a dia: como fazer a gestão destes dados para uso em modelos, desde a coleta até o tratamento?

Transfer Learning para Previsão de Séries Temporais com o Python

A aprendizagem por transferência (ou transfer learning) é a técnica de reutilizar um modelo previamente treinado em um novo problema. Esse conceito representa um grande avanço para a previsão de variáveis, especialmente aquelas organizadas ao longo do tempo, como séries temporais. Neste post, exploramos como usar transfer learning com Python para trabalhar com esse tipo de dado.

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.