Juro real vs. juro neutro: qual o efeito da política monetária no Brasil?

Essa semana, o Banco Central decide o patamar da taxa básica de juros no país. O consenso de mercado indica mais uma alta de 75 pontos-base, o que levaria a Selic para a casa dos 3,5% ao ano. Com efeito, haverá uma pressão adicional na taxa de juros real da economia. A pergunta que fica é se a política monetária ainda continuará no terreno expansionista ou se mudará o sentido para contracionista. Nesse Comentário de Conjuntura, mostramos como avaliar esse ponto na prática com o R.

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício. Esse tipo de tema é ensinado nos nossos Cursos de Análise de Conjuntura usando o R e de Política Monetária

Afim de obter o sentido da política monetária, devemos basicamente comparar o juro real com o juro de equilíbrio da economia brasileira. A diferença entre os dois vai nos dizer se a política monetária está em sentido expansionista (juro real menor que o juro neutro) ou contracionista (juro real maior que o juro neutro).

O juro real que considerei aqui é o juro real ex-ante, obtido a partir do juro do swap DI 360 deflacionado pela expectativa de inflação para os próximos 12 meses. Já o juro de equilíbrio segue uma proxy definida no Relatório de Inflação de dezembro de 2019, dada pela Selic esperada para t+3 deflacionada pela inflação espera para t+3.

Uma vez definidas as variáveis e como obter o sentido da política monetária, chegamos ao gráfico abaixo.

A área azul representa uma política monetária expansionista enquanto a área vermelha representa uma política monetária contracionista. Como se pode ver, a política monetária vem sendo expansionista desde 2017. Além disso, dado que o juro real está próximo da nulidade e o juro neutro encontra-se, por essa proxy, próximo de 3% a.a., ainda há bastante espaço até que haja uma mudança de sentido na política monetária.

Será que o Banco Central está disposto a promover essa mudança em meio a uma crise sanitária sem precedentes? A conferir...

_________________________

Membros do Clube AM, por suposto, têm acesso a todos os códigos desse exercício. Esse tipo de tema é ensinado nos nossos Cursos de Análise de Conjuntura usando o R e de Política Monetária

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.