O novo juro neutro da economia brasileira

Hoje à tarde, a equipe econômica anunciou o plano Mais Brasil, que tem por objetivo uma ampla reforma administrativa do Estado brasileiro. Se levado a cabo pelo Congresso Nacional, trará enormes externalidades positivas tanto para a política fiscal quanto para a produtividade da economia brasileira. De fato, o plano é lançado após três anos de diversas reformas econômicas, como a aprovação do Teto de Gastos, a adoção do cadastro positivo, a aprovação da TLP nos empréstimos do BNDES e mais recente a reforma da previdência. Todo esse conjunto de reformas fez, diga-se, com que o juro de equilíbrio da economia brasileira despencasse, mesmo com uma trajetória ainda crescente da dívida pública.

Economistas se importam com o juro de equilíbrio ou juro neutro porque ele é fundamental para prever se a política monetária em vigor será expansionista ou contracionista. Juros reais maiores do que o juro neutro configuram uma política monetária contracionista, enquanto o contrário configura uma política monetária expansionista.

O diabo, porém, está nos detalhes. Dado que o juro neutro é uma medida não observável, ele precisa ser estimado. Existem diversos métodos de fazê-lo, como por exemplo, através de um modelo estrutural que represente o organismo econômico. Nesse comentário de conjuntura, a propósito, de modo a mostrar evidências de que, de fato, o juro de equilíbrio da economia brasileira está em queda, diante das reformas feitas nos últimos anos, tomaremos como referência o trabalho de Barbosa et al. (2016).

Barbosa et al. (2016) estimam o juro de equilíbrio da economia brasileira por alguns métodos. Em um deles, calculam o juro neutro a partir da tendência obtida a partir do título público de mais longo prazo à venda, a NTN-B 2045. Já aqui, optei por fazer a conta utilizando a NTN-B 2050. Para isso, utilizei os pacotes de R abaixo.


## Pacotes utilizados
library(GetTDData)
library(ggplot2)
library(forecast)
library(mFilter)
library(xts)
library(scales)
library(grid)
library(png)

Uma vez carregados os pacotes, nós podemos fazer o download dos dados com o código a seguir.


## Download dos dados
download.TD.data('NTN-B')
ntnb50 = read.TD.files(dl.folder = 'TD Files',
maturity = '150850')

Um tratamento dos dados é feito abaixo.


## Mensalizar os dados
ntn = data.frame(time=ntnb50$ref.date, ntnb50=ntnb50$yield.bid)
ntn$time = as.Date(ntn$time, format='%d/%m/%Y')
ntn$ntnb50 = ntn$ntnb50*100
ntn$ntnb50 = xts(ntn$ntnb50, order.by = ntn$time)

ntn = apply.monthly(ntn$ntnb50, FUN=mean)
ntn = ts(ntn, start=c(2012,06), freq=12)

## Construir juro neutro
hp = hpfilter(ntn, fre=14400, type='lambda')

Uma vez que os dados estão tratados, nós plotamos a série que representa uma evidência do juro neutro.

 

De fato, como ilustra o gráfico, houve uma queda consistente no juro de equilíbrio a partir de 2016. Na margem, ele flerta com 3,5% a.a. Mesmo diante, ressalto, de um crescimento ainda bastante crítico do endividamento público, fruto de seis anos de déficit primário. Em outros termos, as reformas que estão sendo pautadas e aprovadas têm garantido uma trajetória cadente do juros a despeito de uma situação fiscal ainda delicada.

(*) Aprenda a fazer esse e muitos outros exercícios com nossos Cursos Aplicados de R.

(**) Os códigos completos desse exercício estarão disponíveis logo mais no Clube do Código.

___________________________

Barbosa, F. H., F. D. Camêlo, and I. C. João. 2016. “A Taxa de Juros Natural E a Regra de Taylor No
Brasil: 2003-2015.” Revista Brasileira de Econometria 70 (4): 399–417.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.

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.