Análise do COPOM: há espaço para Selic a 4,25%?

O Comitê de Política Monetária (COPOM) resolveu na noite dessa quarta-feira reduzir a taxa básica de juros em 50 pontos-base. A decisão, amplamente esperada pelo mercado, levou a taxa básica de juros para 4,5% a.a. No comunicado da decisão, o Comitê não revelou de forma explícita seus próximos passos, mas deixa claro que o processo de relaxamento monetário está próximo do fim.

O comunicado da 227º reunião termina com a frase O Copom entende que o atual estágio do ciclo econômico recomenda cautela na condução da política monetária. O Comitê enfatiza que seus próximos passos continuarão dependendo da evolução da atividade econômica, do balanço de riscos e das projeções e expectativas de inflação.

O comportamento da autoridade monetária, como ensinamos a estimar em nosso Curso de Macroeconometria usando o R e nosso Curso de Modelos do Banco Central, pode ser descrita como segue:

(1) $\begin{align*} i_t = \alpha_0 + \alpha_1 i_{t-1} + \alpha_2 i_{t-2} + \alpha_3 (\pi_{t}^{e} - \pi^{M}) + \alpha_4 h_{t-1} + v_t \end{align*}$

Basicamente, a regra de Taylor a ser estimada relaciona a taxa básica de juros às suas próprias desagens - de modo a incorporar a suavização da taxa de juros ao longo do tempo e, econometricamente, previnir autocorrelação nos resídios -, a diferença entre a inflação projetada e a meta de inflação e uma medida de hiato do produto.

Nesse contexto, a atualização dos modelos de previsão do Banco Central, tanto usando como cenário as projeções do Focus quanto um cenário híbrido ainda colocam a inflação de 2020 abaixo da meta (que no ano que vem será de 4%). Em outros termos e a considerar uma recuperação da economia e, consequentemente, do hiato do produto em linha com as projeções, é possível dizer que ainda há espaço para mais um corte de 25 pontos-base na próxima reunião que ocorre nos dias 4 e 5 de fevereiro. O efeito do juro real sobre o hiato do produto ocorre via uma Curva IS, como a descrita abaixo:

(2) $\begin{align*} h_t = \gamma_0 + \sum_{i>0} \gamma_{1i} h_{t-1} + \sum_{j>0} \gamma_{2j} r_{t-j} +\sum_{k > 0} \gamma_{3k} \Delta sup_{t-k} + u_t \end{align*}$

Basicamente, a Curva IS estimada irá descrever a dinâmica do hiato do produto com base em **suas próprias defasagens**, da **taxa de juros real ex-ante** e da **variação do superávit primário**. Por fim, o hiato do produto irá afetar a inflação por meio de uma Curva de Phillips como abaixo:

(3) $\begin{align*} \pi_t^{livres} = \sum_{i>0} \beta_{1i} E_t \pi^{total}_{t+i} +\sum_{j>0} \beta_{2j} \pi^{total}_{t-j} +\sum_{k \geq 0} \beta_{3k} \pi^{importada}_{t-k} + \sum_{l>0} \beta_{4l} hiato_{t-l} + \sum_{m = 1}^4 D_m + \epsilon_t \end{align*}$

Basicamente, a inflação dos preços livres é uma função linear da **inflação passada**, das **expectativas de inflação**, do **hiato do produto** e da **inflação importada**. Tudo isso dito, um PIB mais forte no 4º trimestre, bem como uma inflação mais apertada nos próximos meses, refletindo choques de oferta no grupo de alimentos e uma continuação da depreciação cambial podem, por outro lado, dar como encerrado o ciclo de corte na taxa básica de juros.

Isso dito, qual o cenário mais próvavel? O gráfico acima ilustra o comportamento da inflação e dos núcleos de inflação no acumulado em 12 meses encerrado em novembro. Como se vê, ainda há bastante espaço para acomodar eventuais choques sobre a inflação. Tanto o choque de oferta dos alimentos quanto repasses da desvalorização cambial.

Hiato do Produto produzido pelo IBRE/FGV. Ver mais em https://blogdoibre.fgv.br/posts/o-hiato-do-produto-se-reduz-no-terceiro-trimestre

Já em relação ao hiato do produto, como é possível ver na figura acima, a despeito de uma melhora no índice, ele ainda está em terreno bastante negativo. Em outras palavras, ainda há espaço para algum incentivo adicional do lado monetário.

Encerrando o ciclo de corte em 4,5% ou dando um incentivo adicional de mais 25 pontos-base de corte, o certo é que a política monetária ainda deve permanecer em terreno expansionista por algum tempo. Como mostra o gráfico acima, o juro real encontra-se abaixo de 1%, enquanto estimativas para o juro neutro estão postas entre 3% e 3,5%. A política monetária, nesse contexto, cumpriu seu papel de estimular a economia em uma situação de hiato do produto negativo, inflação controlada e expectativas de inflação ancoradas.

____________________________

(*) Os gráficos dessa edição do COPOM Watch foram gerados a partir de scripts automáticos que estão disponíveis no Clube do Código e/ou são ensinados no nosso Curso de Análise de Conjuntura usando o R. A apresentação está disponível no repositório do github e um vídeo também está disponível na AM TV.

(**) Você pode aprender a analisar dados em nossos Cursos Aplicados de R. Inscrições abertas para as Turmas 2020.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Como incorporar choques em cenários de previsão?

Como preparar os dados para um modelo preditivo?

Transfer Learning para Previsão de Séries Temporais com o Python

Como usar o Python para tratar e manipular dados financeiros

Como usar o Python para tratar e manipular dados de Séries Temporais

Um modelo explicativo para a inflação de alimentos

Outros artigos relacionados

Como incorporar choques em cenários de previsão?

Neste exercício mostramos como incorar choques no cenário de variáveis exógenas para fins de previsão. Usando como exemplo a previsão do IPCA, através de um modelo de machine learning, mostramos os cuidados a serem tomados e uma forma simples de definir o cenário com os choques. Ao final, apresentamos uma previsão com um suposto choque e uma previsão sem o choque para comparação.

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!