Juro a pessoa física ainda é exorbitante no Brasil

A despeito da forte queda na taxa básica de juros, a Selic, o juro para a pessoa física ainda permanece em níveis elevados. Para ilustrar, vamos pegar os dados diretamente do Banco Central com o código de R a seguir.


library(BETS)
library(ggplot2)
library(scales)

selic = BETSget(4189, from='2011-03-01', to='2019-12-01')
jurospf = BETSget(20740)

time = seq(as.Date('2011-03-01'), as.Date('2019-12-01'), by='1 month')
data = data.frame(time=time, selic=selic, jurospf=jurospf)

De posse dos dados, podemos construir o gráfico abaixo.

Como se vê, a despeito de estarem correlacionados ao longo do tempo, a diferença de nível é gritante. Enquanto a taxa básica de juros está em 4,25%, o juro médio para pessoa física permanece próximo a 50% a.a. Essa diferença leva em conta uma série de fatores, resumidos no que chamamos de spread bancário - a diferença entre o custo de captação e o de empréstimo. Existem vários fatores que explicam o spread, como, por exemplo, a inadimplência - ver a edição 60 do Clube do Código.

Nesse contexto, como já discuti nesse e em outros espaços, o juro para o tomador final tem tanto um componente macro quanto microeconômico. No primeiro, ele depende fortemente da taxa básica de juros, que é afetada por condições macroeconômicas de equilíbrio, como a situação fiscal do setor público.

A parte macro do problema avançou bastante nos últimos anos. Em particular, a aprovação do teto de gastos e a reforma da previdência tiveram impacto expressivo sobre o chamado juro de equilíbrio da economia brasileira.

O grosso do problema, contudo, ainda reside sobre o lado microeconômico. Em particular, o risco de crédito é um fator preponderante para explicar o nível ainda elevado do juro a pessoa física no Brasil. Ainda é muito difícil recuperar crédito no país, uma vez que ocorre inadimplência.

Para ilustrar, fizemos um exercício no Clube do Código que busca justamente dar luz a esses problemas - é a edição 50 do Clube. O modelo estimado é dado pela equação

(1)   \begin{align*} Juros^{tomador}_t = \beta_0 + \beta_1Juros^{ref}_{t-j} + \beta_2Inad_{t-k} + \beta_3 Incerteza_{t-l} + \sum_{i=1}^{3}D_i + \epsilon_t \end{align*}

Em que:

Juros^{tomador}: Taxa média de juros - recursos livres - pessoa física - total (SGS/BCB: 20740)

Juros^{ref}: Foram testadas as taxas Selic e Swap pré-DI 30, 60, 90, 120, 180 e 360. Por fim, utilizou-se a taxa Swap pré-DI 90 (SGS/BCB: 7818)

Inad: Inadimplência - pessoa física - total (SGS/BCB: 21112)

Incerteza: Foram testados a medida de risco-país (Embi) e o índice de incerteza da economia da FGV. O modelo final considerou este último.

D: dummies trimestrais.

{j,k,l}: indicam defasagens utilizadas.

Em conjunto, os resultados parecem corroborar a ideia de que a inadimplência é um fator relevante para explicar a taxa de juros ao tomador. Por outro lado, a incerteza apresenta significância estatística e, portanto, contribui para aumentar os juros ao tomador. Isto parece estar em linha com a ideia de uma postura mais conservadora dos bancos.

Mudar essa realidade, por fim, exige um ataque microeconômico de difícil operação. Passa não só por redução da assimetria entre oferta e demanda por crédito, como também maior celeridade no julgamento de processos de resgate de crédito. Esse último é a ponta mais difícil do processo.

(**) Aprenda a analisar dados em nossos Cursos Aplicados de R.

___________________


Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Deploy de modelos com Python + Shinylive + GitHub gastando ZERO reais

Colocar modelos em produção pode ser um grande desafio. Lidar com custos monetários, infraestrutura operacional e complexidades de códigos e ferramentas pode acabar matando potenciais projetos. Uma solução que elimina todos estes obstáculos é a recém lançada Shinylive. Neste artigo mostramos um exemplo com um modelo de previsão para o preço do petróleo Brent.

Como automatizar tarefas repetitivas usando Python? Um exemplo para largar o Excel

Manter relatórios diários com dados e análises atualizados é um desafio, pois envolve várias etapas: coleta de dados, tratamento de informações, produção de análises e atualização de relatório. Para superar este desafio algumas ferramentas como Python + Quarto + GitHub podem ser usadas para automatizar tudo que for automatizável. Neste artigo mostramos um exemplo com dados do mercado financeiro.

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

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.