Medindo o repasse da taxa Selic para o mercado de crédito bancário

No post de hoje, iremos replicar o estudo presente no boxe do RI 2022/09 do Banco Central, que mensura a magnitude da taxa Selic para diversas modalidades de crédito utilizando o R.

O estudo tem como principal objetivo estimar a magnitude dos repasses das alterações da Selic para as taxas de juros do Sistema Financeiro
Nacional (SFN), especificadamente as diferentes modalidades de crédito ofertados de acordo com os segmentos, sendo as presentes no estudo:

em PF livres:

aquisição de outros bens,
aquisição de veículos,
cheque especial
e crédito pessoal;

em PJ Livres,

aquisição de outros bens,
conta garantida
e cheque especial
desconto de duplicatas e recebíveis
capital de giro
compror e vendor
ACC
repasse externo

em PF direcionados,

imobiliário
rural

em PJ direcionados:

Banco Nacional de Desenvolvimento Econômico e Social (BNDES);
rural

A replica do estudo segue algumas alterações em relação ao Boxe. Em primeiro lugar, o estudo original utiliza uma série de Créditos Livres estendida por meio de outras fontes e interligadas por uma harmonização. Em segundo lugar, é utilizado em sua equação a adição de uma dummy em nível da série, o que não foi realizado nesta réplica.

Ao fim, temos aqui uma equação da seguinte forma, que é constituída por uma regressão linear estimada por MQO:

$\Delta Juros_{m,t} = \alpha_{m} + \sum_{i=0}^{11}\beta_{m,i} \Delta Selic_{t-1} + \sum_{i=0}^{3}\delta_{m,t-1}+ \Delta Inad_{m,t-1} + \varepsilon$

Seguindo o estudo, temos que o termo $\Delta Juros_{m,t}$ mede a variação no período da taxa de juros da modalidade; $\Delta Selic_{t-1}$ representa a variação da taxa Selic; $\Delta Inad_{m,t-1}$ representa a variação da taxa de inadimplência da modalidade.

Em relação aos coeficientes, $\alpha_{m}$ é uma constante, $\beta_{m,i}$ mede a magnitude do repasse de cada defasagem da Selic, $\delta_{m,t-1}$ mede o efeito da inadimplência e das suas defasagens.

Por fim, vamos construir o código em R. O objetivo será construir um método de coleta das variáveis utilizadas no estudo, realizar o respectivo tratamento, e "rodar" o modelo das 16 modalidades.

Começamos carregando os pacote utilizados.


library(tidyverse)
library(GetBCBData)
library(tsibble)
library(timetk)
library(dynlm)
library(broom)

Vamos coletar os dados através do Banco Central, coletadas por meio do pacote {GetBCBData}, com os respectivos códigos de cada série.


## Coleta de dados

totais <- c(
### Taxa de juros do crédito livre
"livre_fisico" = 20740,
"livre_juridico" = 20718,
### Taxa de juros do crédito direcionado
"direcionado_fisico" = 20768,
"direcionado_juridico" = 20757
)

modalidades <- c(
### Taxa de juros do crédito PF - livre
"pf_livre_outros" = 20750,
"pf_livre_veiculos" = 20749,
"pf_livre_cq_especial" = 20741,
"pf_livre_cq_pessoal" = 20748,
### Taxa de juros do crédito PF - Direcionado
"pf_direcionado_imob" = 20774,
"pf_direcionado_rural" = 20771,
### Taxa de juros do crédito PJ - Livres
"pj_livre_outros" = 20729,
"pj_livre_cont_g" = 20726,
"pj_livre_dd" = 20719,
"pj_livre_cap_giro" = 20725,
"pj_livre_compror" = 20735,
"pj_livre_acc" = 20736,
"pj_livre_repasse" = 20739,
### Taxa de juros do crédito PJ - Direcionados
"pj_direcionado_bndes" = 20765,
"pj_direcionado_rural" = 20760
)

inadimplencia <- c(
### Taxa de juros do crédito PF - livre
"pf_livre_outros_inad" = 21122,
"pf_livre_veiculos_inad" = 21121,
"pf_livre_cq_especial_inad" = 21113,
"pf_livre_cq_pessoal_inad" = 21120,
### Taxa de juros do crédito PF - Direcionado
"pf_direcionado_imob_inad" = 21151,
"pf_direcionado_rural_inad" = 21148,
### Taxa de juros do crédito PJ - Livres
"pj_livre_outros_inad" = 21097,
"pj_livre_cont_g_inad" = 21094,
"pj_livre_dd_inad" = 21087,
"pj_livre_cap_giro_inad" = 21093,
"pj_livre_compror_inad" = 21103,
"pj_livre_acc_inad" = 21107,
"pj_livre_repasse_inad" = 21110,
### Taxa de juros do crédito PJ - Direcionados
"pj_direcionado_bndes_inad" = 21143,
"pj_direcionado_rural_inad" = 21136
)

##
data_inicio = "2011-03-01"

creditos_totais <- GetBCBData::gbcbd_get_series(
id = totais,
use.memoise = FALSE,
first.date = data_inicio
)

modalidades_creditos <- GetBCBData::gbcbd_get_series(
id = modalidades,
use.memoise = FALSE,
first.date = data_inicio
)

inadimplencia_series <- GetBCBData::gbcbd_get_series(
id = inadimplencia,
use.memoise = FALSE,
first.date = data_inicio
)

selic_raw <- GetBCBData::gbcbd_get_series(
id = c("selic" = 4189),
use.memoise = FALSE,
first.date = data_inicio
)

Analisamos a série de cada modalidade abaixo, por meio da construção do gráfico de série temporal com o ggplot2.


## Visualização

ggplot(modalidades_creditos, aes(x = ref.date, y = value))+
geom_line()+
facet_wrap(~series.name, scales = "free_y")

Na parte de tratamento, devemos transformar as séries (isto é, calcular a variação) e defasar os valores da Selic e Inadimplência. Utilizamos o pacote {tsibble} e o {timetk} para auxiliar no processo.


## Tratamento

### Modalidade de crédito

modalidades_creditos_tt <- modalidades_creditos |>
select("date" = ref.date,
value,
"modalidade" = series.name) |>
pivot_wider(names_from = modalidade,
values_from = value) |>
mutate(date = yearmonth(date)) |>
as_tsibble(index = date)

modalidades_creditos_diff <- modalidades_creditos_tt %>%
dplyr::transmute(
dplyr::across(
.cols = !"date",
.fns = ~tsibble::difference(
x = .x,
differences = 1
),
.names = "{col}_diff"
)
)

### Inadimplência

inadimplencia_tt <- inadimplencia_series |>
select("date" = ref.date,
value,
"inadimplencia" = series.name) |>
pivot_wider(names_from = inadimplencia,
values_from = value) |>
mutate(date = yearmonth(date)) |>
as_tsibble(index = date)

# Calcula o delta

inadimplencia_diff <- inadimplencia_tt %>%
dplyr::transmute(
dplyr::across(
.cols = !"date",
.fns = ~tsibble::difference(
x = .x,
differences = 1
),
.names = "{col}_diff"
)
) |>
timetk::tk_augment_lags(.value = contains(c("pf", "pj")),
.lags = 1:3)

### Selic

selic_tt <- selic_raw |>
select("date" = ref.date,
"selic" = value)

# Calcula o delta

selic_diff <- selic_tt |>
transmute(date = date,
selic_diff = selic - lag(selic)) |>
timetk::tk_augment_lags(.value = "selic_diff",
.lags = 1:12)|>
mutate(date = yearmonth(date)) |>
as_tsibble(index = date)

### Junta os dados

all_data <- modalidades_creditos_diff |>
full_join(inadimplencia_diff, by = 'date') |>
full_join(selic_diff, by = 'date')

Estamos lidando com diversas variáveis e precisamos agora rodar diversos modelos de regressão linear, para tanto, criamos um código que permita transformar cada equação de uma modalidade em um data frame dentro de uma lista e aplicamos a função dynlm() (para rodar a regressão) em conjunto com a função map() do pacote {purrr}.


### Cria um loop para criar uma lista contendo as variáveis de cada modelo

dep_variables <- names(modalidades)

my_list <- list()

for(i in dep_variables){
df <- all_data |> select(starts_with(c(i, "selic")))
my_list[[i]] <- df
}

# Renomeia as variáveis do modelo para nomes padrão

all_variables <-c("delta_juros", "delta_inad", "delta_inad_lag1", "delta_inad_lag2", "delta_inad_lag3", colnames(selic_diff)[-1], "date")

lm_data <- lapply(my_list, `names<-`, all_variables)

Agora, é possível rodar a regressão e extrair os parâmetros do modelo de cada modalidade com o pacote {broom}.


# Aplica a regressão linear em cada data frame da lista

lm_results <- map(lm_data, ~dynlm::dynlm(delta_juros ~ . - date, data = .)) |>
map(broom::tidy) |>
bind_rows(.id = "modalidades")

lm_results

Quer saber mais?

Veja a nossa trilha de Macroeconomia Aplicada.

Compartilhe esse artigo

Comente o que achou desse artigo

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

O que são Agentes de IA?

As diferentes formas de avaliar o erro de um modelo de previsão

Previsão do CPI usando text mining

Nowcasting do PIB usando a linguagem R

Previsão de demanda com o Prophet usando Python

Nowcasting do PIB: um modelo de fatores usando Python

Outros artigos relacionados

O que são Agentes de IA?

O que é um agente e como ele funciona? Como agentes tomam decisões usando racioncínio e planejamento? Neste artigo, nosso objetivo é investigar estas questões para construir um conhecimento fundamental sobre AI agents.

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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!