Meirelles e Tombini visitam o R

O Banco Central brasileiro (BCB) tem sido muito criticado ultimamente, especialmente em se tratando de como ele tem respondido às flutuações do PIB e do nível de preços. Até mesmo questionamentos em relação a sua independência têm surgido. Críticos ao posicionamento do BCB têm insinuado que ele está menos rigoroso com o tratamento da inflação e, desta forma, tem tentado alimentar um crescimento artificial da economia.

Neste exercício simples eu tento estimar justamente isto, a resposta do BCB (através da taxa de juros) a choques na inflação e na taxa de desemprego (ou seja, uma proxy do nível de atividade da economia) durante dois períodos de 4 anos cada um. Durante o primeiro período, de 2007 até dezembro de 2010, o BCB foi presidido por Henrique Meirelles enquanto que no segundo período, de 2011 até dezembro de 2014, foi presidido pelo atual presidente do BCB, Alexandre Tombini.

O principal problema que surge aqui é o fato de que as amostras são extremamente pequenas (48 observações cada) para estimarmos um VAR. Note que se escolhermos, por exemplo, 4 defasagens para cada equação teremos que estimar (4*3+1)*3 parâmetros. Isto é, teremos que estimar 39 parâmetros usando 48 observações. Logo, a minha escolha de usar o pacote BMR novamente, onde posso estimar um BVAR usando informações a priori sobre os parâmetros, se faz óbvia.

Abaixo o gráfico com os dados utilizados.

dates <- seq(as.Date('2002-03-01'), as.Date('2014-12-01'), by='1 month')
gtsplot(data, dates=dates)
Séries utilizadas.
Séries utilizadas.

O primeiro passo agora é então tentar inferir sobre os coeficientes AR(1) para usarmos como informação a priori*. Eu decidi não assumir raiz unitária e usei os valores 0.94, 0.73 e 0.97 para as séries de taxa de juros, IPCA e taxa de desemprego, respectivamente. Estes valores foram baseados nas funções parciais de autocorrelação dadas abaixo**.

gpacf(data, save=F)
ACF para taxa de juros, IPCA e taxa de desemprego, respectivamente.
ACF para taxa de juros, IPCA e taxa de desemprego, respectivamente.

Em seguida podemos estimar o mesmo modelo para os dois períodos distintos.

prior <- c( 0.94,   0.73,    0.97)

bvar.m <- BVARM(meir,coefprior=prior,p=12,constant=TRUE,
                irf.periods=20,keep=10000,burnin=1000,
                VType=1,decay="H",HP1=0.05,HP2=0.5,HP3=1,HP4=2)

bvar.t <- BVARM(tomb,coefprior=prior,p=12,constant=TRUE,
                irf.periods=20,keep=10000,burnin=1000,
                VType=1,decay="H",HP1=0.05,HP2=0.5,HP3=1,HP4=2)

Feito isto, extraímos as séries de impulso resposta e criamos também uma série que acumula estas respostas (assim podemos ver o efeito total do choque). A seguir estão os gráficos que mostram como que a taxa de juros responde a choques nas séries de inflação e na taxa desemprego. Devido ao tamanho do código referente ao gráfico das respostas eu só vou incluir o código referente ao primeiro gráfico.

#### Extraindo IRFs ####

irf.m <- IRF(bvar.m, save=F)
irf.t <- IRF(bvar.t, save=F)

irfs.ipca <- ts(cbind(irf.m$IRFs[1:20,2,1,2],
                      irf.t$IRFs[1:20,2,1,2]))

irfs.desem <- ts(cbind(irf.m$IRFs[1:20,2,1,3],
                       irf.t$IRFs[1:20,2,1,3]))

#### Acumulando os IRFs ####

irfsc.ipca <-  ts(apply(irfs.ipca, 2, cumsum))
irfsc.desem <- ts(apply(irfs.desem, 2, cumsum))

#### Gráficos ####

plot(irfs.ipca[,1],
     xlab='',
     main='Choque no IPCA',
     ylab='SELIC',
     bty='l',
     ylim=c(-0.5,0.8),
     col='darkblue',
     lwd=2)

abline(h=0, col='darkgrey')

lines(irfs.ipca[,2],
      col='darkred',
      lwd=2)

legend('topright',
       lty=1, col=c('darkblue', 'darkred'),
       legend=c('Meirelles', 'Tombini'),
       bty='n', lwd=2)
IRFs simples e acumulado.
IRFs simples e acumulado.

Pelos gráficos acima podemos ver que, a resposta por parte do BCB a choques, seja no IPCA ou na taxa de desemprego, foi bem mais lenta e em níveis menores no período em que foi presidido pelo Alexandre Tombini quando comparado ao período de Henrique Meirelles.

Logo, este simples exercício mostra indícios de que o BCB nos últimos 4 anos não tem sido tão “agressivo” quanto costumava ser nos tempos de Meirelles.

* Utilizando a função stationarity podemos notar que as séries podem apresentar problemas de raiz unitária. Esta informação pode ser usada na estimação, isto é, podemos assumir que as séries seguem um passeio aleatório (colocando o input coefprior da função BVARM igual a NULL. Os resultados, porém, não foram sensíveis a esta mudança.

** Além disso, eu assumo que os coeficientes AR(q>1) são todos iguais a zero.

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.