Por que temos juros tão altos: uma resposta econométrica

Na Edição 60 do Clube do Código, construímos um modelo simples que explica a trajetória do spread bancário no Brasil. O spread é a diferença entre as taxas de captação e de empréstimo bancário, que é sistematicamente mais elevado no país do que a evidência internacional. De modo a entender essa anomalia, utilizamos como variáveis explicativas para o spread as provisões dos bancos, compulsórios bancários, taxa de inadimplência, taxa Selic e taxa de desemprego. Abaixo o ajuste do modelo.

O modelo que construímos tem um R^2 de 0,96, o que significa que o mesmo consegue explicar 96% da variação na nossa variável de interesse. Abaixo, colocamos uma tabela que resume os resultados encontrados.

Dependent variable:
spread
provisoes 1.232**
(0.512)
compulsorio 0.007**
(0.003)
inadimplencia 1.338***
(0.386)
selic 0.559***
(0.030)
desemprego 0.559***
(0.115)
Constant -7.509***
(1.426)
Observations 84
R2 0.962
Adjusted R2 0.960
Note: *p<0.1; **p<0.05; ***p<0.01

Como se depreende da tabela, todas as variáveis foram estatisticamente significativas para explicar o spread bancário. Em particular, os resultados encontrados sugerem que um aumento de 1 p.p. na taxa de inadimplência faz o spread bancário aumentar em 1,33 p.p.

Como de praxe, os códigos do exercício estão disponíveis no repositório do Clube do Código.

____________________

ps: estamos aqui na Análise Macro com inscrições abertas para os cursos de Macro Aplicada e para a Formação em Produção de Trabalhos Empíricos usando o R, onde você aprende a lidar com dados da forma que eu mostrei no post com o uso do R. O primeiro lote está com 30% de desconto, mas deve acabar logo, então corre e se inscreve logo!  

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise de Sentimento de Mercado com IA usando Python

Ler notícias diárias sobre empresas e ações listadas na bolsa pode ser maçante e cansativo. Mas, e se houvesse uma maneira de simplificar todo esse processo? Mostraremos como a IA generativa pode ajudar a captar o sentimento de notícias sobre companhias, automatizando todo o processo com Python e Gemini.

Analisando o mercado acionário brasileiro com aprendizado não supervisionado no Python

Como identificar os fatores significativos que influenciam a variabilidade nos retornos de ações individuais? Como comparar esses fatores ao selecionar empresas de setores distintos? Neste artigo, aplicamos a Análise de Componentes Principais para examinar ações que compõem o índice bovespa, com o objetivo de identificar os fatores estatísticos relevantes. Usamos o Python como ferramenta para aplicar a análise.

Analisando Ações do Mercado Acionário Brasileiro usando IA

Um analista de ações possui total conhecimento de como explorar dados financeiros, mas nem sempre há disposição para relembrar códigos de análises já bem conhecidas. Se temos os dados, porque não pedir para a IA criar o resultado do que temos em mente? Neste exercício, mostramos o poder da IA Generativa para criar análises de ações usando 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.