Decisão do COPOM foi acertada

Ao longo de 2016, chamei atenção em diversas oportunidades para a correção em manter a taxa real de juros elevada. Isso era necessário porque, como pode ser visto no gráfico abaixo, a inflação tem desviado da meta de forma consistente desde o início de 2012, refletindo uma complacência da autoridade monetária. Em outras palavras, manter a taxa real de juros suficientemente elevada por algum tempo era o preço a pagar pelos erros cometidos no passado. Felizmente, entretanto, já não é mais esse o caso.

Isto porque, a nova diretoria do Banco Central conseguiu, em curto espaço de tempo, um feito e tanto, como pode ser visto no gráfico a seguir. As expectativas de inflação para 2017, que estavam próximas a 7% no início de 2016, convergiram ao longo do ano para valores próximos à meta. Isso foi possível não apenas pela manutenção de juros reais elevados, mas também porque houve uma melhora sensível da comunicação da autoridade monetária com o público, como pode ser visto no gráfico seguinte.

Ademais, o Banco Central passou a sinalizar o comprometimento com uma versão do regime de metas titulada de Inflation Forecast Targeting (Svensson, 1997). Nesse, as expectativas de inflação passam a ser uma meta intermediária, que autoriza (ou não) mudanças na condução da política monetária. Em outras palavras, a trajetória das expectativas sinaliza se haverá (ou não) convergência da inflação efetiva para a meta.

Em resumo, a manutenção de juros reais elevados, o comprometimento com a trajetória das expectativas de inflação e a melhora da comunicação com o público respondem pelo processo de convergência da inflação ora em curso. Essa convergência, e somente ela, é o que autoriza uma flexibilização da política monetária, em um momento de frustração com a recuperação do nível de atividade.

Os riscos associados a esse processo de flexibilização passam por questões domésticas e externas. Naquelas, está principalmente a aprovação da reforma da previdência, que na prática operacionaliza o limite de crescimento da despesa primária recentemente aprovado. Nestas, por seu turno, residem dúvidas sobre o novo governo norte-americano e a trajetória do juros por parte do Federal Reserve. No balanço, entretanto, as questões domésticas vão ditar o ritmo de ajuste das expectativas de inflação, uma vez que o cenário externo tem peso reduzido sobre estas.

Em assim sendo, a decisão tomada na última reunião do Comitê de Política Monetária (COPOM) foi sensível à abertura do hiato do produto, isto é, à fragilidade da recuperação da economia brasileira. Em um contexto de credibilidade monetária recuperada, como pode ser visto pelo último gráfico abaixo, nos parece acertada a decisão de por peso à estabilização do nível de atividade. Ainda mais em um contexto onde as projeções do Banco Central sinalizam inflação abaixo da meta em 2017.

 

_____________________________________________

Mendonça, H. F., Souza, G. J. G. (2007). “Credibilidade do regime de metas para a inflação no Brasil.” Pesquisa e Planejamento Econômico, 37(2), 247-282.

Svensson, L. E. O. (1997). Inflation Forecast Targeting: Implementing and Monitoring Inflation Targets, European Economic Review, 41(July).

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

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!

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.