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

Criando reports econômicos automáticos com IA usando Python

Imagine que você tenha uma tabela e precise gerar uma análise de dados rápida para entregar um relatório. Você poderia tentar parar tudo que está fazendo ou até mesmo fazer horas extras, mas dificilmente você entregaria o relatório mais rapidamente do que um modelo de Inteligência Artificial (IA). Neste artigo mostramos um exemplo de relatório gerado por IA para análise de inflação no Brasil, usando as ferramentas Quarto + Python para integrar a IA.

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.

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.