Inadimplência vs. Spread bancário: refutando ideias heterodoxas

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Há muitas ideias equivocadas (e mesmo estapafúrdias) sendo ventiladas por aí quando o assunto é juro alto no Brasil. Há os que defendem, por exemplo, que o juro alto é consequência única e exclusiva da ganância de banqueiros. Como se os banqueiros brasileiros fossem mais gananciosos do que seus pares no resto do mundo. Há também aqueles que acham que o spread bancário, a diferença entre a taxa de captação de recursos pelos bancos e aquela taxa cobrada em empréstimos, deve ser reduzido na marra, por meio dos bancos públicos. Como se isso não tivesse sido tentado recentemente, com o fracasso já esperado. Essas e outras ideias são apenas exemplos de como o debate econômico no Brasil é contaminado por falta de entendimento da teoria e também da evidência empírica disponível. Nesse post, fazendo uso da relação entre inadimplência e spread bancário, mostro como economistas sérios orientam a construção de políticas eficazes para redução do juro alto no país - Saiba como fazer análises como essa em nossos Cursos Aplicados de R..

É razoável supor que inadimplência e spread bancário são variáveis que andam juntas ao longo do tempo. Isto é, tanto a inadimplência exerce influência sobre o spread, como o caso contrário. Isso é facilmente demonstrado pelo procedimento de Toda-Yamamoto, operacionalizado no código abaixo.


library(BETS)
library(ggplot2)
library(forecast)
library(gridExtra)
library(vars)
library(aod)

## Dados

inad = BETS.get(21082)
spread = BETS.get(20783)
data = ts.intersect(spread, inad)
df = data.frame(inad=data[,2], spread=data[,1])

### Toda-Yamamoto

### Selecionar Defasagem
def = VARselect(df,lag.max=12,type="both")
def$selection

var10 = VAR(df, p=10, type='both')
serial.test(var10)

### Teste de Wald

var11 = VAR(df, p=11, type='both')

### Wald Test 01: Spread não granger causa inadimplência

wald.test(b=coef(var11$varresult[[1]]), 
 Sigma=vcov(var11$varresult[[1]]), 
 Terms=c(2,4,6,8,10,12,14,16,18,20))

### Wald Test 02: Inadimplência não granger causa spread

wald.test(b=coef(var11$varresult[[2]]), 
 Sigma=vcov(var11$varresult[[2]]), 
 Terms= c(1,3,5,7,9,11,13,15,17,19))

Caso o leitor queira reproduzir o exercício, verá que de fato há uma causalidade bidirecional na relação entre inadimplência e spread bancário. Isso dito, como o policymaker deve atacar o problema? Faz sentido reduzir o spread bancário na marra para que a inadimplência caia? Por exemplo, vamos usar os bancos públicos para forçar uma redução do spread? Ou faz mais sentido atacar o risco de crédito, seja com a redução da assimetria de informação entre credor e o tomador de empréstimo, seja por meio de maior celeridade na recuperação de crédito? De um lado, estão economistas que olham o problema com base em teoria e evidência do que é feito ao redor do mundo. Do outro, estão pessoas que não têm a menor ideia do que estão falando.

 

Atacar o risco de crédito por meio de maior celeridade na recuperação de crédito e/ou na construção de um banco de dados público com informações sobre os tomadores tem efeitos permanentes sobre o mercado, fazendo com que tanto a inadimplência quanto o spread bancário caiam.

Uma outra forma de atacar o problema é simplesmente controlar preços, como fez recentemente o governo Dilma, com as taxas de juros da Caixa Econômica e do Banco do Brasil. Como não ataca o verdadeiro problema, que é o risco de crédito, ele terá apenas efeitos passageiros sobre o spread bancário.

Esse, de fato, é apenas um exemplo de como o debate econômico no Brasil antagoniza ideias prosaicas, de quem não tem a menor ideia do que está falando, com ideias baseadas em teoria e evidência empírica de quem realmente se deu ao trabalho de estudar o problema. Às vezes, cansa... 🙁

 

___________________________________

Saiba como fazer análises como essa em nossos Cursos Aplicados de R.

[/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]

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.