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

Como analisar o sentimento dos textos do COPOM no Python?

Neste exercício construímos um indicador que busca quantificar o sentimento proveniente das decisões de política monetária no Brasil. Usando técnicas de mineração de texto, implementamos todas as etapas necessárias, desde web scraping e pré-processamento das atas do Comitê de Política Monetária do Banco Central (COPOM), até a criação de tokens e a classificação do sentimento implícito nos textos.

Como importar os textos do COPOM para análise de sentimentos no Python?

Os textos divulgados pelo COPOM, sejam os comunicados ou atas, são o ponto de partida para diversos tipos de análises quantitativas, como a análise de sentimentos, e qualitativas, como uma análise de cenário econômico. Neste artigo, mostramos como coletar estes textos de forma automatizada usando web scrapping e Python.

Como tratar dados no Python? Parte 5: renomeando colunas

Como dar novos nomes significativos para as colunas em uma tabela de dados usando Python? Neste tutorial mostramos os métodos de renomeação de colunas disponíveis na biblioteca pandas, que tem como vantagem sua sintaxe simples e prática.

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.