O modelo de Inflation Forecast Targeting

A leitura da última ata do COPOM nos fez lembrar de Svensson (1997), no qual o autor trata de um regime de metas de inflação com a existência de uma meta intermediária: as expectativas de inflação do próprio Banco Central. O autor argumenta que a operacionalização do regime de metas em si é complicada haja visto que a autoridade monetária não possui controle perfeito sobre a taxa de inflação. A existência de falhas de mercado - como a rigidez de contratos - e defasagens nos mecanismos de transmissão da política monetária fazem com que o Banco Central possa afetar, apenas, a inflação futura. Desse modo, o uso das projeções de inflação como meta intermediária serviria de guia para alcançar o objetivo final da política monetária.

Woodford (2007) observa que um Banco Central comprometido com inflation forecast targeting ajusta o instrumento de política monetária de modo a garantir a convergência entre suas projeções de inflação e a meta previamente definida. O autor argumenta, ainda, que a implementação desse tipo de versão do regime de metas para inflação representa uma síntese entre a discrição e a adoção de uma regra. Isto porque nele é possível tornar claro para o público como o Banco Central vê a inflação no médio e longo prazo. Possibilita, portanto, que reações a choques de curto prazo, por exemplo, não causem mudanças bruscas nas expectativas de inflação.

Svensson (1997) apresenta como se operacionaliza o modelo de inflation forecast targeting. Para ilustrar, considere um modelo simples como em Barbosa (2010), com duas defasagens, uma Curva de Phillips, uma IS e uma função de perda L para cada período, como abaixo:

(1)   \begin{equation*} \pi_{t+1} = \pi_{t} + \alpha_{1}h_{t} + \varepsilon_{t+1} \end{equation*}

(2)   \begin{equation*} h_{t+1} = -\beta_{2}(i_{t} - \pi_{t} - r_{s}) + \mu_{t+1} \end{equation*}

(3)   \begin{equation*} L(\pi_{t+2}) = E[(\pi_{t+2} - \pi^*)^2 + \gamma(h_{t})^2] \end{equation*}

Onde \pi_{t} é a taxa de inflação, h_{t} é o hiato do produto, i_{t} é a taxa nominal de juros, r_{s} é a taxa de juros natural, \varepsilon_{t+1} e \mu_{t+1} são, respectivamente, um choque de oferta e outro de demanda no período t, conhecidos em t+1, i.i.d.; \alpha_{1} e \beta_{2} são parâmetros positivos e \gamma é um parâmetro que varia entre 0 e 1, medindo as preferências do Banco Central em relação à estabilização do produto.

Vamos considerar, por simplificação, que \gamma=0. Para calcular E(\pi_{t+2}) devemos nos atentar para as defasagens envolvidas no modelo. Mudanças na taxa de juros nominal afetam o hiato do produto com um período de defasagem e a inflação com dois períodos de defasagem. Desse modo, podemos expressar \pi_{t+2} substituindo (2) em (1) de modo que:

(4)   \begin{eqnarray*}\pi_{t+2} = \pi_{t+1} + \alpha_{1}h_{t+1} + \varepsilon_{t+2} \nonumber \\ \pi_{t+2} = (\pi_{t} + \alpha_{1}h_{t} + \varepsilon_{t+1}) + \alpha_{1}(-\beta_{2}(i_{t} - \pi_{t} - r_{s}) + \mu_{t+1}) + \varepsilon_{t+2} \nonumber \\ \pi_{t+2} = [(1 + \alpha_{1}\beta_{2})\pi_{t} + \alpha_{1}h_{t} - \alpha_{1}\beta_{2}(i_{t} - r_{s})] + (\varepsilon_{t+1} + \alpha_{1}\mu_{t+1} + \varepsilon_{t+2}) \end{eqnarray*}

Aplicando o operador esperança sobre (4), temos que:

(5)   \begin{equation*}E(\pi_{t+2}) = [(1 + \alpha_{1}\beta_{2})\pi_{t} + \alpha_{1}h_{t} - \alpha_{1}\beta_{2}(i_{t} - r_{s})]\end{equation*}

Em outros termos, a expectativa sobre \pi_{t+2} depende da taxa de juros nominal no período t. Nessas condições, para que o Banco Central consiga minimizar (3) com respeito a i_{t} é necessário que:

(6)   \begin{equation*}E(\pi_{t+2}) = \pi^*\end{equation*}

Nesses termos, de (5) e (6), podemos expressar i_{t} como segue:

(7)   \begin{equation*}i_{t} = (r_{s} - \pi_{t}) + \frac{1}{\alpha_{1}\beta_{2}}(\pi_{t}- \pi^*) + \frac{1}{\beta_{2}}h_{t}\end{equation*}

O ponto central, portanto, é que a minimização da função de perda em um regime de inflation forecast targeting é dada pela condição (6). As expectativas para \pi_{t+2} funcionam como um guia para saber se o Banco Central conseguirá ou não cumprir a meta de inflação. Como observa Svensson (1997), uma meta intermediária da política monetária.

(**) Isso e muito mais é visto em nosso Curso de Análise de Conjuntura usando o R!

_________________________________________________________

Barbosa, F. H. (2010). Macroeconomia, mimeo.

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

Woodford, M. (1994). Nonstandard indicators for monetary policy: Can their usefulness be judged from Forecasting Regressions? In Mankiw, G. (ed), Monetary Policy, Chicago: The University of Chicago Press.

___________. (2007). The Case for Forecast Targeting as a Monetary Policy Strategy, Journal of Economic Perspectives, 21(4):3-24.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O papel da credibilidade do Banco Central na desinflação da economia

O objetivo deste trabalho é mensurar a credibilidade da política monetária brasileira através de diferentes métricas e verificar empiricamente se uma maior credibilidade contribui para a redução da inflação. Realizamos a modelagem econométrica usando o pacote {systemfit} disponível na linguagem. Ao fim, criamos um relatório reprodutível com a combinação Quarto + R.

Análise de Criptomoedas com Python

Aprenda a estruturar um pipeline de dados financeiros com Python. Ensinamos a construção de um dashboard automatizado para coleta, tratamento e visualização de criptomoedas via API.

Como Construir um Monitor de Política Monetária Automatizado com Python?

Descubra como transformar dados do Banco Central em inteligência de mercado com um Monitor de Política Monetária Automatizado. Neste artigo, exploramos o desenvolvimento de uma solução híbrida (Python + R) que integra análise de sentimento das atas do COPOM, cálculo da Regra de Taylor e monitoramento da taxa Selic. Aprenda a estruturar pipelines ETL eficientes e a visualizar insights econômicos em tempo real através de um dashboard interativo criado com Shiny, elevando o nível das suas decisões de investimento.

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.