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

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.