Preferência pela liquidez abre espaço para corte de 50 pontos-base na próxima reunião do Copom

O fraco desempenho da economia brasileira no primeiro trimestre, a continuação dos problemas na zona do Euro e a ainda tímida retomada norte-americana, somadas à mudança na remuneração da caderneta de poupança impulsionou a Curva de Juros a precificar mais dois cortes de 50 pontos-base cada. Isto é, na próxima reunião do Copom, a acontecer em 29 e 30 de maio, a Selic cairia para uma mínima histórica de 8,5%. Será?

Tenho minhas dúvidas a esse respeito. Tudo bem que o cenário é de ponto-morto tanto aqui como lá fora, mas é preciso salientar a defasagem da política monetária. Na ata da última reunião o Copom ressalta que mais cortes devem ser feitos com parcimônia. Isso era um recado duplo: dados os problemas com a caderneta de poupança e com a defasagem implícita na transmissão da política monetária.

Um entrave parece superado [ao menos, a princípio], já o outro não tem jeito: será preciso esperar. Em seus documentos oficiais, a autoridade monetária vislumbrava um cenário em que a inflação chegaria a março/abril em torno de 5%. É o que se vê no momento, muito em função do cenário de baixo nível de atividade e de queda das principais commodities. Além disso, o Banco Central sempre deixou claro que o nível de atividade só voltaria a demonstrar vigor a partir do segundo semestre, algo que a Indústria também concorda, mesmo a despeito do acúmulo de estoques verificado na passagem de fevereiro para março.

Um fator que pode pesar a favor do corte mais acentuado é a significativa preferência pela liquidez dos Bancos Europeus, evidenciando um aumento de desconfiança com respeito à recuperação da Europa no curto/médio prazo. Notícia divulgada hoje no Valor dá conta que o pacote de estímulo do BCE de cerca de US$ 1 trilhão não obteve os efeitos desejados [ao menos não de forma integral], quais sejam aliviar a crise de liquidez e gerar estímulos para que os bancos emprestassem mais. Nas palavras do jornal:

"Depois de três meses de certa normalização no início do ano, o mercado de financiamento bancário dá sinais de que voltará a parar. A depositar dinheiro em banco centrais, em vez de emprestá-lo a clientes ou usá-lo para outros fins, bancos europeus estão garantindo que terão acesso imediato a fundos se tiverem dificuldade para rolar dívidas ou se outras emergências - como o rebaixamento da nota de crédito - levarem clientes a fazer grandes saques". 

Como a autoridade monetária está em frequente consonância com o que ocorre no cenário externo, esse pode  ser o argumento decisivo para um corte de 50 pontos-base ao invés de 25 - algo que seria mais condizente com o problema da defasagem. Não descartamos, porém, que o manual seja seguido e que a autoridade monetária prefira a parcimônia no ajuste. Veremos mais detalhes ao longo das próximas semanas.

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.