No Brasil vale a pena ser "caloteiro"?

Matéria do Valor de hoje tem o curioso título Dívida renegociada paga metade do juro. O jornal chama atenção para as taxas envolvidas nas transações de empréstimo e nas de renegociação:

"A taxa de juros da renegociação é de 36,6% ao ano, em média, enquanto o custo médio do crédito para aquisição de bens é de 66,4%, o do cheque especial, 136,8%, e o do crédito pessoal não consignado, 73%. Já o crédito para aquisição de automóveis e o consignado (com garantia da folha de pagamento) têm taxas originais menores do que as da renegociação, de 19,5% e 24,2%, respectivamente".


Há uma celeuma danada, leitor, entre economistas de diferentes matizes teóricas sobre as razões pelas quais os juros seriam elevados no país. Há gente que põe a culpa no governo (excesso de gastos), na existência de convenção, na ineficácia da política monetária, existência de créditos direcionados ou mesmo na restrição externa. A meu gosto, nenhuma dessas me seduz por completo. Vejo esse debate com os mesmos olhos que via o debate da década de 80 sobre inflação: como se o problema brasileiro fosse descolado do resto do mundo. Um problema excessivamente tropicalizado. Definitvamente, não me convence.

Nesse contexto, a matéria do Valor me faz retomar a explicação que mais me convence: a insegurança jurídica. Como bem disse o ex-ministro Pedro Malan, "no Brasil até o passado é incerto". O que dirá do futuro, leitor? Se é assim, nada me parece convencer mais como explicação para nossas altas taxas de juros do que a existência de problemas na avaliação que as instituições financeiras fazem do risco de crédito de seus clientes. Ele é elevadíssimo no país devido ao fato simples de que o tomador de empréstimo pode decidir não pagar a quantia tomada. Nesse caso, a recuperação do valor pelo banco é uma via sacra, dada a ineficiência do nosso sistema judiciário.

Não por outro motivo, leitor, as taxas de renegociação são bem mais vantajosas do que as taxas de empréstimo: como os bancos incorrem em custos demaseados para recuperar esse crédito via processo judicial, preferem negociar diretamente com o inadimplente. A consequência disso? Simples, não: como os bancos sabem que é difícil recuperar qualquer valor emprestado, colocam a taxa que cobram por esse empréstimo lá em cima. Já os consumidores, como sabem que as renegociações são vantajosas, preferem sempre voltar a ficar inadimplentes.

Não por outro motivo, venho desde muito tempo defendendo a reforma do sistema judiciário como uma das formas de promover maior desenvolvimento econômico. Afinal, se você dedicar algum tempo para pensar sobre uma boa parte dos problemas do país, vai acabar chegando no judiciário brasileiro.

A matéria completa pode ser lida aqui.

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.