Dólar maior que R$ 2,10? I don´t think so...

Pois é, o mercado ousou colocar o dólar acima de R$ 2,10, acionando o BACEN a intervir. A fala do presidente da autoridade monetária, o Ministro Mantega, é peculiar: "veio para ficar (o dólar acima de R$ 2,00 e abaixo de R$ 2,10)". Pois é, leitor, o modelo mudou. O regime de metas de inflação pode ser caracterizado por dois extremos básicos: um regime estrito, onde a preocupação do Banco Central é com a variabilidade da inflação; um regime flexível, onde a preocupação é com o nível de atividade. Entre um e outro está o tratamento dado a choques de oferta (entendendo que o Banco Central reage sempre a choques de demanda). No estrito, o Banco Central reage aos choques de oferta, combatendo os efeitos de segunda ordem, já no flexível ele apenas acomoda tais choques dentro do intervalo superior da meta de inflação. Mas e o câmbio, o que tem a ver com isso?

A existência do câmbio flexível é crucial para o modelo de metas de inflação. Principalmente, se você quiser praticar o segundo tipo, o regime flexível de metas de inflação. Isto porque, admitindo que você queira manter juros baixos e inflação sob controle, é preciso que uma outra variável (o câmbio ou a oferta agregada) se ajuste. As coisas começam a dar errado se você quiser tudo ao mesmo tempo, juros baixos, inflação baixa e câmbio estável. Uma hora, uma dessas variáveis acabará saindo do controle. Qual você acha que será?

Pois é, ela mesmo: a inflação. Isto porque, a manutenção de juros baixos significa política monetária expansionista, que cedo ou tarde, fará com que o hiato do produto se torne pressionado. Ou seja, a economia voltará a crescer com maior ímpeto. Em assim sendo, a inflação se manifestará. E dado que vivemos um momento de virtual pleno emprego, não será necessário um crescimento tão alto, qualquer coisa acima de 3% já manifestará um aumento no nível de preços - lembrando que a inflação de serviços está todo esse tempo acima da banda superior da meta de inflação.

Perceba, leitor, a mentira soberba do Ministro Mantega. Ele diz que o dólar acima de R$ 2,00 veio para ficar, mas ele sabe muito bem que isso implica em aumento de inflação no futuro. Como você quer um país sério com um cidadão desses no comando da economia?

Mas é claro, você poderá dizer: ele está apostando todas as fichas no aumento da oferta para absorver esses incentivos à demanda. Você também acredita nisso, dado o nosso histórico recente?

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.