CDI vs. Selic

A Selic e o CDI são taxas utilizadas para o cálculo das atividades financeiras e de investimento no país. Historicamente, as taxas são altamente correlacionadas, entretanto, apesar dessa medida estatística, podemos inferir a causalidade de uma taxa sobre a outra? Como é possível entender o relacionamento entre estas duas variáveis? No post de hoje, realizamos uma análise da SELIC e do CDI utilizando o R.

Correlação é um cálculo estatístico extremamente útil para entender o relacionamento entre duas variáveis distintas. Entretanto, muitas vezes, utiliza-se o cálculo de forma a implicar causalidades, o que não é correto. A causalidade é uma ligação de causa e efeito e que se mostra de difícil observação.

Ao averiguar a correlação entre as duas taxas, devemos antes entendê-las e ver como as duas podem estar interligadas.

  • "A taxa Selic refere-se à taxa de juros apurada nas operações de empréstimos de um dia entre as instituições financeiras que utilizam títulos públicos federais como garantia. O BC opera no mercado de títulos públicos para que a taxa Selic efetiva esteja em linha com a meta da Selic definida na reunião do Comitê de Política Monetária do BC (Copom)."
  • O CDI é um titulo emitido quando um banco empresta dinheiro ao outro. Isto, porque ao final do exercício, os bancos comerciais devem apresentar uma quantidade de caixa pré-estabelecida pelo Banco Central. Essas operações de títulos de um dia resultam na Taxa DI.

Antes de analisar visualmente e realizar o cálculo da correlação, importamos os dados das duas taxas utilizando o pacote {rbcb}, utilizando a função get_series() inserindo os códigos das séries obtidos através do Sistema Gerenciador de Séries Temporais. Buscamos as séries:

  • Taxa de juros - Selic anualizada base 252 % a.a.
  • Taxa de juros - CDI anualizada base 252 % a.a.

Abaixo, podemos entender os dados históricos da Selic e do CDI, e vemos que a duas taxas percorrem caminhos extremamente iguais.

As duas taxas são perfeitamente correlacionadas e positivas. Entretanto, ao analisar em periodicidade mensal, vemos que há uma mudança na relação. Antes de 2018, houve períodos em que as duas taxas eram negativamente correlacionadas.

A alteração na relação ocorreu devido a mudanças na apuração da Taxa DI. De acordo com o site da B3:

"A partir de 01/10/2018, a metodologia para apuração da Taxa DI se baseia na observação ou não das duas condições abaixo:

  • O número de operações elegíveis para o cálculo da Taxa DI for igual ou superior a 100 (cem); e
  • O somatório dos volumes das operações elegíveis para o cálculo da Taxa DI for igual ou superior a R$ 30 (trinta) bilhões;

Se no dia de apuração da Taxa DI, ao menos uma das duas condições relacionadas nos itens I e II acima não for observada, a Taxa DI será igual à Taxa Selic Over divulgada no dia."

Deste modo, conseguimos entender os períodos em que as taxas possuíam uma diferença em seus valores, e que explicam a correlação negativa. Essa diferença é chamada de spread e é calculada a partir da diferença da SELIC com o CDI.

 

Realizado as considerações, podemos então estabelecer as causas da alta correlação entre as duas taxas, bem como ambas são formadas e como a Taxa Selic afeta o CDI.

__________________________________________________

Quer saber mais?

Veja nossos cursos da trilha de Finanças Quantitativas.

_________________________________________________

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.