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

Coletando dados do Google Trends no R e no Python

Como acompanhar e antecipar tendências de mercado? Independentemente da resposta final, os dados são o meio. Neste artigo, mostramos como obter dados do Google Trends em tempo quase real, utilizando as linguagens de programação R e Python.

Contribuição para a Volatilidade [Python]

A contribuição para a volatilidade fornece uma decomposição ponderada da contribuição de cada elemento do portfólio para o desvio padrão de todo o portfólio. Em termos formais, é definida pelo nome de contribuição marginal, que é basicamente a derivada parcial do desvio padrão do portfólio em relação aos pesos dos ativos. A interpretação da fórmula da contribuição marginal, entretanto, não é tão intuitiva, portanto, é necessário obter medidas que possibilitem analisar os componentes. Veremos portanto como calcular os componentes da contribuição e a porcentagem da contribuição. Vamos criar as respectivas medidas usando a linguagem de programação Python.

Inflação de Serviços vs. Desemprego

A teoria econômica convencional sugere a presença de um trade-off entre inflação e desemprego no curto prazo, comumente conhecido como a Curva de Phillips. Em termos simples, reduções na taxa de desemprego podem resultar em um aumento temporário na inflação. Nesse contexto, a inflação de serviços emerge como uma categoria particularmente relevante devido às suas características distintivas. Para explorar e visualizar a relação entre inflação de serviços e desemprego, conduzimos uma análise utilizando a linguagem de programação Python. Além disso, empregamos o procedimento de Toda-Yamamoto para avaliar a existência de uma relação de causalidade no sentido Granger entre essas variáveis.

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.