Marcos Alonso Guimarães

VII PRÊMIO INFI - FEBRABAN DE ECONOMIA BANCÁRIA

Marcos Alonso Guimarães

CATEGORIA B - Monografias de Graduação

Trabalho: Regulação do Sistema Financeiro

São Paulo 2015

MARCOS ALONSO GUIMARÃES

UM ESTUDO EMPÍRICO SOBRE O CANAL DE TOMADA DE RISCO COMO TRANSMISSOR DE POLÍTICA MONETÁRIA NO BRASIL RESUMO

MARCOS ALONSO GUIMARÃES

UM ESTUDO EMPÍRICO SOBRE O CANAL DE TOMADA DE RISCO COMO TRANSMISSOR DE POLÍTICA MONETÁRIA NO BRASIL RESUMO

Introdução Como bem afirmou Janet Yellen, atual chair do Federal Reserve, uma clara lição da história indica que uma condição indispensável para a recuperação econômica sustentada, na sequência de uma crise financeira, é uma reparação profunda do sistema financeiro. Neste cenário, o novo grande colapso após a Grande Crise de 29, que se iniciou nos Estados Unidos em 2008 e se espalhou para os mercados globais, trouxe novamente ao cerne das discussões econômicas, acadêmicas e políticas a atuação das instituições financeiras na economia dos países. Em especial, como as atuações do governo, entre elas a condução de política monetária, afetam os comportamentos das instituições bancárias.

Esse encadeamento entre as decisões governamentais e como ela interfere direta ou indiretamente o modo de atuação das instituições bancárias do sistema financeiro foi denominada por Borio e Zhu (2008) como risk-taking channel, ou em português: canal de tomada de risco. A ideia fundamental em torno deste canal de transmissão é que em um cenário de políticas monetárias expansionistas, que reduzam em maior nível as taxas de juros, elevam-se as probabilidades dos bancos assumirem um nível de risco elevado, eventualmente excessivo.

Apesar de discutida subjetivamente antes mesmo do despontamento da recente crise financeira, foi após este acontecimento que começaram a surgir trabalhos com o intuito de evidenciar empiricamente um canal de assunção ao risco. Paralelamente, os cenários relativamente recentes de intensificação das inovações financeiras, como a securitização, bem como o aumento da intermediação financeira elevaram a importância desse canal de transmissão, sendo este o cerne do estudo empírico.

Assim, o objetivo geral do trabalho é investigar como a condução de política monetária feita pelo Banco Central impacta no nível de assunção de risco dos bancos que operam no país. A hipótese formulada em relação ao objetivo é que, no Brasil, existe um canal de transmissão a s s o c i a d o ao risco assumido pelos bancos de modo que, quanto mais expansionista for a política monetária adotada, maior é a tolerância e exposição ao risco por parte dos bancos. Se em épocas nas quais a política monetária afeta consistentemente a probabilidade de ocorrência de uma crise, então o nível de exposição ao risco dos bancos e a conjuntura do sistema financeiro deveriam ser levados em consideração na decisão sobre a natureza e o impacto da política monetária implementada.

Fundamentação teórica e evidências empíricas Com o propósito de se estudar a presença do canal de risco na economia do país, antes de tudo, fez-se necessário compreender algumas fundamentações existentes na teoria econômica.

Primordialmente, a revisão literária permite que se mostre o panorama atual de contribuição acadêmica em torno do assunto estudado. Isto é, há de se compreender as conceituações teóricas e estudos empíricos que contribuíram e justificam a importância do estudo sobre o canal de tomada de risco no Brasil. Uma vez que o trabalho também relacionou a necessidade de se pensar a estabilidade financeira nas decisões de política monetária, optou-se por se fazer uma revisão mais ampla.

O arcabouço teórico, dessa forma, iniciou-se pela conceituação de política monetária. Esta consiste na atuação da autoridade monetária tendo em vista influenciar a quantidade de moeda

MARCOS ALONSO GUIMARÃES

e a taxa de juros de uma economia, objetivando a estabilização do nível de preços e a manutenção ou elevação do bem estar da sociedade ao longo do tempo. Para isso, o Banco Central dispõe basicamente de três instrumentos que controla diretamente: a determinação de uma alíquota das reservas compulsórias para os depósitos realizados no sistema bancário, a taxa de redesconto e a taxa de juros do mercado. Esta última, vale ressaltar, é a principal ferramenta utilizada pelo Banco Central no Brasil para a condução da política monetária e será empregada na investigação sobre a capacidade que essa taxa básica de juros possui em afetar o comportamento, com relação ao risco, das instituições bancárias no país.

Acrescenta-se também que, para alcançar os objetivos citados acima através das políticas implementadas, a autoridade monetária precisa seguir alguns princípios de atuação. Este resumo destaca três aspectos essenciais dos princípios nas práticas do Banco Central e suas implicações: a estabilidade de preços, a prestação de contas e a meta de estabilidade financeira.

O primeiro, sobre a estabilidade, deve ser entendido como um meio para que se atinja o nível de bem-estar desejado, implicando diretamente que esse equilíbrio nos preços opere como uma meta de longo prazo, evitando os atos discricionários. Ademais, dado que o conceito de estabilidade de preços não é claramente definido, faz-se necessário adotar uma âncora nominal associada a esse compromisso de equilíbrio. No Brasil, desde 1999, a âncora nominal adotada para estabelecer um nível de preços é o regime de metas de inflação.

O segundo aspecto, que será relacionado em um dos conjuntos de efeitos do canal de tomada de risco, é relativo à transparência da autoridade monetária. Dada a possibilidade de certa independência (instrumental) concedida, os Bancos Centrais precisam ser prestadores de conta. Isto significa que, mesmo com a liberdade sobre a forma de atuação, as autoridades monetárias ainda estão sujeitas ao controle do governo e da nação devendo, por exemplo, emitir relatórios periodicamente sobre as ações e os motivos de adoção de tais medidas.

Também foi definida, no terceiro aspecto, uma relação entre a estabilidade financeira de um país e as políticas monetárias adotadas. Basicamente, o Banco Central Europeu define a estabilidade financeira como a capacidade do sistema financeiro em resistir à choques no mercado sem causar grandes perturbações nas principais funções do sistema. Para isso, a estabilidade é formada pela união de três características fundamentais: a alocação eficiente de recursos, a precificação precisa dos riscos envolvidos nas operações financeiras e a capacidade do sistema em reduzir os choques no sistema financeiro sem afetar as outras duas características. Poderia se dizer, assim, que é axiomático pensar que a estabilidade financeira auxilia a capacidade transmissão da política monetária implementada, de forma otimizada, os efeitos desejados pelos formuladores dessas políticas.

Essa canalização, explicitada no trabalho, se realiza pelos chamados canais de transmissão, que podem ser definidos como os processos pelos quais as mudanças realizadas pelo Banco Central afetam a economia real. Neste estudo, o foco se dá sobre o canal de assunção ao risco, que estabelece uma relação entre a política monetária implementada na economia e os efeitos sobre o nível de comportamento dos bancos face ao risco. Um ponto importante, que o trabalho buscou evidenciar, é que essa relação foi apresentada de forma mais abreviada em momentos anteriores à sua definição formal, em 2008, após o despontar da crise.

Basicamente, há três formas com que a política monetária pode afetar o nível de exposição ao risco das instituições. Contudo, através da análise de artigos reconhecidos na área de estudo, foram determinadas mais duas formas que estabelecem essa relação, conforme abaixo: a) O primeiro conjunto de efeitos opera sobre o impacto com que a taxa de juros causa na avaliação de empresas e ativos, nas rendas e fluxos de caixas (via taxa de desconto), o que pode modificar o comportamento das firmas, entre elas instituições financeiras.

b) Um segundo conjunto de impactos opera através da relação entre as taxas de mercado e taxas alvo de retornos. Assim, baixas taxas de juros podem induzir nível adicional de tomada de risco pelos gerentes de ativos bancários por fatores comportamentais ou de natureza institucional e regulamentar. c) O terceiro conjunto de efeitos potenciais mencionados opera através de aspectos das características das políticas de comunicação e a função de reação do Banco Central. O compromisso com as metas e a transparência assumida pela autoridade monetária, quando também há ineficiência na regulamentação, podem incentivar instituições financeiras a se arriscarem mais, caracterizando um típico problema de moral hazard. d) Há um quarto conjunto de efeitos do canal de tomada de risco relacionado com a expansão excessiva dos balanços patrimoniais das instituições através da alavancagem. Essas margens de ajustamentos eram feitas por “securities” e que o artigo dos autores evidencia o crescimento dessas, positivamente correlacionadas com a facilidade, ou falta de restrições da política monetária, medida pela regra de Taylor. e) O quinto, e último conjunto, analisa como as ações políticas podem refletir nos comportamentos dos bancos. Através de um modelo de precificação de ativos e considerando um nível básico de subsistência, os autores mostraram que os agentes se submetem a um maior nível de risco durante os períodos de expansão econômica, em que o preço dos ativos se eleva.

Após a apresentação mais detalhada do canal de assunção ao risco, o trabalho aborda a crescente literatura empírica sobre este canal de transmissão, principalmente nos Estados Unidos e nos países europeus, mais atingidos pela crise financeira. Apesar do embasamento teórico indicar a presença desse canal de transmissão, as recentes análises empíricas elaboradas complementam e permitem, na prática, a consolidação desse mecanismo nas economias. Com isso, foram realizadas descrições concisas sobre os trabalhos que investigam a existência do canal de tomada de risco, assim como as principais conclusões dos artigos analisados.

Metodologia - modelo econométrico e exposição dos dados O propósito desta parte do estudo empírico é apresentar um método de investigação com o objetivo de avaliar a presença do canal de tomada de risco na economia brasileira. A utilização da econometria, com a aplicação da matemática e da estatística nas observações de ordem econômica, auxilia e oferece suporte à investigação empírica desse fenômeno na economia. Para isso, foi necessário estabelecer uma metodologia empírica que pudesse explicar a relação entre as variáveis independentes, de dimensões macroeconômicas, e a variável dependente, representada pela medida de risco.

Optou-se, assim, por estimar uma série mensal, de janeiro de 1999 a dezembro de 2014 com especificações multivariadas, utilizando a técnica de otimização de Mínimos Quadrados Ordinários (MQO) através do software E-views, que fornece automaticamente as medidas utilizadas na análise. Os dados necessários a este trabalho foram levantados através do website da Bloomberg, agência de informações financeiras, e do Banco Central do Brasil. O primeiro para as observações da variável de risco utilizada no modelo econométrico, enquanto que os dados relativos às variáveis macroecômicas foram coletados do Sistema Gerenciador de Séries Temporais (SGS) do Banco Central.

A amostra de dados, utilizados na escolha do modelo, que auxilia na explicação da relação entre o risco e a dimensão macroeconômica é composta pelas seguintes variáveis:

i.

ii.

iii.

iv.

v.

vi.

vii.

viii.

Beta do setor bancário: O índice beta é um indicador financeiro de risco de ativos financeiros, que mede a sensibilidade de um ativo em relação ao comportamento de uma carteira que seja utilizada como referência das oscilações do mercado. No presente trabalho, a metodologia utilizada para estimar um Beta do sistema bancário foi coletar os retornos diários das ações de três grandes bancos atuando no país (Banco do Brasil - BBAS3 Equity / Bradesco - BBDC4 Equity / Itaú - ITUB4 Equity), diretamente do portal Bloomberg. Após calcular o Beta mensal para cada um dos bancos utilizados na pesquisa, foi feita uma média ponderada do setor bancário com base nos pesos também coletados do portal Bloomberg. É importante ressaltar que o índice Beta médio do sistema bancário será utilizado como a variável dependente do modelo, sendo uma das originalidades do trabalho, representando o risco tomado pelos bancos. O índice pode ser considerado uma medida bem adequada, pois o beta é proporcional ao retorno adicional do mercado em relação ao retorno dos títulos sem risco.

IPCA – Taxa de inflação: Os dados referentes à medida da taxa de inflação são do IPCA (Índice Nacional de Preços ao Consumidor Amplo), índice oficial do Governo Federal para a estipulação das metas inflacionárias.

Juros - Taxa básica de juros (Selic): A taxa de juros utilizada foi coletada das séries temporais do Banco Central, correspondente ao valor anualizado da Selic acumulada no mês.

PIB – Variação do Produto Interno Bruto: A variável do modelo, na realidade, corresponde à variação percentual do PIB mensal em valores reais (corrigidos pelo IPCA), calculados pelo Departamento Econômico (DEPEC) do Banco Central.

LNPIB - Logaritmo natural do PIB real mensal: Aproveitando o cálculo do PIB real mensal para a estipulação da variação citada acima, foram calculados os logaritmos naturais dos PIBs reais mensalizados.

LNCRED - Logaritmo natural do estoque real de crédito: Como uma das variáveis macroeconômicas relevantes ao estudo no âmbito bancário, faz-se necessário avaliar uma medida de crédito, obtida através do cálculo real (também alterados pelo IPCA) do estoque de crédito no país, também logaritmizados. Os dados relativos ao estoque de crédito foram coletados das séries temporais do Banco Central.

CREDPIB – Relação Crédito nominal sobre PIB nominal: Esta variável também representa uma medida de crédito do país e foi elaborada pelo autor. A variável consiste simplesmente na relação percentual entre o crédito mensal e o PIB mensal brasileiro, ambos calculados diretamente com os valores nominais das séries.

VARCRED – Variação do saldo total de crédito: A última variável estipulada, para representar outra medida possível de crédito ao modelo, corresponde a uma simples variação mensal no estoque real de crédito do país.

Conforme visto acima, apesar das variáveis independentes apresentarem algumas formas diferentes de aplicação no modelo econométrico, as mesmas estão orientadas em torno de quatro indicadores macroeconômicos: o nível de preços, a taxa básica de juros, uma medida do produto da economia e uma variável de crédito. A utilização de um conjunto de alternativas para as regressões estimadas objetiva buscar o modelo mais adequado com as melhores variáveis observadas e dar robustez aos resultados encontrados, uma vez que estas podem ser expressas de maneiras diferentes. Ainda assim, é de se esperar que nestas especificações, as variáveis escolhidas assumam algumas relações, de acordo com a teoria econômica, com o nível de tomada de risco pelos bancos.

Da primeira relação, é possível constatar que um aumento na inflação pode provocar uma elevação na percepção de risco por partes dos bancos. Conforme referência usada no estudo,

isso ocorre, pois o aumento da inflação provoca distorções ao elevar as incertezas na economia. A indefinição neste cenário acaba dificultando a tomada de decisões pelas empresas em relação ao futuro, afetando as formações das expectativas e o gerenciamento das instituições.

Conforme visto na revisão bibliográfica, é de se esperar que uma variação nas taxas de juros resulte em um comportamento inversamente proporcional (a esta variação) em relação à tolerância e nível de risco dos bancos. Um aumento nas taxas de juros, por exemplo, gera uma elevação na percepção de risco e reduz a tolerância dos bancos, induzindo-os a se protegerem mais nas operações financeiras, de modo que o resultado é um menor nível de risco incorrido.

Já uma redução nas taxas de juros causa um efeito contrário: uma menor percepção ao risco e, por consequência, um aumento na tolerância dos bancos, proporcionando uma maior exposição ao risco por parte das instituições bancárias.

A expansão do PIB pode ser interpretada como o aumento da lucratividade das instituições financeiras. Esse aumento dos lucros bancários, associados ao menor nível de monitoração de clientes devido aos bons desempenhos, estimulam as instituições financeiras a assumirem um nível maior de risco. Em tempos de expansão econômica as instituições financeiras tendem a conceder um número maior de empréstimos, agravando o problema de seleção adversa, assim como podem se envolver em operações mais arriscadas em busca de um retorno mais elevado.

Já em relação ao crédito, espera-se uma relação positiva entre as variações de crédito na economia e o nível de risco assumido pelos bancos. De acordo com os estudos citados no trabalho, há uma forte evidência empírica que indica essa relação entre o crescimento elevado de crédito e o comportamento em relação ao risco entre os bancos. Esta evidência reforça uma relação direta do nível ou expansão do crédito com o beta do sistema bancário.

Principais Conclusões O trabalho foi finalizado expondo os principais resultados das especificações multivariadas e avaliando o pressuposto formulado a respeito do canal de tomada de risco. A análise dos modelos estimados foi realizada em dois cenários. O primeiro cenário desconsiderou a análise de comportamento dos resíduos, enquanto que o segundo foi analisado após a correção de autocorrelação dos resíduos, sendo que os resultados referentes à taxa de juros se mantiveram consistentes. Esta reparação, que se deu através da introdução da variável de risco rodada em primeiro lag no modelo, não somente corrigiu o problema de contaminação dos termos de erro, como também melhorou alguns dos parâmetros estatísticos calculados.

De maneira geral, as variáveis macroeconômicas que representavam o nível de preços e a expansão econômica no país não apresentaram as relações econômicas esperadas. O coeficiente da variável relativa à inflação apresentou sinal positivo, que contrapôs a ideia de que o aumento na inflação reduziria o nível de risco incorrido pelas instituições bancárias. O mesmo problema foi detectado com o coeficiente das variáveis do nível de expansão da economia, que neste caso apresentou um sinal negativo, sendo que a expansão econômica deveria elevar o nível de risco do sistema bancário, não reduzir. Entretanto, a também insignificância estatística nestes casos não permite fazer maiores avaliações sobre estas relações encontradas, dado que o índice de confiabilidade é muito baixo.

As variáveis de crédito, na primeira análise realizada, apresentaram significância econômica e estatística em quase todas as especificações realizadas. Os resultados estavam dentro do que se esperava, uma vez que a expansão do nível de crédito na economia, conforme visto, deveria elevar o nível de risco incorrido pelas instituições. Contudo, a introdução da variável em primeiro lag do índice Beta, apesar da melhora em algumas medidas de análise, suscitou em uma queda na significância estatística das variáveis de crédito, que se mostraram eficientes somente em duas especificações. Ainda sim, as relações

entre as medidas relativas ao nível de crédito e o índice financeiro de risco permaneceram de acordo com a teoria econômica.

Por fim, as conclusões obtidas nas estimações apontaram que, independente do modelo adotado, a variável relativa à taxa de juros apresentou relevância econômica e estatística, confirmando a hipótese adotada no estudo empírico. Esta significância econômica refere-se ao alinhamento da variável com a teoria econômica analisada, que os resultados indicam através da relação negativa entre a taxa de juros e o beta do setor bancário. Ademais, dizer que o resultado possui relevância estatística é dizer que os valores observados são muito expressivos para serem atribuídos ao acaso, de modo que a relação entre as variáveis observadas é confiável. Isto posto, demonstrou-se que há evidências empíricas que sinalizam a existência desse mecanismo de transmissão da política monetária, sobre o nível de assunção ao risco, no sistema bancário brasileiro.

Tais resultados corroboram com os estudos de Adrian e Liang (2014), sobre a necessidade de se levar em consideração as condições do sistema financeiro e a política monetária praticada. Dada a influência que as instituições bancárias exercem sobre a economia e a orientação de crescimento da intermediação financeira, as conclusões empíricas deste trabalho evidenciam a necessidade de se pensar uma possível adoção das condições do sistema financeiro, por parte do Banco Central, nas avaliações de política econômica.

MARCOS ALONSO GUIMARÃES

UM ESTUDO EMPÍRICO SOBRE O CANAL DE TOMADA DE RISCO COMO TRANSMISSOR DE POLÍTICA MONETÁRIA NO BRASIL

UM ESTUDO EMPÍRICO SOBRE O CANAL DE TOMADA DE RISCO COMO TRANSMISSOR DE POLÍTICA MONETÁRIA NO BRASIL

RESUMO

A crise financeira de 2008, considerada a maior desde a Grande Depressão de 1929, expôs a necessidade de se avaliar o impacto que a condução de políticas governamentais, em especial a política monetária, incide sobre o comportamento das instituições financeiras. O presente trabalho, portanto, objetiva apresentar evidências empíricas do recentemente chamado “risktaking channel” na economia brasileira. Para tanto, optou-se por estimar especificações multivariadas a fim de se obter consistência no modelo que especifica o canal de transmissão no país. Os resultados obtidos apontam que, independente do modelo adotado, a variável de taxa de juros se mostra estatística e economicamente significante, evidenciando um canal de tomada de risco bancário no Brasil.

Palavras-chave: Crise Financeira; Política Monetária; Instituições Financeiras; Risk-Taking Channel; Canal de Transmissão; Taxa de Juros

Sumário 1.

Introdução ..................................................................................................................................... 12

2.

Revisão Bibliográfica .................................................................................................................... 14 2.1 Conceituação de política monetária ............................................................................................ 14 2.2 Fundamentos de política monetária............................................................................................. 15 2.2.1 Os princípios de atuação do Banco Central.......................................................................... 15 2.2.2 Como a política monetária deveria ser conduzida? .............................................................. 17 2.2.3 Estabilidade Financeira e Política Monetária ....................................................................... 19 2.3 Canais de transmissão ................................................................................................................. 20 2.4 Canal de tomada de risco ............................................................................................................ 22

3.

Evidências empíricas do mecanismo de transmissão .................................................................... 25

4.

Descrição dos dados e metodologia aplicada ................................................................................ 28 4.1 Dados coletados .......................................................................................................................... 28 4.2 Relações econômicas esperadas .................................................................................................. 31 4.2.1 Risco – Inflação:................................................................................................................... 31 4.2.2 Risco – Juros: ....................................................................................................................... 32 4.2.3 Risco – PIB: ......................................................................................................................... 32 4.2.4 Risco – Crédito:.................................................................................................................... 32 4.3 Metodologia Aplicada ................................................................................................................. 33 4.3.1 Conceito de Estacionariedade .............................................................................................. 33 4.3.2 Ferramentas de análise e testes de significância .................................................................. 34 4.3.3 Heterocedasticidade ............................................................................................................. 36 4.3.4 Autocorrelação ..................................................................................................................... 36

5.

Resultados Empíricos .................................................................................................................... 38

5.1 Teste de estacionariedade ................................................................................................................ 38 5.2 Resultados - Primeira análise .......................................................................................................... 40 5.3 Resultados – Segunda análise ......................................................................................................... 43 6.

Conclusão ...................................................................................................................................... 47

7.

Referências bibliográficas ............................................................................................................. 48

8.

Anexos........................................................................................................................................... 51

12

1. Introdução A recente crise financeira, que se iniciou nos Estados Unidos em 2008 e se espalhou pelo mundo devido ao forte caráter globalizado do atual sistema econômico, pode ser considerada a mais forte crise desde 1929. Assim como na Grande Depressão, a instabilidade financeira originada levou muitas instituições financeiras à falência, como o Lehman Brothers, que havia sobrevivido ao crash da bolsa 79 anos antes, Bear Stearns e Merril Lynch. A derrocada das instituições só não foi agravada pelo pacote bilionário que o governo injetou na economia americana, socorrendo muitas instituições com a justificativa de evitar a ameaça de uma recessão.

Neste cenário, o novo colapso após a Grande Crise de 29 trouxe novamente ao cerne das discussões econômicas, acadêmicas e políticas o papel das instituições financeiras, entre elas os bancos comerciais e os de investimento, nas economias dos países. Dada a relevância que os bancos possuem como alocadores de recursos eficientes, assim como a dificuldade em substituir tais firmas no curto prazo, verificou-se claramente a necessidade de avaliar o setor bancário em busca da estabilidade econômica. Mais especificadamente, como as atuações do governo, entre elas a condução de política monetária, afetam os comportamentos das instituições bancárias. Esse mecanismo de transmissão entre a política adotada e o comportamento bancário, apesar de discutida antes mesmo do eclodir da recente crise financeira, foi denominada por Borio e Zhu (2008) como risk-taking channel ou canal de tomada de risco. Desde então, são muitos os trabalhos que buscam evidenciar empiricamente esse canal de transmissão em todo o mundo, em especial nos Estados Unidos e países europeus, os maiores afetados pela crise.

No entanto, ao contrário dos últimos artigos, que utilizaram uma abordagem microeconômica para explicar o nível de assunção de risco bancário, este estudo buscará mostrar o impacto sobre o comportamento das instituições bancárias utilizando-se somente de variáveis macroeconômicas. Nesse sentido, o objetivo geral do presente trabalho é investigar, portanto, como a condução de política monetária feita pelo Banco Central do Brasil impacta no nível de assunção ao risco dos bancos que operam no país. A hipótese formulada a respeito do objetivo é que, no Brasil, existe um canal de transmissão associado ao risco assumido pelos bancos de modo que, quanto mais expansionista for a política monetária adotada, maior é a tolerância e exposição ao risco por parte dos bancos.

13

Para se testar a hipótese proposta, faz-se necessário primeiramente revisar e conceituar os temas abordados nesta introdução, como a definição de política monetária e os propósitos na adoção de medidas por parte da autoridade monetária. Com estas definições apresentadas de forma objetiva e clara, é preciso entender ainda como a adoção dessas medidas podem ser transmitidas via canais que impactam diretamente na demanda agregada, especificamente o mecanismo a ser estudado no artigo: o canal de tomada de risco dos bancos. Após a apresentação da teoria, confirmar a presença desse canal no Brasil depende de testes empíricos, que serão feitos utilizando como referência os três maiores bancos que atuam no sistema financeiro brasileiro. Com a estimação da regressão, será possível testar a hipótese formulada sobre a existência do canal de tomada de risco no país, que é o objetivo principal deste estudo.

Como forma de orientação, o prosseguimento deste trabalho está distribuído em cinco tópicos restantes. O primeiro, referente ao segundo capítulo, será uma revisão da bibliografia utilizada, abordando o estado da arte sobre política monetária, seus objetivos e os instrumentos de condução. Neste mesmo tópico, também será introduzida a ideia central deste trabalho, sobre o recente canal de transmissão via tomada de risco bancário. O seguinte, por sua vez, irá além da teoria, apresentando estudos que evidenciam empiricamente a existência do canal de assunção ao risco em diversos países, sendo usados como inspiração para o próximo tópico. Assim, dando prosseguimento com a análise empírica, apresenta-se uma metodologia e os dados que serão utilizados no exercício, para verificar a hipótese da existência do canal de risco no Brasil. O quarto tópico restante, dessa maneira, irá apresentar as análises dos resultados obtidos com a regressão econométrica, apresentando o aparato estatístico e matemático que reforçam a qualidade das especificações utilizadas e que testam a hipótese determinada. Finalmente, no último tópico, conclui-se com as discussões abordadas ao longo do artigo e o diagnóstico final dos resultados encontrados.

14

2. Revisão Bibliográfica Este capítulo tem como objetivo principal apresentar a literatura existente sobre o canal de tomada de risco. Antes da apresentação da bibliografia sobre o tema, faz-se necessário conceituar alguns aspectos que explicam ou ajudam a especificar este canal de transmissão existente através de alterações na política monetária. Assim, é importante iniciar este capítulo exatamente pela definição desta.

2.1 Conceituação de política monetária A política monetária pode ser definida como a atuação da autoridade monetária, geralmente um Banco Central, com vista a influenciar a quantidade de moeda e a taxa de juros de uma economia, objetivando a estabilização do nível de preços e a manutenção ou elevação do bem estar da sociedade ao longo do tempo. Há ainda de se considerar também objetivos secundários com as políticas adotadas, de acordo com Mishkin (2009), como a estabilidade dos mercados financeiros, das taxas de juros e da taxa de câmbio de uma economia, a alta empregabilidade e o crescimento econômico.

Pode-se perceber com certa facilidade que alguns dos objetivos estipulados possuem, ou podem ter, uma incompatibilidade de serem atingidos ao mesmo tempo1 no curto e médio prazo, por mais que no longo prazo, devido à neutralidade da moeda, a política monetária tenha efeitos somente sobre o nível de preços. Ainda assim, para atingir esse nível de equilíbrio desejado, dado os trade-offs enfrentados por cada economia, o Banco Central tem à sua disposição e interfere endogenamente através de três instrumentos tradicionais, como verifica Blanchard (2011).

O primeiro instrumento convencional, e principal ferramenta utilizada atualmente, é a definição da taxa básica de juros através de operações no mercado aberto, em que o Banco Central compra e vende títulos, afetando assim as reservas bancárias e a base monetária da economia. Ao longo do tempo, os formuladores de políticas verificaram que esse instrumento era a melhor forma de atingir as metas propostas devido à liberdade, flexibilidade, precisão e rapidez do Banco Central em atuar neste mercado. Assim, quando se verifica a necessidade de reduzir as taxas de juros, o Banco Central opera no mercado aberto comprando títulos dos

1

A curva de Phillips, por exemplo, determina a correlação negativa entre a taxa de desemprego e o nível de inflação. Esse trad e-off ocorre somente no curto prazo uma vez que, no longo prazo, a igualdade entre a inflação observada e a inflação esperada faz com que não exista nenhuma relação entre inflação e desemprego. Cabe ressaltar ainda, segundo Blanchard (2011), que essa relação pode mudar – e de fato muda - de um país para outro e ao longo do tempo.

15

bancos. A aquisição desses títulos aumenta a base monetária da economia e, portanto, reduzindo (ceteris paribus) o custo intertemporal do dinheiro.

Um segundo instrumento utilizado está na definição de uma taxa para concessão de empréstimo, fornecida pelo Banco Central aos bancos comerciais com problemas de liquidez, definida como redesconto, e que também afeta a base monetária da economia. Por ser considerada uma taxa punitiva, esse instrumento é utilizado somente em última instância, quando os bancos não conseguem outros tipos de acesso ao crédito. Atualmente, as mudanças nessas taxas de redesconto refletem diretamente nas expectativas quanto às intenções do Banco Central frente às suas políticas. O mercado financeiro interpreta, por exemplo, uma redução na taxa de empréstimo a curto prazo, aos bancos comerciais, como uma sinalização de que o Banco Central irá seguir uma política expansionista, alterando as expectativas quanto às taxas de juros no futuro, reduzindo-as.

O terceiro mecanismo clássico está na definição de uma alíquota das reservas compulsórias dos bancos, normalmente a uma taxa acima do que os bancos escolheriam, afetando diretamente o multiplicador bancário, ao mudar o montante de reservas que os bancos deveriam manter para um determinado montante de depósitos à vista. Assim, a alteração dos requerimentos mínimos de reserva afeta diretamente na demanda por moeda do Banco Central. Uma diminuição na alíquota leva a uma queda na demanda por moeda e com isso a redução nas taxas de juros sendo que, novamente, o raciocínio é válido também para um aumento na alíquota mínima. No entanto, essas alterações podem levar os bancos a se comportarem de forma ineficiente ao não rolar empréstimos concedidos anteriormente, por exemplo, com o aumento da alíquota de reservas, ou ainda estimulando a exposição e risco dos bancos em relação a uma crise de liquidez com a redução dessas reservas.

2.2 Fundamentos de política monetária 2.2.1 Os princípios de atuação do Banco Central Segundo Mishkin (2000), os princípios de uma política monetária devem se iniciar exatamente pela estabilidade dos preços, que mantém a inflação baixa e estável, evitando o excesso de investimento no setor financeiro e diminuindo as incertezas quanto aos preços relativos e ao nível de preços futuros. Essa estabilidade de preços deve ser entendida como um meio para que se atinja o bem-estar da sociedade e, por isso, não pode ser tratada como

16

um fim em si mesmo. Por isso, os objetivos estabelecidos devem incluir a suavização nas flutuações, tanto da inflação quanto do produto de uma economia.

Mais ainda, obter o equilíbrio desejado, ao longo de um período, exige medidas específicas que não compliquem ou impeçam a autoridade monetária de atingi-lo. Com isso, para que não se crie barreiras que dificultem o alcance do objetivo principal por parte do Banco Central, a política fiscal deve estar sempre alinhada com a política monetária. Essa sintonia entre as políticas econômicas evita a possibilidade de que haja pressões para que a autoridade monetária utilize de suas funções para monetizar, por exemplo, os déficits governamentais.

Assim, restringir as autoridades fiscais em assumir gastos excessivos permite a sintonia entre a política fiscal e a política monetária, auxiliando a conduta das autoridades monetárias, ao evitar que a monetização leve a um rápido crescimento da moeda.

Associado à utilização da política monetária com objetivos secundários, o problema de inconsistência temporal deve ser continuamente evitado, uma vez que este ocorre através de atos discricionários, claramente utilizados para obtenção de proveitos políticos. Essa incoerência dinâmica ocorre devido aos incentivos dos formuladores de política em explorar o trade-off de curto prazo entre emprego e inflação, ainda que os resultados no longo prazo não sejam eficientes. Por isso, e também pela existência de uma defasagem temporal entre as ações políticas e os efeitos econômicos, a política estabelecida deve ter um caráter “forwardlooking”, antecipando situações de “stress”, de modo que as ações adotadas pela autoridade não sejam contra produtivas.

Segundo Mishkin, outro princípio a ser seguido está intimamente ligado ao caráter democrático na maioria dos países. A prestação de contas por parte dos formuladores de política econômica é um princípio básico não só das ações do Banco Central, como também um direito da sociedade. As pessoas, ao elegerem seus representantes na condução do país, têm o direito de receber o reporte das ações de seus eleitos, julgá-los e punir aqueles que se mostram ineficientes. É importante verificar que o uso da transparência, por parte do Banco Central, também está relacionado com a divulgação de resultados das medidas governamentais e, com isso, no aumento do compromisso e da credibilidade com a sociedade.

O autor ainda relaciona a política monetária praticada em uma economia com um ambiente estável do sistema financeiro, sendo que essa relação será abordada no tópico 2.2.3. Sendo assim, os princípios descritos estabelecem alguns dos fundamentos principais a serem utilizados, como guia pelo Banco Central, a fim de ajudá-lo a alcançar resultados eficazes na

17

condução de política monetária. Todavia, também é importante entender, a partir dos fundamentos para formulação de políticas, como a política monetária deveria ser conduzida no intuito de criar um ambiente estável e favorável para o crescimento econômico sustentável.

2.2.2 Como a política monetária deveria ser conduzida?

De acordo com o Federal Reserve Act de 1977, a política monetária dos Estados Unidos deve ser conduzida com base em dois objetivos: promover uma política de pleno-emprego no longo prazo e garantir a estabilidade de preços. Contudo, para atingir tais objetivos, as políticas adotadas precisam estar alinhadas às boas práticas de condução, que foram se desenvolvendo e continuam se aperfeiçoando com o tempo. Faz-se necessário compreender que “a política monetária de amanhã pode muito bem parecer familiar, mas em outros aspectos, pode parecer muito diferente.” (Dell’Ariccia e Habermeier, 2014; tradução própria). Desde Friedman (1968), literatura clássica sobre o assunto, até os princípios e implicações sobre política monetária de Mishkin (2000), muitas foram as medidas implementadas de forma a otimizar o papel do Banco Central. A revisão desta última é capaz de desenvolver o entendimento sobre como a autoridade monetária precisa agir, e quais medidas colocar em prática, de maneira com que a política implementada se configure em estabilidade monetária.

Conforme visto no tópico anterior, Mishkin (2000) propôs alguns princípios de atuação da autoridade monetária, que geravam implicações importantes no processo coordenação econômica: 1. Assim, a primeira implicação definida está na estabilidade de preços como a meta primordial de longo prazo, uma vez que a estabilidade deveria ser um meio para se atingir uma economia sustentável, evitando flutuações significativas de indicadores macroeconômicos. Assim, o compromisso institucional com uma visão de um prazo mais longo, diminui o estímulo para adotar políticas de curto prazo em detrimento de um prejuízo maior no futuro, o caso de inconsistência temporal.

2. Ainda assim, como o conceito de estabilidade de preços não é claramente definido, é necessário que a economia adote uma âncora nominal, associada ao compromisso que a estabilidade de preços proporciona. Dentre as possibilidades de mecanismos para a formação de uma âncora nominal, Mishkin (2000) destaca três. A primeira é o estabelecimento de um câmbio fixo, bastante utilizado por países na década de 90, entre eles o Brasil e a Argentina. A segunda âncora para a autoridade monetária

18

é o estabelecimento de uma taxa de crescimento monetário, que foi uma das propostas da literatura de Friedman (1968) sobre o papel da política monetária. A terceira proposta de estipulação de uma âncora nominal é o regime de metas para a inflação, que foi implementada no Brasil, por exemplo, de forma a manter os níveis de inflação baixos de uma forma menos onerosa.

3. A terceira implicação está no fato de que o Banco Central deve ser dependente apenas da meta, que deve ser estipulada pelo governo. Como visto anteriormente, a sociedade tem o direito de poder controlar as ações dos formuladores de política, de tal modo que as metas de política monetária deveriam ser fixadas pelo governo eleito. Isso significa que o compromisso com a estabilidade de preços citada no tópico um, deve partir de uma definição de meta do governo de modo que o Banco Central precisa utilizar os meios que dispõe para atingir o objetivo prédeterminado, sendo essa meta de longo prazo.

4. Sendo assim, para atingir as condições econômicas estipuladas pelo governo, como argumenta Blinder (2010), a autoridade monetária pode ter independência de seus instrumentos. Isto significa dizer que a autoridade monetária não pode definir os objetivos a serem atingidos, mas possui total liberdade para escolher os instrumentos a serem usados para atingi-los.

5.

Dada a possibilidade de certa independência, os Bancos Centrais precisam ser prestadores de conta. Isso significa que, mesmo com a liberdade de escolha da forma como vai atuar, as autoridades monetárias ainda estão sujeitas ao controle do governo e, sobretudo, da sociedade. Segundo Mishkin (2000), uma das maneiras de assegurar a prestação de contas é que a independência, uma vez concedida pelo governo, também pode ser alterada por mudanças legislativas a qualquer momento.

Outra estratégia abordada é exigir emissões de relatórios sobre as medidas adotadas pelos Bancos Centrais, feitos periodicamente, de forma a prestar contas ao governo, assim como relatórios de situação econômica, como o Relatório de Inflação do Banco Central brasileiro.

6. Também associado ao caráter de prestador de contas, o Banco Central precisa

ser

transparente e possuir comunicação clara. Tais medidas estão de acordo com o princípio de limitação da independência e afeta diretamente na credibilidade da autoridade monetária perante o governo e a sociedade. Tal implicação, na realidade, estimula a diminuição de inconsistência temporal e reduz as incertezas sobre a política monetária. Conforme Svensson (2000), a prestação evita, por exemplo, os

19

casos de armadilha de liquidez, que ocorre quando a taxa de juros nominal se aproxima de zero, ou o atinge, de modo que os instrumentos convencionais de política monetária não surtem mais o efeito desejado, obrigando os Bancos Centrais a adotarem políticas não convencionais. Tais medidas são substancialmente onerosas, tanto para a sociedade quanto para a credibilidade da autoridade monetária.

7. A última implicação, proposta com base nos princípios de uma adoção de política monetária, é que o Banco Central deveria ter uma meta de estabilidade financeira.

A adoção de uma meta que associe as condições do ambiente financeiro e as medidas implementadas pela autoridade monetária são necessárias, conforme será visto no tópico a seguir.

2.2.3 Estabilidade Financeira e Política Monetária Inicialmente, faz-se necessário indicar que as maiores recessões econômicas da história estão intimamente ligadas a instabilidade do setor financeiro, como a Grande Depressão e a Crise do Subprime. Sendo assim, a saúde do sistema financeiro se revela crucial para a manutenção de um crescimento econômico sustentável (Mishkin, 2010), e preservá-la “is so closely related to the standard goals of monetary policy (stabilizing output and inflation) that it is “a proper incident thereto.” It therefore seems somewhere between foolish and impossible to separate the two functions.”(Blinder, 2010, pág.129).

Antes de estabelecer a relação existente entre a política monetária e a estabilidade financeira de uma economia, é importante definir o conceito de estabilidade. Apesar de uma conceituação muitas vezes complexa de ser feita, o Banco Central Europeu (BCE) define estabilidade financeira como uma condição em que o sistema financeiro é capaz de resistir aos choques aleatórios, inevitáveis de toda a economia. Esses choques são capazes de atingir sistemas bem estruturados, e estáveis, sem grandes perturbações nas funções principais de intermediação e alocação eficiente de recursos.

Um sistema estável deve, com isso, exibir três características fundamentais. Primeiro, deverá ser capaz de manter eficientemente a função de transferir os recursos de poupadores para os investimentos produtivos. A segunda característica é a capacidade do sistema financeiro em avaliar e precificar, com certa precisão, os riscos envolvidos nas operações,

20

sendo estes bem geridos. Por último, o sistema deve ter condições de poder amortecer, confortavelmente, choques financeiros e econômicos, de modo a não afetar consistentemente as duas primeiras características. Devido à interligação entre elas, a ineficiência em qualquer uma dessas particularidades é capaz de impactar o sistema financeiro e, em alguns casos, levar à instabilidade do sistema.

Tal como analisado por Gameiro, Soares e Sousa (2011), a estabilidade financeira envolve, assim como na política monetária, infraestrutura financeira, instituições e os mercados. Com isso, para que a política monetária seja conduzida de forma eficiente, o Banco Central não só precisa ter acesso aos instrumentos tradicionais com o qual opera, como também as mudanças precisam ser transmitidas para a economia eficazmente, através dos canais de transmissão.

Sendo assim, a instabilidade financeira é capaz de afetar o mecanismo de transmissão dessas políticas ao impedir que o sistema financeiro aloque, eficientemente, os recursos da economia e acabe por gerar distúrbios e flutuações econômicas. É intuitivo notar ainda que essa perturbação, ou a própria ineficiência de transmissão, pode estar relacionada ao comportamento e a tolerância ao risco por parte dos intermediários financeiros, conforme será visto mais à frente, evidenciando uma relação entre a política monetária praticada e a estabilidade do setor financeiro.

2.3 Canais de transmissão Antes de analisar como a política monetária é capaz de afetar o nível de risco tomado pelas instituições financeiras, é importante analisar o que leva as mudanças no comportamento das mesmas. Como visto até agora, faz-se necessário entender que as medidas do Banco Central devem adequar-se ao fato de que a condução da política monetária não se resume somente aos efeitos qualitativos diretos, de modo com que as consequências das decisões políticas atingem uma magnitude muito mais ampla, repercutindo indiretamente através de canais de transmissão.

Estes podem ser definidos como os processos pelos quais as mudanças, determinadas pelo Banco Central, afetam de maneira mais específica a economia real, operando sobre as taxas de juros comerciais, o crédito da economia, os preços dos ativos e as expectativas dos agentes econômicos. Conforme Boivin, Kiley e Mishkin (2010), entender o modo como essas políticas afetam a economia é essencial para avaliar a orientação das mesmas e quais instrumentos de política utilizar em determinados períodos no tempo. Assim como, ao

21

decidirem quais serão esses conjuntos de instrumentos de política, os formuladores de política econômica precisam avaliar a duração e o impacto que suas decisões terão sobre a economia real.

Os processos de transmissão, ainda assim, são bastante complexos e muitos desses canais ainda são analisados sob muita incerteza2 a respeito tanto dos impactos quantitativos, o tempo do efeito de uma mudança implementada, quanto dos qualitativos, sobre a dimensão e a importância que o canal tem na análise macroeconômica. O diagrama abaixo demonstra os mecanismos simplificados de propagação dessas políticas adotadas pelo Banco Central, sendo que o presente trabalho irá analisar diretamente um único canal de transmissão, diagnosticado recentemente através do nível de tomada de risco bancário, conforme visto na área destacada:

Figura 1 – Mecanismo de transmissão da política monetária

Fonte: Tradução própria de: Magdalena Redo -Torun International Studies

2

Os canais de transmissão ainda são vistos como caixas pretas (black-box), ver Bernanke e Getler (JEP, 1995) e Khundrakpam e Jain (2012).

Essa denominação, oriunda da Teoria dos Sistemas, é vista como todo objeto ou sistema fechado em que os inputs e outputs são conhecidos, porém a estrutura interna não é (pode) ou não interessa ser compreendida.

22

2.4 Canal de tomada de risco Embora a conceituação e o estudo mais complexo sobre o tema somente ocorreu após a definição do mecanismo de transmissão feita por Borio e Zhu (2008), a discussão a respeito do nível de risco bancário já era possível de ser observada em artigos anteriores ao dos autores mencionados acima. Allen e Gale (2000) argumentaram que a política monetária pode ter efeitos sobre os preços dos ativos quando, por exemplo, existe um dilema da agência entre os bancos e os tomadores de crédito, de modo com que estes podem escolher projetos mais arriscados do que deveriam, elevando o preço desses ativos. Rajan (2005), antecipando em seu artigo a crise que se alastrou na economia americana três anos depois, analisa como mudanças no setor financeiro podem alterar o comportamento dos gerentes de instituições.

Tal alteração poderia elevar significativamente o risco assumido pelo sistema financeiro, gerando potenciais distorções na economia, como a elevação e a queda dos preços de ativos ultrapassando os limites dos fundamentos de uma economia eficiente.

Assim, compreender e avaliar se a condução de política econômica afeta o nível de assunção de riscos por parte de instituições financeiras, torna-se uma tarefa atualmente necessária a fim de entender como choques externos podem afetar a economia de forma significativa. Woordford (JEP, 2010), por exemplo, demonstra em seu artigo como um efeito riqueza pequeno, conforme na crise de 2008, pôde causar efeitos agregados significativos na economia real. Para atingir seu objetivo, o autor especifica um modelo simples, mas que demonstra como uma política monetária expansionista afeta o comportamento dos bancos através do aumento nos serviços de intermediação financeira e um maior volume de empréstimos por parte das instituições. Esse maior volume de crédito fornecido implica em um nível maior de alavancagem e, com isso, maior exposição dos bancos face às variações nos preços dos seus ativos podendo, dessa forma, amplificar os efeitos agregados na economia.

Em vista disso, desde a crise do subprime, quando os bancos de investimento de Wall Street apresentavam um grau de interconexão e assunção da alavancagem excessivamente elevada, a questão do nível de risco assumido pelos bancos esteve no centro dos estudos acadêmicos. Um dos fatores apontados para o início da recessão na economia americana está

23

exatamente em uma política monetária frouxa3, em que o período prolongado de taxa de juros abaixo do nível adequado afetou o comportamento de agentes econômicos. Ainda durante o período da crise, Borio e Zhu (2008) indicaram a aparente falta de atenção dada para o mecanismo de transmissão entre a política monetária praticada pelo FED e a percepção e precificação do risco feitos pelos agentes econômicos, definindo-o como “risk-taking channel”. Segundo os autores, políticas monetárias expansionistas podem levar os bancos a tomarem um risco excessivo e há, principalmente, três formas com que uma política monetária pode afetar esse nível de exposição das instituições.

O primeiro conjunto de efeitos opera sobre o impacto com que a taxa de juros causa na avaliação de empresas e ativos, nas rendas e fluxos de caixas (via taxa de desconto), o que pode modificar o comportamento das firmas, entre elas instituições financeiras. As taxas de juros reduzidas, por exemplo, aumentam o valor dos ativos e colaterais de instituições, assim como elevam os rendimentos e lucros que, por suas vezes, podem reduzir a percepção ou aumentar a tolerância de risco das mesmas, incentivando uma maior tomada de risco. Adrian e Shin (2010) demonstraram como uma variação positiva no preço dos ativos pode fazer com que o nível de mensuração do risco, representado pelo Value-At-Risk4, possa ser suavizado. A exigência de menos unidades de Value-at-Risk, por unidade de ativos, estimula a natureza pró-cíclica da alavancagem nos bancos.

Um segundo conjunto de impactos opera através da relação entre as taxas de mercado e taxas alvo de retornos (Rajan, 2005). Segundo o autor, baixas taxas de juros podem induzir

3

Considera-se aqui política monetária frouxa quando a taxa de juros fixada está abaixo dos valores recomendados pela Regra de Taylor, que

relaciona a taxa nominal de juros como uma função da taxa de inflação, de uma taxa de juros real de equilíbrio e uma soma ponderada entre o desvio da meta de inflação e do PIB potencial.

4 O conceito de Value-at-Risk é por definição representado pela perda máxima esperada de uma firma dentro de um intervalo temporal e sob um determinado intervalo de confiança. No artigo analisado, Adrian e Shin (2010) definem o VaR como o Patrimônio Líquido de u m banco com um nível de confiança c tal que: Prob (A < Ao − VaR) ≤ 1 − c Assim, definindo o VaR como uma proporção do capital mantido pelo banco (K = φ x VaR), de modo a ficar solvente em um intervalo de confiança, c, então:

Alavancagem =

Em que V é chamado de unidade de valor em risco. Assim a natureza contra cíclica da unidade de valor em risco explica a pró-ciclicidade da alavancagem.

24

nível adicional de tomada de risco pelos gerentes de ativos bancários por fatores comportamentais ou de natureza institucional e regulamentar. O primeiro fator é baseado no conceito de ilusão monetária dos agentes econômicos que, ao não perceberem ou ignorarem o fato de que a queda na taxa nominal de juros compensa uma taxa inflacionária menor, leva-os a assumirem maiores riscos em busca de metas de retornos de investimentos. O segundo motivo está relacionado ao compromisso dos gerentes com taxas mínimas de retorno e movimentação nas taxas básicas de juros. Uma queda nesses valores pode exigir, dos gestores dos balanços de instituições como companhias de seguros e fundos de cobertura, uma maior demanda por ativos de maiores riscos em busca de elevadas taxas de retorno, dado que manter os ativos de baixo rendimento, mas seguros, podem não levá-los a cumprirem com suas obrigações. Esse processo de tendência de instituições financeiras, passando por períodos de dificuldades financeiras, em assumir mais riscos é conhecido como “risk-shifting”.

O terceiro conjunto de efeitos potenciais mencionados opera através de aspectos das características das políticas de comunicação e a função de reação do Banco Central. Ao reagir, por exemplo, a um choque negativo na economia, o compromisso em manter as taxas futuras a níveis baixos pode diminuir sensivelmente incertezas futuras de mercado, como a deterioração de ativos e o risco de investimento. Assim, o compromisso e a transparência assumida pela autoridade monetária, quando também há ineficiência na regulamentação, podem incentivar instituições financeiras a se arriscarem mais, caracterizando um típico problema de moral hazard. Este efeito está alinhado com o pensamento de Walsh (2005), no qual a transparência ex-ante a respeito de algumas políticas adotadas pela autoridade monetária podem agravar o problema de moral hazard nas instituições financeiras.

Há ainda um quarto conjunto de efeitos do canal de tomada de risco, mas observado por Adrian e Shin (2008), que está na expansão excessiva dos balanços patrimoniais das instituições através da alavancagem. Adrian e Shin (2008) verificaram que bancos, ao contrário de uma família comum, respondem a mudanças nos valores dos seus ativos, gerenciando ativa e continuamente suas alavancagens. Após testes empíricos, os autores verificaram que os bancos de investimentos respondem a essas mudanças através das expansões e contrações em seus balanços patrimoniais, com a margem de ajustamento sendo feitas através de Repos5. Também evidenciaram que o crescimento dessas “securities” está 5

Repo, uma abreviação para Repurchase Agreements, é um contrato em que vende-se um título de renda fixa com o comprometimento de

recomprá-lo em um determinada data por um determinado preço. A contraparte, que compra a security com o compromisso de vendê-la depois, é chamada de Reverse Repo.

25

positivamente correlacionada com a facilidade, ou falta de restrições da política monetária, medida pela regra de Taylor.

Campbell e Cochrane (1999), reafirmando a existência de estudos anteriores à definição do canal propriamente dito, demonstraram uma quinta forma como as ações políticas podem refletir nos comportamentos dos bancos. Os autores verificaram que para moldar uma série temporal dos preços das ações no mercado americano, os modelos de precificação de ativos deveriam requerer grande variação da aversão ao risco no tempo. Com o modelo criado, Campbell e Cochrane afirmaram que os investidores, dentro do modelo, derivam o consumo através de um nível básico de subsistência, de modo que à medida que o preço dos ativos aumenta, a contraciclicidade da aversão ao risco faz com que os investidores se arrisquem mais. Segundo Ozuca e Akbostanci (2012), Campell e Cochrane (1999) mostraram que os agentes se tornam menos avessos ao risco durante os períodos de expansão, desde que os consumos aumentem relativamente em níveis normais.

O que se percebe, portanto, é que existe uma literatura extensa sobre o comportamento dos bancos face às mudanças de cenários externos, como uma política econômica. Em especial, como estes avaliam o comportamento frente ao risco, embora a definição da existência de um canal de tomada de risco seja bastante recente. Sendo assim, uma vez definido esse conceito na teoria, faz-se necessário, como um meio de argumentar e de forma a consolidar a existência desse mecanismo na prática, avaliar empiricamente esse processo de propagação, conforme será visto daqui para frente.

3. Evidências empíricas do mecanismo de transmissão Ainda que o conceito de tomada de risco bancário, conforme mencionado anteriormente, tenha sido definido, de fato, após o início da crise financeira de 2008, é possível encontrar artigos que evidenciam a presença desse canal em diversos países. Mais especificamente, há uma crescente literatura empírica que relaciona as taxas de juros praticadas pelos Bancos Centrais de um país ou um conjunto de países, como na União Europeia, e a assunção de risco dos bancos.

Dell’Ariccia, Laeven, Suarez (2013) observaram a presença, do canal de transmissão, através de dados trimestrais dos chamados STBL (Reserve’s Survey of Terms of Business Lending) de aproximadamente 400 bancos do sistema financeiro americano no período de 1997-2011. Primeiramente, os autores utilizaram-se de um modelo de tomada de risco dos

26

bancos introduzindo as taxas de juros reais e as alavancagens das instituições financeiras. A conclusão do modelo é que o nível de risco assumido pelos bancos é negativamente relacionado com as taxas de juros se os bancos não possuem nenhuma restrição de capital, sendo que essa correlação negativa ainda depende do nível de capitalização dos bancos.

Depois, utilizando uma metodologia empírica, os autores constataram uma forte evidência da ligação entre as taxas de juros de curto prazo e a propensão ao risco ex-ante das instituições bancárias. Também em sintonia com os modelos teóricos de tomada de risco bancário, os efeitos evidenciados dependem do grau de capitalização dos bancos de forma que, assim, o efeito da política monetária sobre o nível de risco assumido pelos bancos é menor em bancos menos capitalizados.

Altunbas, Gambacorta e Marquez-Ibanez (2012) investigaram o efeito de uma política monetária frouxa sobre o nível de risco bancário, utilizando informações trimestrais de bancos operando, tanto na União Europeia quanto nos Estados Unidos, no período de 1998 a 2008.

São feitas observações correspondentes a mais de 1100 bancos distribuídos por 16 países e os resultados obtidos indicam que o coeficiente relacionado à diferença entre a taxa de juros e a taxa de referência, indicada pela regra de Taylor, é negativa e significante. Simultaneamente, o exercício confirma o efeito da política monetária no comportamento do banco em relação ao risco. Ou seja, quando as taxas de juros estão abaixo dos fundamentos por um longo período, há uma contribuição para a maior tendência dos bancos em se arriscarem mais, mensurada pela probabilidade esperada de default (EDF) de bancos individuais.

Utilizando dados do mercado de empréstimos sindicalizados por um período de 30 anos (1990-2010) com dados do Federal Reserve’s Senior Loan Officer Opinion Survey (SLOOS), Paligorova e Santos (2012) analisaram se o comportamento da política monetária praticada pelo Banco Central americano está associado com o grau de risco assumido pelos bancos. Os primeiros resultados do exercício empírico mostram que os bancos tendem a exercer um maior apetite ao risco em períodos de políticas monetárias mais relaxadas. Também verificaram que os efeitos dessas políticas mais suáveis sobre o nível de assunção de risco das instituições financeiras analisadas são ainda mais fortes em instituições bancárias com maiores tolerâncias face ao risco. Os bancos acabam emprestando mais, com desconto nas taxas de juros, para mutuários com risco potencial, evidenciando o canal de transmissão de política monetária via tomada de risco na economia americana.

Já Jiménez et al. (2008), utilizando-se de dados detalhados dos empréstimos de bancos individuais do Registro de Crédito Espanhol entre 1984 e 2006, investigam se as taxas de

27

curto prazo praticadas antes das concessões dos empréstimos de crédito influenciam o nível de tomada de risco dos bancos. Os resultados obtidos mostram que essas taxas menores de juros previamente à geração do empréstimo prosseguem em mais empréstimos para mutuários com mau ou nenhum histórico de crédito, que poderiam ser classificadas como subprimers.

Mais relevante ainda, os bancos passam a conceder empréstimos com uma taxa de risco elevada. Assim, quando a política monetária é expansiva, não só os bancos concedem empréstimos para um grupo grande de potenciais defaults, como também esses novos empréstimos são ainda mais perigosos, elevando o grau de risco assumido pelos bancos.

Tais resultados analisados por Jiménez et al. (2008) estão em consonância com os estudos feitos por Ioannidou et al. (2014). Os autores estudam o canal de tomada de risco na Bolívia, uma economia bastante dolarizada, em que as mudanças em política monetária possuem uma relação intrínseca com as mudanças na economia norte-americana. Utilizando-se do registro público de crédito na Bolívia, com observações de bancos individuais em um período curto (1999-2003), os resultados da regressão empírica mostram que uma variação na taxa básica de juros americana afeta o nível de risco dos bancos no país sul-americano. Uma política expansiva, por exemplo, faz com que seja mais provável que bancos concedam empréstimos para clientes sem nenhum histórico ou com históricos de classificação subprime, expondo as instituições a uma maior probabilidade de inadimplência.

Para uma investigação do canal de tomada de risco no Brasil, Tabak, Laiz e Cajueiro (2010) investigaram os efeitos da política monetária sobre o crescimento de empréstimos e dos chamados non-performing loans (NPL), que podem ser definidos como empréstimos dos bancos em atraso. Os autores, com observações de 99 bancos comerciais durante o período de Janeiro de 2003 e Fevereiro de 2009, verificaram a sensibilidade entre a variável correspondente aos empréstimos em atraso e os choques monetários. A análise dos dados evidenciou uma correlação positiva entre a taxa de juros básica (SELIC) e o crescimento na taxa de NPL, indicando a existência de um canal de crédito na economia. Os resultados do estudo sinalizam também a existência do canal de tomada ao risco na economia brasileira, sendo que o tamanho, o nível de capitalização e liquidez dos bancos influenciam no nível de risco incorrido. Durante os períodos de níveis mais baixos nas taxas de juros, por exemplo, bancos grandes e líquidos aumentam suas exposições ao risco de crédito, enquanto que por outro lado, os resultados apontam que bancos bem capitalizados possuem uma menor exposição ao risco de crédito. Tabak, Laiz e Cajueiro (2010) também aconselham sobre a necessidade de precaução que os supervisores bancários precisam ter em épocas de taxas de juros baixas, onde o nível de risco

28

assumido pelas instituições são maiores. As evidências empíricas, segundo os autores, indicam uma relação consistente entre política monetária e estabilidade financeira.

Por fim, Min-Ho Nam (2014) busca responder, utilizando-se de dados da economia americana, duas questões a respeito do canal de tomada de risco no mercado hipotecário.

Primeiro, através das taxas de juros de curto prazo e o uso da razão LTV (Loan-To-Value) como indicador de risco, se uma política monetária afrouxada pode influenciar no risco tomado pelos bancos credores de hipotecas. Caso confirmada a primeira questão, a segunda abordagem do estudo é se em uma economia modelo, em que o canal de tomada de risco opera, uma alteração na política monetária pode contribuir para a volatilidade no preço das habitações e no nível de atividade econômica. Os resultados obtidos apontam para a existência do canal, uma vez que a correlação negativa entre as taxas de juros e a razão LTV, indicam uma tendência dos credores hipotecários em financiar os tomares de crédito nos períodos de política monetária relaxada. A aplicação dos resultados obtidos, em um modelo dinâmico DSGE, demonstra a necessidade da incorporação do canal de tomada de risco nas decisões de política monetária, uma vez que o canal pode amplificar os efeitos dessas mudanças de política em uma economia modelo.

4. Descrição dos dados e metodologia aplicada Nesta seção do trabalho será apresentado o conjunto de dados coletados, assim como as ferramentas estatísticas utilizadas para correlacionar as variáveis econômicas quantitativas. O objetivo da utilização dos princípios de Econometria é buscar estabelecer uma relação entre o nível de assunção ao risco do sistema bancário e as principais variáveis macroeconômicas estudadas na literatura.

4.1 Dados coletados A amostra de dados, utilizados na escolha do modelo, que auxilia na explicação da relação entre o risco e a dimensão macroeconômica é composta pelas seguintes variáveis: ix.

Beta do setor bancário: O índice beta é um indicador financeiro de risco dos ativos financeiros, que mede a sensibilidade de um ativo em relação ao comportamento de uma carteira que seja utilizada como referência das oscilações do mercado. O índice

29

é derivado do modelo CAPM (Capital Asset Pricing Model), que em sua especificação mais simples prevê que a taxa de retorno esperada de um ativo seria igual à taxa de retorno livre de risco mais um prêmio pelo risco. Esse prêmio de risco, dado pelo retorno acima da taxa de juros sem risco, é proporcional ao risco não diversificável, medido pela divisão da covariância entre os retornos de um ativo e o do mercado, e a variância dos retornos do mercado. Algebricamente, o modelo é representado da seguinte maneira:

Em que: A literatura, basicamente, representa o índice da seguinte maneira: β > 1: O ativo possui oscilações maiores e diretamente proporcionais ao mercado, portanto, é considerada mais arriscada. β < 1: O ativo possui oscilações menores e inversamente proporcionais ao mercado, portanto, é considerada menos arriscada. β = 1: O ativo acompanha perfeitamente o comportamento do mercado.

No presente trabalho, a metodologia utilizada para estimar um Beta do sistema bancário foi coletar os retornos diários das ações de três grandes bancos atuando no país (Banco do Brasil - BBAS3 Equity / Bradesco - BBDC4 Equity / Itaú - ITUB4 Equity), diretamente do portal Bloomberg. Após calcular o Beta mensal para cada um dos bancos utilizados na pesquisa, foi feita uma média ponderada6 do setor bancário com base nos pesos da Tabela 1, também coletados do portal Bloomberg. É importante ressaltar que o índice Beta médio do sistema bancário será utilizado como a variável dependente do modelo, sendo uma originalidade do trabalho, representando o risco tomado pelos bancos. O índice pode ser considerado uma medida bem adequada, pois o beta é 6

Com base nos valores indicados na Tabela 1, foram recalculados os pesos dos três bancos utilizados no estudo.

30

proporcional ao retorno adicional do mercado em relação ao retorno dos títulos sem risco.

Dado que, de acordo com a relação básica entre retorno e risco, quanto maior o retorno esperado, maior é o risco tomado, quanto maior for o índice beta do setor bancário, maior é o retorno adicional e, portanto, maior o risco das operações realizadas.

x.

IPCA – Taxa de inflação: Os dados referentes à medida da taxa de inflação são do IPCA (Índice Nacional de Preços ao Consumidor Amplo), índice oficial do Governo Federal para a estipulação das metas inflacionárias. O IPCA, calculado pelo Instituto Brasileiro de Geografia e Estatística (IBGE), tem por objetivo medir a inflação de um conjunto de produtos e serviços comercializados no varejo, de acordo com o consumo das famílias com rendimentos mensais compreendidos entre 1 e 40 salários mínimos.

xi.

Juros - Taxa básica de juros (Selic): A taxa de juros utilizada foi coletada das séries temporais do Banco Central, correspondente ao valor anualizado da Selic acumulada no mês. Conforme o próprio Banco Central, a Selic corresponde a taxa média ajustada dos financiamentos diários apurados no Sistema Especial de Liquidação e Custódia (Selic) para títulos federais. Esta taxa é a principal ferramenta de política monetária, utilizada no Brasil pela autoridade monetária, para alcançar as metas de taxa de juros estipuladas nas reuniões do Comitê de Política Monetária (COPOM).

xii.

PIB – Variação do Produto Interno Bruto: O PIB representa o valor monetário agregado de todos os bens e produtos finais produzidos por uma determinada região, em um determinado período. A variável do modelo, na realidade, corresponde à variação percentual do PIB mensal em valores reais (corrigidos pelo IPCA), calculados pelo Departamento Econômico (DEPEC) do Banco Central. Os dados também foram coletados do sistema gerenciador de séries temporais (SGS) do Banco Central e a variação percentual, assim como a transformação para valores constantes, elaborada pelo autor.

xiii.

LNPIB - Logaritmo natural do PIB real mensal: Aproveitando o cálculo do PIB real mensal para a estipulação da variação citada acima, foram calculados os logaritmos naturais dos PIBs reais mensalizados. A vantagem obtida com a transformação logarítmica é evitar a obtenção de valores muito grandes na especificação dos modelos, facilitando a utilização e a visualização dos dados obtidos.

31

xiv.

LNCRED - Logaritmo natural do estoque real de crédito: Como uma das variáveis macroeconômicas relevantes ao estudo no âmbito bancário, faz-se necessário avaliar uma medida de crédito, obtida através do cálculo real (também alterados pelo IPCA) do estoque de crédito no país, também logaritmizados.

Segundo a FEBRABAN (Federação Brasileira de Bancos), parte do estoque corresponde aos recursos livres, isto é, empréstimos cujas taxas de juros são livremente estabelecidas pelos tomadores de crédito e as instituições financeiras. O restante corresponde às operações com recursos direcionados, definidos por normas governamentais. Ambas as parcelas incluem operações ao setor público e ao privado, sendo coletados através das séries temporais do Banco Central.

xv.

CREDPIB – Relação Crédito nominal sobre PIB nominal: Esta variável também representa uma medida de crédito do país e foi elaborada pelo autor, através dos dados coletados do SGS. A variável consiste simplesmente na relação percentual entre o crédito mensal e o PIB mensal brasileiro, ambos calculados diretamente com os valores nominais das séries.

xvi.

VARCRED – Variação do saldo total de crédito: A última variável estipulada, para representar outra medida possível de crédito ao modelo, corresponde a uma simples variação mensal no estoque real de crédito do país.

4.2 Relações econômicas esperadas Apesar dos valores de cada coeficiente obtido nas regressões se adequarem da melhor forma ao modelo em termos estatísticos, é de se esperar que as variáveis escolhidas assumam algumas associações de acordo com a teoria econômica. Estas relações entre o nível de tomada de risco pelos bancos, representado pelo beta do setor bancário, e as variáveis macroeconômicas determinadas ao modelo mais adequado são definidas abaixo:

32

4.2.1 Risco – Inflação: Espera-se que um aumento na inflação implique na elevação da percepção de risco dos bancos. Segundo Blanchard (2011), a inflação provoca distorções ao elevar as incertezas, dificultando a tomada de decisões pelas empresas com relação ao futuro, afetando as formações das expectativas e o gerenciamento das instituições. Quando a referência é o setor financeiro, entre eles o bancário, essa importância é ainda mais evidente uma vez que este realiza frequentemente operações de empréstimos ex-ante baseadas nas expectativas de variáveis ex-post.

4.2.2 Risco – Juros: Conforme visto na revisão bibliográfica, é de se esperar que uma variação nas taxas de juros resulte em um comportamento inversamente proporcional (a esta variação) em relação à tolerância e nível de risco dos bancos. Um aumento nas taxas de juros, por exemplo, gera uma elevação na percepção de risco e reduz a tolerância dos bancos, induzindo-os a se protegerem mais nas operações financeiras, de modo que o resultado é um menor nível de risco incorrido.

Já uma redução nas taxas de juros causa um efeito contrário: uma menor percepção ao risco e, paralelamente, um aumento na tolerância dos bancos, propiciando uma maior exposição ao risco por parte das instituições bancárias.

4.2.3 Risco – PIB: A expansão do Produto Interno Bruto pode ser interpretada como o aumento da lucratividade das instituições financeiras. Esse aumento dos lucros bancários, associados ao menor nível de monitoração de clientes devido aos bons desempenhos, estimulam as instituições financeiras a assumirem um nível maior de risco. Ainda segundo Dell’ Arricia et al. (2009), em tempos de expansão econômica as instituições financeiras tendem a conceder um número maior de empréstimos, agravando o problema de seleção adversa, assim como podem se envolver em operações mais arriscadas em busca de um retorno mais elevado.

4.2.4 Risco – Crédito: É esperada uma relação positiva entre as variações de crédito na economia e o nível de risco assumido pelos bancos. Conforme Jimenéz e Saurina (2006), há uma forte evidência empírica, ainda que com certa defasagem, entre uma rápida expansão no crédito e nos riscos desses empréstimos. Amador, Gómez-Gonzales e Pabón (2013) e Dullmann et al. (2012)

33

também evidenciam a relação entre o crescimento elevado de crédito e o comportamento em relação ao risco entre os bancos, evidenciando a relação direta do nível ou expansão do crédito com o beta do sistema bancário.

4.3 Metodologia Aplicada Uma vez estabelecidas as variáveis macroeconômicas que podem influenciar nos comportamentos e gerenciamento dos bancos, é necessário estabelecer um método de investigação que explique a relação entre as variáveis independentes e a variável dependente, representada pela medida de risco. Optou-se, assim, por estimar uma série mensal, de janeiro de 1999 a dezembro de 2014 com especificações multivariadas, utilizando a técnica de otimização de Mínimos Quadrados Ordinários (MQO) através do software E-views, que fornece automaticamente as medidas utilizadas na análise. O modelo de regressão básico explicando o comportamento dos bancos, levando em consideração as variáveis macroeconômicas a serem incluídas para a estimação, pode ser expresso da seguinte forma:

A utilização de um conjunto de alternativas para as regressões estimadas objetiva buscar o modelo mais adequado com as melhores variáveis, uma vez que estas podem ser expressas de maneiras diferentes. A inserção da variável de crédito neste trabalho, por exemplo, pode ser feita através de uma série de estoque de crédito, a variação desse estoque ou até mesmo uma relação entre o crédito e uma medida de crescimento, como o PIB. Assim, testar diferentes modelos acaba também por ser um pré-requisito, em trabalhos empíricos, ao dar robustez aos resultados encontrados, aumentando a credibilidade da relação teórica estabelecida.

4.3.1 Conceito de Estacionariedade No entanto, antes de fazer as estimações estabelecidas, conforme Gujarati (2006) define, um trabalho empírico que envolva séries temporais pressupõe que essa série a ser analisada seja estacionária. Uma série é dita estacionária quando sua média e variância são constantes ao longo do tempo, assim como também quando o valor da covariância entre dois períodos de tempo depende apenas da distância, ou defasagem, entre os dois períodos de tempo e não do tempo em que a covariância é calculada. Para verificar essa suposição, serão utilizados dois tipos de análises: 1. A primeira consiste na avaliação gráfica, a fim de se obter uma indicação sobre a

natureza da série temporal observada. Essa técnica, apesar de muito simples,

34

permite ao pesquisador verificar o comportamento das observações ao longo do tempo, verificando se estas se desenvolvem ao redor de uma média constante, característica de uma série dita estacionária.

2. A segunda análise, mais técnica, consiste na realização de um teste de raiz unitária, especificamente o teste de Dickey-Fuller Aumentado (ADF). A hipótese nula (Ho) a ser testada é de quea série testada possui uma raíz unitária, dessa forma caraterizada como não estacionária. É

possível rejeitara hipótese nula aos níveis padrões de

significação (1%, 5%, 10%) caso a estatística t calculada seja maior em valor absoluto que o valor crítico ao nível de significância determinada.

4.3.2 Ferramentas de análise e testes de significância Seguindo a orientação da metodologia a ser aplicada na avaliação do modelo de regressão e também como forma de conceituar as técnicas utilizadas na análise dos modelos especificados, foi feita uma explicação objetiva de cada uma das medidas a serem avaliadas nesses procedimentos7. Os indicadores escolhidos e suas respectivas definições são: Coeficiente de determinação (R²) - Indica o quanto da variação total é comum aos componentes que constituem os pares analisados. Ou seja, o coeficiente indica o quanto o modelo foi capaz de explicar os dados observados. É importante ressaltar que o coeficiente

varia conforme abaixo:

De modo que, teoricamente, quanto maior o coeficiente, mais explicatito é o modelo. Diz teoricamente, pois é importante ressaltar que o R² baixo, tanto do coeficiente de determinação quanto do coeficiente ajustado, não significa necessariamente um modelo ruim. Da mesma maneira, altos valores do coeficiente de determinação não implicam, obrigatoriamente, que o modelo de regressão está bem ajustado.

Conforme Gujarati (2006), procurar maximizar o valor de R² ajustado pode ser perigoso, uma vez que na análise de uma regressão o principal objetivo não é a obtenção de um coeficiente elevado por si só, e sim, obter estimativas significativas dos coeficientes da regressão e fazer inferências estatísticas a respeito deles. Além disso, como o modelo não foi estimado para fins de previsão de valores para a variável explicada, a maior preocupação no

7

Para analisar o cálculo das medidas/indicadores adotados, ver Gujarati (2006).

35

presente trabalho está na obtenção de uma relevância teórica das variáveis independentes em relação à variável dependente, em especial a relação entre as taxas de juros e o nível de risco dos bancos.

Erro-padrão – O erro-padrão de uma estimativa mede a variabilidade dos valores verdadeiros de uma variável, de acordo com os valores previstos para essa variável. Essa medida pode ser vista como o desvio-padrão da estimativa em torno da linha de previsão. É importante ressaltar que o erro-padrão é medida nas mesmas unidades utilizadas pela variável dependente, da qual se analisa a variabilidade.

Teste F ou estatística F - Indica se a equação de regressão é significativa como um todo, isto é, se a relação entre a variável dependente e as variáveis independentes é importante. A estatística F segue uma distribuição F com k-1 e n-k graus de liberdade, em que n é o número de observações da amostra e k o número de parâmetros da regressão. Este teste limita-se apenas concluir se algumas variáveis independentes escolhidas para o modelo são relevantes, de modo que não é possível determinar quais delas são 

significativas.

Critérios de avaliação: Se , então rejeita-se Não existe nenhuma relação linear

significativa entre a variável dependente as variáveis independentes.

Teste T-student - Este segundo teste determina a correlação dos coeficientes da equação de regressão individualmente, permitindo assim, ao contrário do teste F, selecionar as variáveis independentes que são significativas para o modelo. O teste t segue uma distribuição t

de

Student com n-2 graus de liberdade, em que n também indica o número de observações da amostra.

 Abordagem alternativa: Segundo Gujarati (2006), a probabilidade (p-valor) dos coeficientes t estimados permite diretamente ver o nível de significância estimado.

Assim, o valor de p permite informar a probabilidade de se cometer um equívoco ao rejeitar a hipótese Ho, de modo que quanto mais próximo de zero esse valor for, maior é a chance deseacertar ou rejeitar hipótese nula.

36

4.3.3 Heterocedasticidade Além da estacionariedade citada no início deste tópico e os indicadores de significância do modelo, outra premissa importante das regressões estimadas é de que os termos de erro da função de regressão populacional devem ser homocedásticos, ou seja, que apresentam variância constante. De forma mais simplificada, é possível que uma regressão apresente heterocedasticidade quando os resíduos não estão distribuídos ao longo da linha de regressão em volta do intervalo de observações.

A presença de heterocedasticidade não impede que os estimadores de MQO continuem lineares, não viesados, assintoticamente normais e consistentes, apesar dessas estimativas não serem mais Blue. Isso ocorrerá, pois as variâncias estimadas serão viesadas, sendo geralmente subestimadas, as interpretações dos testes t podem ser equivocadas de modo que a significância pode ser demasiadamente alta ou baixa. Para a detecção e a possibilidade de correção desse problema, existem muitos testes utilizados para verificar a heterocedasticidade em um modelo. Existem métodos informais empregando a análise gráfica e a natureza do problema estudada, como também os testes mais técnicos através, por exemplo, do teste geral de White, o teste de Park e o teste de Goldfeld-Quandt.

Para o presente estudo, a detecção de heterocedasticidade se concentrará no Teste Geral de Heterocedasticidade de White, com a inclusão de termos cruzados, em que a hipótese nula H o exprime a presença de Homocedasticidade. A relação desta hipótese depende do valor da probabilidade Qui-Quadrado, de modo que quanto menor for p-valor associado ao teste, menor é a chance de se cometer um equívoco ao rejeitar a hipótese nula. Apesar desse valor ser fornecido automaticamente pelo pacote econométrico utilizado, a obtenção do p-valor é feita através do cálculo da probabilidade de que, supondo a hipótese nula verdadeira, uma distribuição qui quadrado X² possa ser tão grande quanto o valor observado x²:

4.3.4 Autocorrelação Por fim, a última preocupação com a regressão estimada por este trabalho está na presença de autocorrelação, também referente ao comportamento dos resíduos do modelo. A existência de autocorrelação ocorre quando há violação do pressuposto de independência dos resíduos, de forma que o erro relacionado de uma observação é influenciado pelo termo de erro de outra

37

observação. A estimação por MQO com modelos que apresentam este problema pode levar ao equívoco em relação aos valores dos testes de significância, como o teste t e o teste F. A presença de autocorrelação pode ser resultado, por exemplo, de erros de especificação através da exclusão de variáveis significativas no modelo estimado, a forma funcional especificada de maneira incorreta e a ausência de estacionariedade. Persistir na estimação da regressão por MQO na presença de autocorrelação pode levar, assim como verificado no caso de heterocedasticidae, à estimações equivocadas nas medidas analisadas, como a superestimação do coeficiente de determinação, conforme adverte Gujarati (2006).

Assim

como

no

caso

envolvendo

séries

não

estacionárias

e

regressões

com

heterocedasticidade, a detecção de resíduos autocorrelacionados também pode ser feita através da análise gráfica informal. No entanto, o mecanismo de detecção será feito através do teste estatístico de Durbin-Watson, baseado na suposição de que os erros no modelo de regressão são gerados por um processo regressivo, tal que:

38

5. Resultados Empíricos 5.1 Teste de estacionariedade O primeiro teste para verificação sobre a estacionariedade das séries temporais das variáveis escolhidas foi a análise gráfica das séries, para a verificação do comportamento destas ao longo do tempo. Através dessa avaliação menos formal, foi possível verificar claramente tendências em três séries: LNPIB, LNCRED e CREDPIB, sendo que a série relativa à taxa de juros também variou um pouco mais em relação à sua média. A relação das séries pode ser vistas através da Figura 2 a seguir: Figura 2 – Série temporal das variáveis BET A

IPCA

JUROS

2.0

.04

.5

1.6

.03

.4

1.2

.02

.3

0.8

.01

.2

0.4

.00

.1

0.0

-.01 00

02

04

06

08

10

12

14

.0 00

02

04

PIB

06

08

10

12

14

00

15.2

.05

13.0

14.8

.00

12.8

14.4

-.05

12.6

14.0

-.10

12.4

13.6

-.15

12.2 04

06

08

10

12

14

02

04

06

08

10

12

14

10

12

14

CREDPIB .6

.04

.5

.00 .4 -.04 .3

-.08

-.12

.2 00

02

04

06

08

10

12

14

08

10

12

14

10

12

14

13.2 00

VARCRED .08

06

LNCRED

13.2

02

04

LNPIB

.10

00

02

00

02

04

06

08

Fonte: Elaborado pelo autor.

00

02

04

06

08

39

Os resultados anteriores, no entanto, carecem de uma avaliação técnica e por isso foi realizado comitantemente o teste de raiz unitária de Dickey-Fuller aumentado. Os resultados do teste ADF na Tabela 2 mostram que taxa de juros, apesar de uma variação importante ao longo da média na análise do gráfico, era estacionária em todos os níveis de significância. No entanto, como era de se esperar, as avaliações das três séries (LNPIB, LNCRED e CREDPIB) com tendência confirmam que, de fato não eram estacionárias tanto em 1%, quanto 5% e 10%, necessitando tornálas estacionárias.

Ao rodar as variáveis LNPIB, LNCRED e CREDPIB em primeira diferença, as mesmas se tornaram estacionárias, conforme podem ser vistas na Figura 3. Cabe ressaltar que, ao fazer a primeira diferença de uma série, está se obtendo a variação da mesma. Quando essa primeira diferença envolve o logaritmo natural de uma série, como as variáveis relativas ao PIB e ao crédito, obtém-se um valor aproximado da variação percentual dessa série.

40

Os testes de Dickey-Fuller aumentado na Tabela 3 confirmam os resultados esperados para as variáveis, com todas apresentando significância nos três níveis de significância. Desse modo, as três séries acima, a partir de agora, serão utilizadas na primeira diferença.

Tabela 3 – Resultados teste ADF

Fonte: Elaborado pelo autor.

5.2 Resultados - Primeira análise Assim, todas as variáveis escolhidas para modelar o comportamento dos bancos foram utilizadas no conjunto de regressões feitas, com o objetivo de dar consistência aos resultados esperados. A Tabela 3 apresenta a primeira série de resultados encontrados com as especificações feitas, sendo realizadas nove regressões que relacionam o beta do setor bancário, a variável dependente, com as variáveis macroeconômicas independentes. Os resultados encontrados, de forma generalizada, estavam dentro das expectativas, sendo a hipótese principal deste trabalho confirmada.

Assim, com o objetivo principal das regressões de estudar a variável das taxas de juros frente ao risco assumido pelos bancos, a especificação (A) foi feita apenas com o intuito de tentar estabelecer uma relação direta entre essas variáveis. A taxa de juros apresentou um coeficiente negativo igual a -1,336603, sendo expressivo estatisticamente em todos os níveis de significância. Tão importante quanto, o valor negativo está de acordo com a relação esperada no trabalho, de modo que a queda em um ponto percentual nas taxas de juros levaria, de acordo com a observação, ao aumento no valor do Beta em aproximadamente 0,0134 pontos. A constante da regressão apresentou um coeficiente positivo equivalente a 1,068669, sendo significante estatístico nos três níveis padrões de significância. O valor da estatística F elevado mostra que o modelo é bom como um todo, apresentando coeficientes significativos.

Apesar do coeficiente de determinação baixo (apenas 12,17% dos dados observados são explicados pelo modelo de regressão), conforme já explicado anteriormente, o propósito do trabalho não está em prever valores futuros para a variável dependente e sim em estudar a

41

relação estatística entre os coeficientes do modelo, principalmente a variável relativa a condução de política monetária.

Portanto, ao iniciar a expansão do uso das variáveis estabelecidas no modelo, a maior preocupação do estudo esteve na preservação da relação negativa entre as taxas de juros e o beta do sistema bancário e a significância estatística do parâmetro. Dessa forma, iniciou-se a introdução de novas variáveis nas especificações, o que pode ser visto em (B) e (C), em que se introduziram as medidas relativas à taxa de inflação e de crédito. Em ambos os modelos os valores da constante e das taxas de juros mantiveram suas relações expressivas. Já os valores das novas variáveis não apresentaram significância estatística em nenhum dos níveis de significância estabelecidos, apresentando erros-padrão elevados, sendo ainda que a taxa de inflação, representada pela variável IPCA, não apresentou a relação econômica esperada.

Como se previa, a inclusão de variáveis sem significância estatística reduziu o valor da estatística F, ainda que o valor apresentado nas duas regressões ainda fosse expressivo. Cabe ressaltar ainda que o valor de R² manteve-se em torno de 12% e 13%.

Como efeito de constatação apenas, o valor do coeficiente de determinação se manteve próximo a esses valores nas especificações restantes implementadas (D, E, F, G, H e I), agora com cada uma das variáveis macroeconômicas avaliadas para explicar o comportamento dos bancos. Assim, como a taxa de inflação nas especificações anteriores, as variáveis escolhidas para representar a expansão econômica no país não apresentaram as relações esperadas, como pode ser visto nos modelos com as variáveis PIB e DLNPIB, mas a insignificância estatística dos parâmetros não permite, portanto, tirar conclusões exatas sobre a relação estabelecida. Já as medidas usadas para representar o crédito total no país apresentaram o sinal positivo em todas as especificações seguintes, estando de acordo com a lógica de que a expansão do crédito elevaria o risco das instituições bancárias. No entanto, é preciso ressaltar que estas medidas de crédito, se mostraram apenas razoavelmente significantes estatisticamente, em 10%.

Ainda sim, o bom sinal do progresso do trabalho está na manutenção da relação estabelecida entre os juros praticados pela autoridade monetária do país e o nível de assunção de risco do sistema bancário. Contudo, a evidência empírica não pode ser confirmada ainda, pois ainda não foi realizada uma análise do comportamento dos resíduos da regressão, sendo relevante conforme afirmado no capítulo anterior e, propositalmente, deixada para o final.

Como pode ser visto na Tabela 4, as duas últimas medidas da tabela referem-se, respectivamente, aos casos de heterocedasticidade e autocorrelação dos modelos.

42

Como enunciado no capítulo 4, sobre a metodologia aplicada no trabalho, o valor da probabilidade da estatística Qui-Quadrado é uma boa estimativa de avaliação da hipótese nula da existência de um processo homocedástico. O valor elevado dessa probabilidade significa dizer que a possibilidade de se cometer um erro ao rejeitar a hipótese de homocedasticidade é grande. Isto é, se analisado o p-valor da Qui-Quadrado da especificação (G), por exemplo, de aproximadamente 0,69 significa dizer que existe uma probabilidade de 69% de se cometer um equívoco ao afirmar que a regressão apresenta um problema de heterocedasticidade. Como o valor é elevado em todas as especificações trabalhadas, é possível concluir que os termos de erro dos modelos de regressão estabelecidos não são heterocedásticos.

No entanto, o valor muito baixo das estatísticas de Durbin-Watson para todas as especificações evidenciam a presença de autocorrelação dos resíduos. Isso significa que os termos de erro das observações estão sendo influenciados pelos termos de erros de outras observações das estimações. Este problema é considerado muito ruim, uma vez que a autocorrelação presente pode gerar viés, erros sistemáticos, nos parâmetros estimados de modo que são necessárias medidas de correção.

43

Tabela 4 â&#x20AC;&#x201C; 1Âş Resultado das regressĂľes

Fonte: Resultados das estimativas do autor.

5.3 Resultados â&#x20AC;&#x201C; Segunda anĂĄlise Para corrigir o problema de autocorrelação, foi determinado rodar o primeiro lag da variĂĄvel de risco, definida como BETA (-1), de modo que agora a observação do Beta no perĂ­odo đ?&#x2019;&#x2022; â&#x2C6;&#x2019; đ?&#x;? afeta o comportamento da variĂĄvel em đ?&#x2019;&#x2022;. A inclusĂŁo de uma nova variĂĄvel explicativa nĂŁo sĂł corrigiu o problema de autocorrelação serial dos resĂ­duos, como pode ser visto na Tabela 5, como tambĂŠm tornou as especificaçþes estimadas muito mais relevantes. Houve uma melhora significativa nos valores do coeficiente de determinação e nos valores da estatĂ­stica F das

44

estimações, embora as medidas de crédito tenham deixado de ser, em maioria, estatisticamente significativas a 10% como anteriormente.

O coeficiente relativo à constante manteve-se significativo estatisticamente em 1%, apresentando um erro-padrão muito baixo, ou seja, uma baixa dispersão com relação à média da variável, em todas as especificações. Cabe ressaltar que todos os valores dos coeficientes relativos à constante foram positivos e apresentaram um valor médio de 0,669625.

A variável introduzida BETA (-1) levou ao aumento no poder de previsão das especificações, melhorando substantivamente as estatísticas das regressões. Essa melhora está alinhada com a expressiva relevância estatística que essa medida teve em todos os níveis de significância. O valor positivo do coeficiente da variável, em primeiro lag, determina uma relação diretamente proporcional com o nível médio de risco assumido pelos bancos no período seguinte.

Já o coeficiente da variável IPCA, assim como nas especificações anteriores, não apresentou significância econômica ou estatística em nenhum momento. Os erros-padrão dos parâmetros foram elevados, em especial as especificações (D1), (F1) E (H1), com valor de 4,11 aproximadamente, apresentando um alto desvio-padrão em relação à reta de regressão. Os valores positivos também confirmam a não significância da variável no modelo quando avaliado de acordo com a literatura econômica. O aumento da inflação aumenta as incertezas futuras e deveriam levar a uma maior aversão do setor bancário ao risco, o que os valores positivos refutam.

As variáveis PIB e DLNPIB que, após a transformação da variável LNPIB, se equivalem e correspondem a variação real do PIB mensal brasileiro, não apresentaram resultados substantivos também. Assim como nas estimativas anteriores, sem a variável BETA(-1), apresentaram sinais de coeficientes incoerentes com a teoria econômica e não tiveram, em nenhuma especificação, significância estatística. Para exemplificar, a especificação G(1) apresentou um coeficiente para a variável PIB de -0,429532, o que equivale a dizer que o crescimento em 1% no produto brasileiro reduziria o beta médio do setor bancário em quase 0,0043 pontos. Ora, é uma premissa razoável que o aumento da renda e a expansão econômica como um todo do país estimularia as firmas, financeiras e não financeiras, a investirem em negócios mais arriscados.

Sobre as medidas que representavam o crédito brasileiro após a introdução do lag da variável de risco, as variáveis DLNCRED e VARCRED deixaram de ser estatisticamente

45

significativas, conforme previamente anunciado no início do tópico. As especificações (G1) e (I1), em que se usa a primeira diferença da relação crédito sobre PIB, os valores permaneceram significativos a 10%. Por outro lado, a estatística relativa aos juros praticados no mercado deixou de ser significativas a 1%, ainda que sejam expressivas a um nível de 5%. Se balanceados os pesos da manutenção da significância estatística da variável de crédito e a leve queda na significância dos juros, talvez os maiores valores dos coeficientes de determinação (23,17% e 23,16% respectivamente) e o aumento da estatística F levem a conclusão que estas especificações se ajustam melhor na explicação da variável dependente.

Por fim, a mais importante conclusão do trabalho: a variável relativa às taxas de juros se mostrou eficiente ao confirmar a hipótese formulada, sobre a existência de um canal de transmissão de política monetária através do nível de risco bancário.

Após a correção do

problema de autocorrelação serial dos resíduos, que poderia estar influenciando nos bons resultados anteriores, as novas especificações mantiveram a relação econômica esperada e a robustez estatísticas dos valores apresentados. O erro-padrão, associado aos parâmetros da regressão, também ficou muito baixo, de modo que o desvio padrão em relação à linha de regressão é relativamente pequeno. A especificação (G1), por exemplo, indica que a queda em um ponto percentual nas taxas de juros elevaria o risco assumido pelo setor bancário, através do índice Beta, em 0,0071 pontos. O gráfico montado a seguir, com a série temporal dos índices Beta mensais contra as taxas de juros acumulada, evidencia os resultados obtidos: Figura 4 – Gráfico Beta x Juros 1.8 1.6 1.4

BETA

1.2 1.0 0.8 0.6 0.4 0.2 .05

.10

.15

.20

.25

.30

.35

.40

.45

JUROS BETA=1.069-1.337*JUROS

Fonte: Elaborado pelo autor.

46

Dizer, portanto, que o resultado possui relevância estatística é dizer que os valores observados são muito relevantes para serem atribuídos ao acaso, concluindo que há evidências empíricas de uma relação negativa entre as taxas de juros praticadas pelo Banco Central e o nível de risco assumido pelo sistema bancário, revelando a existência do canal de tomada de risco na economia brasileira. Tais resultados corroboram com os estudos de Adrian e Liang (2014), sobre a necessidade de se levar em consideração as condições do sistema financeiro e a política monetária praticada, uma vez que o aumento da intermediação financeira também levou ao aumento da importância do canal de tomada de risco.

Tabela 5 – 2º Resultado das regressões

Fonte: Resultados das estimativas do autor.

47

6. Conclusão A última crise financeira levou muitos Bancos Centrais e diversos estudos a avaliarem a relação entre as condições do sistema financeiro e as atividades praticadas pela autoridade monetária. Estas políticas adotadas pelos Bancos Centrais, que refletem na tentativa de otimizar as condições econômicas e criar um ambiente favorável e atrativo para o crescimento, são transmitidas para economia real através de muitos canais. Um deles, apontado neste trabalho, é o chamado “risk-taking channel”, que associa o comportamento das operações dos bancos e as medidas econômicas adotadas pelo Banco Central, em relação ao risco assumido pelas instituições bancárias.

O principal objetivo deste trabalho, portanto, pautou-se na investigação do canal de tomada de risco bancário na economia brasileira, estimulado pelos estudos sobre esse recente canal, no país. Para tanto, o conteúdo produzido foi inspirado na literatura econômica sobre o assunto e estudos empíricos sobre a existência desse canal de transmissão em diversos países no mundo. As originalidades deste trabalho estiveram na introdução de variáveis com dimensão macroeconômica que explicassem o comportamento dos bancos, mensurado por uma nova variável de risco: um índice do mercado financeiro. Com as séries temporais propostas, foi construído um modelo de regressão linear múltipla, em que aplicou-se a técnica de Mínimos Quadrados Ordinários para a realização da estimação.

Foram avaliadas várias especificações diferentes para se testar a robustez do efeito da taxa básica de juros sobre a tomada de risco bancário. Os resultados encontrados apontam para evidências de um canal de transmissão de assunção de risco no Brasil por parte dos bancos, de modo que quanto mais expansionista é a política adotada, mais riscos o sistema bancário tende a incorrer. As conclusões empíricas deste trabalho evidenciam a necessidade de se pensar em uma possível adoção das condições do sistema financeiro, por parte do Banco Central, nas avaliações de política econômica. É evidente, contudo, que dada a recente definição do canal de tomada de risco, necessita-se ainda avaliar com cautela essa prática, de forma que o debate sobre o tema está apenas no início.

48

7. Referências bibliográficas ADRIAN, Tobias, 2014 e LIANG, Nellie. “Monetary policy, Financial Conditions, and Financial Stability”, Federal Reserve Bank of New York Staff Reports No. 690 ADRIAN, Tobias e SHIN, S. Hyun, 2010. “Liquidity and Leverage“. Journal of Financial Intermediation; Elsevier, vol. 19(3):418-437.

ADRIAN, Tobias e SHIN, S. Hyun, 2008. “Liquidity, Monetary Policy, and Financial Cycles”, Federal Reserve Bank of New York current issues in economics and finance.

Vol.14, no.1.

ALLEN, Franklin e GALE, Douglas, 2000. "Asset Price Bubbles and Monetary Policy," Center for Financial Institutions Working Papers 01-26, Wharton School Center for Financial Institutions, University of Pennsylvania.

ALTUNBAS, Y., GAMBACORTA, L., e MARQUÉS-IBÁÑEZ, D. (2010). Does monetary policy affect bank risk-taking? Bangor Business School Working Papers, January.

AMADOR, S. Juan; GÓMEZ-GONZALES E. José e PABÓN M. Andrés, 2013. "Loans Growth and Banks’ Risk: New Evidence," Borradores de Economia 763, Banco de la Republica de Colombia.

BERNANKE, Ben; GERTLER, Mark. Inside the Black Box: The Credit Channel of Monetary Policy Transmission. The Journal of Economic Perspectives, v. 9, n. 4, p. 2748, 1995.

BLANCHARD, Olivier. Macroeconomia. 5. ed. São Paulo: Prentice Hall, 2011. 598 p.

BLINDER, Alan S. How Central Should the Central Bank Be? Princeton University. CEPS Working Paper No. 198. Jan. 2010.

BOIVIN J., KILEY, M., e MISHKIN, F. (2010). “How has the monetary transmission mechanism evolved over time?,” NBER Working Paper 15879.

BORIO, Claudio; ZHU, Haibin. (2008). Capital regulation, risk-taking and monetary policy: a missing link in the transmission mechanism? BIS Working Papers 268.

CAMPBELL, J.Y., and J.H. Cochrane (1999), “By force of habit: a consumption-based explanation of aggregate stock market behavior”, Journal of Political Economy 107:205−251.

49

DELL’ARICCIA, Giovanni; DENIZ I. e LAEVEN, Luc. (2009), “Credit booms and lending standards: Evidence from the subprime mortgage”, European Banking Center Discussion Paper, No. 2009-14S. DELL’ARICCIA, Giovanni; HABERMEIER, Karl. “The Evolution of Monetary Policy: More

Art

and

Less

Science”,

2014.

Disponível

em:

<

http://blog-

imfdirect.imf.org/2014/04/07/the-evolution-of-monetary-policy-more-art-and-lessscience/ >. Acesso em: 01 fev. 2015.

DELL’ARICCIA, Giovanni; LAEVEN, Luc e MARQUEZ, Robert. 2013, “Monetary Policy, Leverage, and Bank Risk-Taking,” Journal of Economic Theory, forthcoming.

EUROPA. ECB. Financial Stability Review. Disponível em: <https://www.ecb.europa.eu/pub/fsr/html/index.en.html>. Acesso em: 04 jan. 2015.

FRIEDMAN, M. The role of monetary policy. The American Economic Review, v. 58, n. 1, p. 1-17,Mar. 1968.

GAMEIRO, I. Marques; SOARES, Carla e SOUZA, João. (2011), Política Monetária e Estabilidade Financeira: Um debate em Aberto, Boletim Econômico, Banco de Portugal, Primavera: 7-27.

GUJARATI, D. Econometria Básica. 4ª Ed. Rio de Janeiro: Elsevier, 2006.

IOANNIDOU, Vasso; ONGENA, Steven e PEYDRÓ L. José, 2014. “Monetary Policy, RiskTaking, and Pricing: Evidence from a Quasi-Natural Experiment,” JIMÉNEZ, Gabriel; ONGENA, Steven; PEYDRÓ L. José e SAURINA, Jesús. 2008, “Hazardous times for monetary policy: What do twenty-three million bank loans say about the effects of monetary policy on credit risk?” Banco de España, No 0833.

JIMÉNEZ, Gabriel e SAURINA, Jesús. (2006). “Credit Cycles, Credit Risk, and Prudential Regulation,” International Journal of Central Banking KHUNDRAKPAM, J. K. e JAIN, R. (2012): “Monetary Policy Transmission in India: A Peep Inside the Black Box”, RBI Working Paper N. 11.

MISHKIN, S. Frederic. The economics of Money, Banking, and Financial Markets. 9. ed.

Estados Unidos: Prentice Hall, 2009. 768 p.

MISHKIN, S. Frederic. (2000). What should central banks do?. Federal Reserve Bank of St. Louis Review, 26 p.

50

NAM, Min-Ho. 2014. “Monetary Policy Transmission via Risk-taking Channel in the Mortgage Market”, Journal of Economic Policy Conference. ÖZSUCA, E. A. ve E. AKBOSTANCI, “An Empirical Analysis of the Risk Taking Channel of Monetary Policy in Turkey”. ERC Working Papers No. 12/08, 2012.

PALIGOROVA, Teodora e SANTOS, A. C. João. 2012. “When Is It Less Costly for Risky Firms to Borrow? Evidence from the Bank Risk-Taking Channel of Monetary Policy.”

Bank of Canada Working Paper No. 2012-10.

RAJAN, R. (2005), Has Financial Development Made the World Riskier?, Federal Reserve Bank of Kansas City Jackson Hole Symposium.

SVENSSON, Lars E.O. Svensson, 2000. "How Should Monetary Policy be Conducted in an Era of Price Stability?," NBER Working Papers 7516, National Bureau of Economic Research, Inc. TABAK, M. Benjamin; LAIZ, T. Marcela e CAJUEIRO, O. Daniel, 2010. Financial stability and monetary policy – the case of Brazil. Working Papers Series 217, Central Bank of Brazil, Research Department WALSH, E. Carl (2005), “The Benefits of Enhanced Transparency for the Effectiveness of Monetary and Financial Policies”, Seminar on Selected Experiences in Implementing the Code of Good Practices on transparency in Monetary and Financial Policies, Monetary and

Financial

Systems

Department,

International

Monetary Fund,

Washington, D.C. WOODFORD, M. (2010), “Financial Intermediation and Macroeconomic Analysis”, Journal of Economic Perspectives, vol. 24, No.4: 21–44.

Coleta de dados para as séries temporais: BANCO CENTRAL DO BRASIL < http://www.bcb.gov.br/> BLOOMBERG < www.bloomberg.com.br/>

51

8. Anexos Tabela 1

Testes de Estacionariedade Null Hypothesis: BETA has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-6.205403 -4.007347 -3.433778 -3.140772

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(BETA) Method: Least Squares Date: 01/30/15 Time: 19:45 Sample (adjusted): 1999M03 2014M11 Included observations: 189 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

BETA(-1) D(BETA(-1)) C @TREND(1999M01)

-0.531305 -0.202406 0.389718 0.000807

0.085620 0.073050 0.068758 0.000281

-6.205403 -2.770774 5.668011 2.870620

0.0000 0.0062 0.0000 0.0046

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.355741 0.345294 0.191048 6.752381 46.68062 34.05056 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.004601 0.236113 -0.451647 -0.383038 -0.423852 2.008353

52

Null Hypothesis: IPCA has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-6.714480 -4.007084 -3.433651 -3.140697

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(IPCA) Method: Least Squares Date: 01/30/15 Time: 19:45 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA(-1) C @TREND(1999M01)

-0.388774 0.002612 -5.71E-06

0.057901 0.000590 4.08E-06

-6.714480 4.428856 -1.397213

0.0000 0.0000 0.1640

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.194270 0.185653 0.003014 0.001698 834.7905 22.54388 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

-1.00E-05 0.003340 -8.755690 -8.704421 -8.734922 1.876434

53

Null Hypothesis: JUROS has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-9.085489 -4.007347 -3.433778 -3.140772

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(JUROS) Method: Least Squares Date: 01/30/15 Time: 19:45 Sample (adjusted): 1999M03 2014M11 Included observations: 189 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

JUROS(-1) D(JUROS(-1)) C @TREND(1999M01)

-0.137416 0.599928 0.028262 -9.09E-05

0.015125 0.042371 0.003612 1.58E-05

-9.085489 14.15890 7.824877 -5.768454

0.0000 0.0000 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.588578 0.581906 0.007096 0.009316 669.0494 88.22000 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

-0.001472 0.010975 -7.037560 -6.968952 -7.009765 1.461965

54

Null Hypothesis: PIB has a unit root Exogenous: Constant, Linear Trend Lag Length: 11 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.875812 -4.010143 -3.435125 -3.141565

0.0005

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(PIB) Method: Least Squares Date: 01/30/15 Time: 19:46 Sample (adjusted): 2000M01 2014M11 Included observations: 179 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

PIB(-1) D(PIB(-1)) D(PIB(-2)) D(PIB(-3)) D(PIB(-4)) D(PIB(-5)) D(PIB(-6)) D(PIB(-7)) D(PIB(-8)) D(PIB(-9)) D(PIB(-10)) D(PIB(-11)) C @TREND(1999M01)

-2.617620 1.403181 1.199491 1.042022 0.684222 0.633882 0.435820 0.300551 0.069709 -0.126016 -0.375441 -0.443609 0.011553 -8.43E-06

0.536858 0.497616 0.454329 0.413382 0.373713 0.332602 0.289814 0.249050 0.200779 0.157588 0.113052 0.069348 0.004814 3.59E-05

-4.875812 2.819807 2.640137 2.520726 1.830876 1.905829 1.503792 1.206789 0.347193 -0.799653 -3.320941 -6.396812 2.399938 -0.234804

0.0000 0.0054 0.0091 0.0127 0.0689 0.0584 0.1345 0.2292 0.7289 0.4251 0.0011 0.0000 0.0175 0.8147

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.807719 0.792569 0.024718 0.100809 415.6410 53.31676 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

6.64E-05 0.054271 -4.487609 -4.238316 -4.386523 1.949689

55

Null Hypothesis: LNPIB has a unit root Exogenous: Constant, Linear Trend Lag Length: 12 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-1.578203 -4.010440 -3.435269 -3.141649

0.7979

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNPIB) Method: Least Squares Date: 01/30/15 Time: 19:56 Sample (adjusted): 2000M02 2014M11 Included observations: 178 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNPIB(-1) D(LNPIB(-1)) D(LNPIB(-2)) D(LNPIB(-3)) D(LNPIB(-4)) D(LNPIB(-5)) D(LNPIB(-6)) D(LNPIB(-7)) D(LNPIB(-8)) D(LNPIB(-9)) D(LNPIB(-10)) D(LNPIB(-11)) D(LNPIB(-12)) C @TREND(1999M01)

-0.102027 -0.115393 -0.103924 -0.070042 -0.286274 0.011635 -0.138897 -0.078029 -0.181144 -0.162129 -0.204408 -0.044851 0.449971 1.262531 0.000399

0.064648 0.091258 0.090661 0.086178 0.083109 0.082788 0.081120 0.078514 0.078254 0.073619 0.072417 0.071453 0.069136 0.793216 0.000266

-1.578203 -1.264470 -1.146296 -0.812753 -3.444579 0.140542 -1.712240 -0.993831 -2.314813 -2.202259 -2.822661 -0.627707 6.508482 1.591660 1.501581

0.1165 0.2079 0.2534 0.4175 0.0007 0.8884 0.0888 0.3218 0.0219 0.0291 0.0054 0.5311 0.0000 0.1134 0.1351

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.605627 0.571755 0.024441 0.097367 415.9123 17.87961 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.003944 0.037348 -4.504633 -4.236505 -4.395900 2.016199

56

Null Hypothesis: LNCRED has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.025389 -4.007084 -3.433651 -3.140697

0.1281

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCRED) Method: Least Squares Date: 01/30/15 Time: 19:57 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

LNCRED(-1) C @TREND(1999M01)

-0.023652 0.313813 0.000269

0.007818 0.103277 7.23E-05

-3.025389 3.038565 3.718450

0.0028 0.0027 0.0003

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.087508 0.077749 0.014896 0.041492 531.1833 8.966646 0.000191

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.007005 0.015511 -5.559825 -5.508556 -5.539056 1.721514

57

Null Hypothesis: VARCRED has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-11.67397 -4.007084 -3.433651 -3.140697

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(VARCRED) Method: Least Squares Date: 01/30/15 Time: 19:57 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

VARCRED(-1) C @TREND(1999M01)

-0.837596 0.001370 4.82E-05

0.071749 0.002176 2.01E-05

-11.67397 0.629513 2.397422

0.0000 0.5298 0.0175

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.421595 0.415409 0.014906 0.041547 531.0581 68.15148 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

-8.78E-05 0.019495 -5.558506 -5.507237 -5.537738 1.983575

58

59

Null Hypothesis: D(LNPIB) has a unit root Exogenous: Constant, Linear Trend Lag Length: 11 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-4.804997 -4.010440 -3.435269 -3.141649

0.0007

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNPIB,2) Method: Least Squares Date: 01/30/15 Time: 19:53 Sample (adjusted): 2000M02 2014M11 Included observations: 178 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNPIB(-1)) D(LNPIB(-1),2) D(LNPIB(-2),2) D(LNPIB(-3),2) D(LNPIB(-4),2) D(LNPIB(-5),2) D(LNPIB(-6),2) D(LNPIB(-7),2) D(LNPIB(-8),2) D(LNPIB(-9),2) D(LNPIB(-10),2) D(LNPIB(-11),2) C @TREND(1999M01)

-2.596597 1.386672 1.192625 1.041899 0.680611 0.627494 0.428055 0.297407 0.065432 -0.134884 -0.369425 -0.435581 0.010695 -1.65E-05

0.540395 0.500485 0.456539 0.414775 0.375118 0.333419 0.290611 0.249090 0.200987 0.157552 0.112694 0.068843 0.004607 3.59E-05

-4.804997 2.770657 2.612316 2.511961 1.814389 1.881997 1.472948 1.193975 0.325553 -0.856125 -3.278115 -6.327168 2.321365 -0.460020

0.0000 0.0062 0.0098 0.0130 0.0714 0.0616 0.1427 0.2342 0.7452 0.3932 0.0013 0.0000 0.0215 0.6461

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.806878 0.791569 0.024551 0.098855 414.5626 52.70791 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.000551 0.053777 -4.500704 -4.250451 -4.399219 2.000566

60

Null Hypothesis: D(LNCRED) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-11.60731 -4.007347 -3.433778 -3.140772

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNCRED,2) Method: Least Squares Date: 01/30/15 Time: 19:53 Sample (adjusted): 1999M03 2014M11 Included observations: 189 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(LNCRED(-1)) C @TREND(1999M01)

-0.840359 0.001251 4.87E-05

0.072399 0.002225 2.06E-05

-11.60731 0.562094 2.365545

0.0000 0.5747 0.0190

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.420077 0.413841 0.015100 0.042412 525.8166 67.36615 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

4.23E-05 0.019723 -5.532451 -5.480994 -5.511604 1.964857

61

Null Hypothesis: D(CREDPIB) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=14)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-13.14780 -4.007347 -3.433778 -3.140772

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(CREDPIB,2) Method: Least Squares Date: 01/30/15 Time: 19:53 Sample (adjusted): 1999M03 2014M11 Included observations: 189 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

D(CREDPIB(-1)) C @TREND(1999M01)

-0.962566 -0.000873 2.43E-05

0.073211 0.000618 5.85E-06

-13.14780 -1.414376 4.160722

0.0000 0.1589 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.481709 0.476136 0.004172 0.003238 768.9129 86.43594 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

1.48E-05 0.005765 -8.104898 -8.053442 -8.084052 1.956574

62

Resultados das Regress천es

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:26 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

JUROS C

-1.336603 1.068669

0.261135 0.041678

-5.118427 25.64081

0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.121740 0.117093 0.207933 8.171667 29.96059 26.19830 0.000001

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.292781 -0.258726 -0.278987 1.277689

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.802982 1.617771 2.804041

Prob. F(2,188) Prob. Chi-Square(2) Prob. Chi-Square(2)

0.4495 0.4454 0.2461

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:27 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS C

2.802644 -1.391603 1.061884

4.084920 0.273513 0.042893

0.686095 -5.087879 24.75685

0.4935 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.123934 0.114614 0.208225 8.151257 30.19941 13.29783 0.000004

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.284811 -0.233728 -0.264120 1.275542

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.461300 2.351982 4.010637

Prob. F(5,185) Prob. Chi-Square(5) Prob. Chi-Square(5)

0.8047 0.7986 0.5479

63

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:27 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

JUROS VARCRED C

-1.238001 1.312089 1.044500

0.271768 1.022064 0.045668

-4.555355 1.283764 22.87147

0.0000 0.2008 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.129372 0.120110 0.207578 8.100655 30.79412 13.96809 0.000002

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.291038 -0.239955 -0.270347 1.289805

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.382973 1.956714 3.361423

Prob. F(5,185) Prob. Chi-Square(5) Prob. Chi-Square(5)

0.8600 0.8551 0.6445

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:28 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB VARCRED C

5.069788 -1.297389 -0.170209 1.841983 1.023177

4.348468 0.278848 0.408735 1.107257 0.048916

1.165879 -4.652677 -0.416429 1.663554 20.91694

0.2452 0.0000 0.6776 0.0979 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.136838 0.118275 0.207794 8.031192 31.61655 7.371691 0.000016

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.278707 -0.193569 -0.244222 1.288674

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7095 0.6931 0.2148

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.761535 10.90929 17.82703

64

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:28 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB DLNCRED C

5.041607 -1.297110 -0.168391 1.817407 1.023721

4.344109 0.278914 0.408578 1.094833 0.048785

1.160562 -4.650571 -0.412139 1.659985 20.98429

0.2473 0.0000 0.6807 0.0986 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.136784 0.118220 0.207801 8.031697 31.61055 7.368305 0.000016

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.278645 -0.193506 -0.244160 1.287959

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7182 0.7019 0.2212

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.753209 10.79676 17.69104

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:28 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB DLNCRED C

5.046820 -1.297345 -0.162523 1.815593 1.023598

4.344171 0.278942 0.409552 1.095419 0.048796

1.161745 -4.650942 -0.396832 1.657442 20.97687

0.2468 0.0000 0.6919 0.0991 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.136726 0.118161 0.207808 8.032231 31.60420 7.364722 0.000016

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.278578 -0.193440 -0.244093 1.288103

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7171 0.7008 0.2192

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.754302 10.81154 17.73303

65

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:29 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB DCREDPIB C

3.555799 -1.235679 -0.158869 7.084514 1.024326

4.128045 0.284134 0.405152 3.683448 0.047127

0.861376 -4.348935 -0.392122 1.923338 21.73532

0.3901 0.0000 0.6954 0.0560 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.141078 0.122606 0.207283 7.991742 32.08681 7.637619 0.000010

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.283632 -0.198493 -0.249147 1.298621

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7049 0.6886 0.2122

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.765875 10.96789 17.88159

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:29 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB VARCRED C

5.074920 -1.297635 -0.164218 1.839986 1.023056

4.348551 0.278876 0.409699 1.107821 0.048928

1.167037 -4.653096 -0.400828 1.660905 20.90931

0.2447 0.0000 0.6890 0.0984 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.136779 0.118215 0.207801 8.031742 31.61001 7.368002 0.000016

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.278639 -0.193501 -0.244154 1.288819

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7075 0.6912 0.2120

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.763381 10.93423 17.88606

66

Dependent Variable: BETA Method: Least Squares Date: 01/30/15 Time: 19:30 Sample: 1999M01 2014M11 Included observations: 191 Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB DCREDPIB C

3.561854 -1.235839 -0.153988 7.082614 1.024188

4.128295 0.284172 0.406123 3.685472 0.047129

0.862791 -4.348904 -0.379166 1.921766 21.73178

0.3894 0.0000 0.7050 0.0562 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.141032 0.122559 0.207289 7.992171 32.08168 7.634712 0.000010

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.869726 0.221293 -0.283578 -0.198440 -0.249093 1.298731

Prob. F(14,176) Prob. Chi-Square(14) Prob. Chi-Square(14)

0.7063 0.6900 0.2129

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.764498 10.94931 17.86633

Dependent Variable: BETA Method: Least Squares Date: 01/27/15 Time: 23:56 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

JUROS LAG1BETA C

-0.828476 0.349451 0.691769

0.266746 0.069580 0.083671

-3.105858 5.022319 8.267689

0.0022 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.215049 0.206654 0.195683 7.160552 41.85320 25.61577 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.408981 -0.357712 -0.388213 2.113999

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.234901 1.205110 1.949041

Prob. F(5,184) Prob. Chi-Square(5) Prob. Chi-Square(5)

0.9468 0.9444 0.8562

67

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:00 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS LAG1BETA C

1.839842 -0.867224 0.348000 0.688948

3.852310 0.279340 0.069790 0.084052

0.477595 -3.104545 4.986407 8.196648

0.6335 0.0022 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.216011 0.203366 0.196088 7.151781 41.96963 17.08272 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.399680 -0.331322 -0.371989 2.107138

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.380117 3.543762 5.629459

Prob. F(9,180) Prob. Chi-Square(9) Prob. Chi-Square(9)

0.9435 0.9388 0.7764

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:06 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

JUROS VARCRED LAG1BETA C

-0.754581 1.005250 0.342045 0.680068

0.276251 0.979229 0.069943 0.084432

-2.731504 1.026572 4.890369 8.054599

0.0069 0.3060 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.219472 0.206883 0.195655 7.120210 42.38994 17.43338 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.404105 -0.335746 -0.376414 2.113057

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.133292 1.257887 2.027069

Prob. F(9,180) Prob. Chi-Square(9) Prob. Chi-Square(9)

0.9987 0.9986 0.9910

68

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:11 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB VARCRED LAG1BETA C

3.307143 -0.765618 -0.432369 1.551518 0.344450 0.660108

4.111520 0.285148 0.390405 1.063523 0.070529 0.085615

0.804360 -2.684986 -1.107489 1.458847 4.883819 7.710192

0.4222 0.0079 0.2695 0.1463 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.227952 0.206973 0.195643 7.042847 43.42778 10.86545 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.393977 -0.291439 -0.352440 2.100423

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8797 0.8624 0.4611

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.638024 13.33894 19.94875

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:16 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB DLNCRED LAG1BETA C

3.275821 -0.766169 -0.429984 1.523631 0.344632 0.660600

4.107175 0.285150 0.390198 1.050240 0.070524 0.085574

0.797585 -2.686901 -1.101964 1.450746 4.886710 7.719620

0.4261 0.0079 0.2719 0.1486 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.227855 0.206872 0.195656 7.043739 43.41575 10.85941 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.393850 -0.291312 -0.352313 2.100064

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8772 0.8597 0.4515

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.640996 13.39668 20.10300

69

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:21 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB DLNCRED LAG1BETA C

3.279229 -0.765891 -0.428217 1.525775 0.344649 0.660197

4.107295 0.285232 0.391335 1.050911 0.070534 0.085627

0.798391 -2.685150 -1.094247 1.451859 4.886285 7.710130

0.4257 0.0079 0.2753 0.1482 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.227784 0.206800 0.195665 7.044384 43.40705 10.85505 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.393758 -0.291221 -0.352222 2.099836

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8835 0.8665 0.4638

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.633362 13.24826 19.90580

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:27 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS PIB DCREDPIB LAG1BETA C

2.050922 -0.706204 -0.429532 6.218863 0.340760 0.662832

3.898118 0.290338 0.387159 3.573137 0.070464 0.084744

0.526131 -2.432349 -1.109447 1.740449 4.835946 7.821607

0.5994 0.0160 0.2687 0.0835 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.231671 0.210793 0.195172 7.008921 43.88650 11.09617 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.398805 -0.296268 -0.357269 2.107471

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8248 0.8046 0.3396

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.697799 14.49331 22.01599

70

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:32 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB VARCRED LAG1BETA C

3.310380 -0.765355 -0.430513 1.553450 0.344467 0.659708

4.111661 0.285230 0.391535 1.064182 0.070539 0.085668

0.805120 -2.683294 -1.099553 1.459759 4.883386 7.700703

0.4218 0.0080 0.2730 0.1461 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.227879 0.206898 0.195653 7.043513 43.41879 10.86094 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.393882 -0.291344 -0.352346 2.100197

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8857 0.8688 0.4729

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.630721 13.19685 19.76189

Dependent Variable: BETA Method: Least Squares Date: 01/28/15 Time: 00:37 Sample (adjusted): 1999M02 2014M11 Included observations: 190 after adjustments Variable

Coefficient

Std. Error

t-Statistic

Prob.

IPCA JUROS DLNPIB DCREDPIB LAG1BETA C

2.051635 -0.705658 -0.428859 6.232532 0.340782 0.662398

3.898448 0.290441 0.388305 3.575586 0.070471 0.084790

0.526270 -2.429603 -1.104437 1.743080 4.835762 7.812208

0.5993 0.0161 0.2708 0.0830 0.0000 0.0000

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

0.231625 0.210746 0.195177 7.009341 43.88082 11.09330 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.

Durbin-Watson stat

0.871966 0.219695 -0.398745 -0.296208 -0.357209 2.107278

Prob. F(20,169) Prob. Chi-Square(20) Prob. Chi-Square(20)

0.8322 0.8123 0.3502

Heteroskedasticity Test: White F-statistic Obs*R-squared Scaled explained SS

0.690343 14.35013 21.82360