Análise de Risco nas Condições Financeiras no Brasil

​​​​​​​​​​​​​​​​​​​​​​Introduç​ão

A evolução das condições financeiras é um elemento central para a dinâmica macroeconômica, afetando canais como crédito, investimento e consumo. Nesse contexto, é fundamental para a avaliação do ambiente macroeconômico mensurar não apenas a trajetória esperada das condições financeiras, mas também os riscos associados a essa trajetória, especialmente em economias emergentes. Para tanto, utiliza-se como medida de condições financeiras o Indicador de Condições Financeiras (ICF) construído e monitorado pelo Banco Central do Brasil.¹

Duas modelagens distintas e complementares são adotadas aqui para uma avaliação mais abrangente de risco nas condições financeiras. A primeira tem como objetivo gerar previsões pontuais para o ICF sob diferentes cenários econômicos. Para tanto, utiliza-se o algoritmo EM (Expectation Maximization) com estimação recursiva de um modelo tipo VAR(1), que permite lidar com previsões num contexto multivariado e na presença de dados ausentes. A segunda modelagem tem como finalidade gerar previsões de densidade do ICF, utilizando regressão quantílica combinada com
quantile matching, seguindo a abordagem
growth-at-risk de Adrian et al. (2019).

​

Previsões pontuais do ICF

Para a construção de previsões pontuais do ICF são utilizadas seis variáveis macrofinanceiras (ICF, Selic, câmbio R$/US$, preço do petróleo, Fed Funds e o índice de moedas DXY), com amostras diárias desde janeiro/2006 até agosto/2026, usando dados disponíveis até 31/08/2026. As séries temporais são transformadas individualmente, para garantir estacionariedade, e padronizadas (z-score).

Em seguida, considera-se o modelo multivariado: Y = Xβ + ε, onde Y é uma matriz com 6 séries observadas ao longo do tempo t=1,…,n; X é a matriz de regressores (aqui formada pelo intercepto e por Y defasado em um período); β é a matriz de coeficientes; e vec(ε) ∼
N (0, Σ ⊗ I_n). Os parâmetros do modelo (β e Σ) são estimados com o algoritmo EM implementado no pacote
norm2 do R (Schafer, 2016), que permite lidar com dados Gaussianos incompletos. Sem dados ausentes, as estimativas de máxima verossimilhança são obtidas diretamente a partir das estatísticas suficientes T₁ = X′Y e T₂ = Y′Y, da forma usual:

β^{^} = (X′X)⁻¹X′Y = (X′X)⁻¹ T₁(1)

Σ^{^} = n⁻¹(Y − Xβ^{^})′(Y − Xβ^{^}) = n⁻¹(T₂ − T₁′(X′X)⁻¹ T₁)
(2)

No entanto, assumindo que Y possui dados ausentes ao acaso (missing at random), particiona-se Y em partes observada (y_i!) e ausente (y_i?), sendo β e Σ divididas em blocos correspondentes (β_i!, β_i?, Σ_i!!, Σ_i!?, Σ_i?!, Σ_i??). A ideia é maximizar a função de log-verossimilhança com uma extensão do algoritmo EM, conforme Schafer (1997) e Little e Rubin (2002).² No passo E do algoritmo EM, calculam-se as esperanças condicionais de T₁ e T₂, em relação à distribuição condicional de Y? dado Y!, igualando-se β e Σ aos seus estimadores correntes.³ As expressões centrais nesta etapa são:

E (y_i? | y_i!) = x_i′β_i? + Σ_i?!Σ_i!!⁻¹(y_i! − x_i′β_i!)
(3)

Var (y_i? | y_i!) = Σ_i?? − Σ_i?!Σ_i!!⁻¹Σ_i!?
(4)

No passo M, essas esperanças são utilizadas para atualizar as estimativas de β^{^} e Σ^{^}. O operador
sweep (Goodnight, 1979) acelera os cálculos matriciais, e os casos são agrupados por padrão de ausência para maior eficiência do algoritmo. A cada iteração, a log-verossimilhança aumenta até a convergência para um máximo local (ou ponto de sela) ou até que Σ deixe de ser positiva definida. Se Y já estiver completo (sem dados ausentes), o método converge em uma única iteração.

Apesar de parcimoniosa, tal abordagem permite investigar como choques domésticos e externos impactam o ICF por meio de diferentes canais macrofinanceiros. Além disso, essa metodologia permite prever o ICF sob distintos cenários macroeconômicos, preservando a estrutura de correlações históricas entre as variáveis.⁴ Nesse sentido, as séries são divididas em exógenas (com trajetórias fora-da-amostra pré-determinadas por hipótese num dado cenário) ou endógenas (com trajetórias previstas pelo modelo, ou seja, com dados ausentes imputados pelo algoritmo EM), conforme os cenários abaixo:

​

Tabela 1 – Cenários para previsões no período: set/26 até dez/27

Previsões de densidade do ICF

O objetivo aqui é construir uma medida probabilística de risco para a própria trajetória futura das condições financeiras. Dado o estado atual das condições financeiras, qual é a distribuição provável do ICF
h meses à frente? Para gerar previsões de densidade do ICF, aplica-se a metodologia de regressão quantílica e
quantile matching, utilizada na abordagem de
growth-at-risk proposta em Adrian et al. (2019).

A variável dependente é o ICF,
h meses à frente, enquanto que o vetor de covariadas inclui, além do intercepto, as seguintes variáveis: ICF,
spread de juros (Selic – Fed Funds), preço do petróleo e taxa de câmbio. Com exceção do ICF, as demais séries são transformadas usando ln(x_t) – ln(x_t-h).

Tais séries caracterizam uma especificação autorregressiva parcimoniosa, que captura tanto a persistência quanto a dinâmica de curto prazo das condições financeiras ao longo dos quantis da distribuição. Especificações dessa natureza autorregressiva não são incomuns na literatura de regressão quantílica como, por exemplo, no modelo CaViaR de Engle e Manganelli (2004).

A amostra tem frequência mensal e abrange o período desde janeiro/2007 até agosto/2026. Considera-se um horizonte de previsão
h = 4 meses. Os resultados da estimação do modelo são apresentados na Tabela 3 e no Gráfico 1.

Tabela 3 – Estimação de Regressão Quantílica para o ICF com
h=4 meses

Obs.: Coeficientes significativos a 1,5 ou 10% são identificados por (***), (**) ou (*). Entre colchetes, erros-padrão calculados via
bootstrap generalizado de Bose e Chatterjee (2003) com 1000 replicações. 

Considerações Finais

Os resultados indicam que as condições financeiras no Brasil podem apresentar deterioração relevante diante de cenários adversos, tanto em resposta a choques externos quanto a hipóteses mais desfavoráveis para as variáveis macrofinanceiras domésticas. Em particular, choques persistentes nos preços do petróleo, em contextos de elevada incerteza geopolítica, estão associados a condições financeiras mais restritivas. No cenário
baseline, o ICF tende a diminuir ao longo do horizonte de projeção, enquanto nos cenários de maior estresse permanece em níveis mais elevados, refletindo as diferentes combinações de trajetórias macroeconômicas consideradas.

Complementarmente, a análise por regressão quantílica mostra que a relação entre as condições financeiras correntes e o ICF futuro varia ao longo da distribuição condicional. As densidades condicionais permitem, assim, caracterizar de forma mais abrangente os riscos associados à trajetória futura do ICF, incorporando não apenas uma previsão central, mas também diferentes resultados possíveis e suas respectivas probabilidades.

A combinação das duas abordagens (previsões pontuais e de densidade) fornece um arcabouço consistente para o monitoramento de riscos macrofinanceiros. Ainda assim, os resultados devem ser interpretados com cautela, dado o caráter puramente estatístico e não estrutural dos modelos, sendo recomendável seu uso complementar a outras ferramentas de análise prospectiva.

Notas

¹ Tal indicador baseia-se em 26 séries temporais, organizadas em 7 grupos, a saber: Juros Brasil, Juros Exterior, Risco, Moedas, Petróleo,
Commodities e Mercado de Capitais. Para maiores detalhes sobre a construção do ICF vide BC (2020).

² Nesse modelo, X é formada pela defasagem de Y, devendo estar sempre observada para que o algoritmo EM seja aplicável; como Y contém dados ausentes conforme cada cenário, sua defasagem herdaria as mesmas lacunas. Para contornar esse problema, a estimação é feita de forma recursiva no tempo: a cada passo t, utiliza-se a série já reconstruída até t−1 (dados originais mais valores previamente imputados pelo algoritmo) como linha de X; quando Y_t apresenta valores ausentes, o algoritmo EM é reajustado com a amostra disponível até aquele ponto e produz a previsão um passo à frente (h=1) que preenche as lacunas de Y_t. Esse valor imputado passa então a ser tratado como observado e compõe o regressor do passo seguinte (h=2), e assim sucessivamente até que toda a série esteja balanceada.

³ Note que o segundo termo da equação (3), via Σ, permite ao algoritmo EM incorporar na previsão das séries endógenas (ex: ICF) o valor assumido para as exógenas no mesmo período num dado cenário, complementando o efeito puramente dinâmico veiculado por β.

⁴ Essa modelagem reúne o balanceamento da base histórica e a geração de cenários condicionais, preservando a estrutura de correlações observada no passado, com poucos parâmetros e sem exigir a especificação de equações estruturais canal a canal. Uma contrapartida dessa parcimônia é que Σ é assumida constante no tempo, não captando eventuais mudanças nas correlações em períodos de estresse. Cabe notar também que parte das variáveis condicionantes também compõe, direta ou indiretamente, o próprio ICF. Assim, o ICF em cada cenário decorre não apenas da transmissão estimada pelo modelo (via β e Σ), mas também, em certa medida, da relação mecânica entre essas variáveis e os componentes do próprio índice. Os resultados devem ser interpretados com essa ressalva adicional em mente.

⁵ Desenvolvimentos nos mercados globais de energia ao longo de 2026 ilustram a plausibilidade desse cenário. A escalada das tensões envolvendo Irã, Israel e Estados Unidos tem afetado rotas de transporte no Estreito de Ormuz, por onde transitam cerca de 20% do petróleo comercializado globalmente. Analistas do setor energético indicam que interrupções na oferta podem retirar temporariamente milhões de barris por dia do mercado global, com os preços do petróleo superando US$100/barril em momentos de maior tensão (Reuters, 2026).

⁶ A informação disponível em agosto de 2026 desloca a distribuição esperada do ICF para níveis mais elevados e, simultaneamente, reduz sua dispersão em relação à distribuição incondicional.

⁷ Em conjunto, esses resultados evidenciam que a posição relativa das projeções ao longo da distribuição condicional varia de forma relevante entre cenários, refletindo diferentes graus de risco associados à trajetória futura das condições financeiras.

Referências

ADRIAN, T., BOYARCHENKO, N., GIANNONE, D. (2019). “Vulnerable Growth”.
The American Economic Review 109 (4), 1263-1289.

BANCO CENTRAL DO BRASIL (2020). “Indicador de Condições Financeiras”, Boxe do Relatório de Inflação, março de 2020.
https://www.bcb.gov.br/content/ri/relatorioinflacao/202003/ri202003b8p.pdf

BOSE, A., CHATTERJEE, S. (2003). “Generalized bootstrap for estimators of minimizers of convex functions”.
Journal of Statistical Planning and Inference 117, 225-239.

ENGLE, R.F., MANGANELLI, S. (2004). “CaViaR: Conditional Autoregressive Value at Risk by Regression Quantiles”.
Journal of Business & Economic Statistics 22(4), 367-381.

GOODNIGHT, J.H. (1979). “A tutorial on the SWEEP operator”.
The American Statistician 33, 149-158.

LITTLE, R.J.A., RUBIN, D.B. (2002).
Statistical Analysis with Missing Data (2a edição). Wiley.

REUTERS (2026). Financial Market Reports on Oil Price Forecasts and Hormuz Disruptions. March 16, 2026.
https://www.reuters.com/business/energy/bofa-standard-chartered-raise-brent-price-forecast-strait-hormuz-impasse-2026-03-16/

SCHAFER, J.L. (1997).
Analysis of Incomplete Multivariate Data. Chapman & Hall / CRC Press.

SCHAFER, J.L. (2016).
User’s Guide for norm2, May 5, 2016. Office of the Associate Director for Research and Methodology, U.S. Census Bureau.

​
​
Autor