Ensaios sobre a avaliação de risco de crédito soberano: determinantes, impacto sobre o desacordo das expectativas de câmbio e a capacidade de previsão de técnicas de Machine Learning

• Ano de defesa: 2020
• Autor(a) principal: Oliveira, Diego Silveira Pacheco de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/87559/001300000b4mw
• Idioma: por
• Palavras-chave em Português: Nota soberana; Metas de inflação; Transparência monetária; Desacordo de expectativas; Machine Learning; Política monetária; Risco de crédito; Meta inflacionária; Bancos centrais; País em desenvolvimento; Inteligência artificial; Sovereign ratings; Inflation Targeting; Monetary Transparency; Disagreement in expectations
• Link de acesso: http://app.uff.br/riuff/handle/1/24124

Dada a importância da avaliação das agências de classificação de risco de crédito (ACRC) em afetar os mercados financeiros internacionais e a economia real, especialmente nos países em desenvolvimento, é de grande relevância o estudo dos mais diversos aspectos que envolvem a análise da probabilidade de inadimplência soberana. Para tanto, esta tese examina a avaliação das principais ACRC sob três perspectivas inexploradas pela literatura. O capítulo 1 analisa o efeito da transparência do banco central nas notas de risco soberano por meio de dois canais: o primeiro é o canal direto e ocorre devido à redução de incertezas em relação às decisões de política monetária; o segundo é um canal indireto e ocorre através da taxa de inflação. Com base em uma amostra de 50 países (onde 40 são países em desenvolvimento) para o período 1998-2014 e metodologia de dados em painel, as estimativas sugerem que países com maior transparência do banco central apresentam níveis mais baixos de inflação e melhores classificações de risco soberano. Desse modo, governos podem melhorar a sua nota soberana, depositando esforços em aumentar a transparência do banco central. Os resultados são observados para a amostra completa e para a amostra de países em desenvolvimento. O capítulo 2 investiga se as notícias de crédito soberano associadas aos títulos brasileiros (medidas por uma variável abrangente de classificação de crédito) afetam a tendência comum de desacordo sobre as expectativas de taxas de câmbio no Brasil, bem como o desacordo para 12 e 24 meses à frente. Os resultados indicam que as notícias negativas (positivas) sobre crédito soberano, dadas por um rebaixamento (elevação) da nota soberana e/ou um status negativo (positivo) do outlook e credit watch, aumentam (diminuem) o desacordo das expectativas da taxa de câmbio. Portanto, as avaliações das ACRC podem afetar setores econômicos que dependem do valor futuro da taxa de câmbio para administrar seus negócios. Além disso, a noção de que notícias de crédito soberano podem afetar o processo de formação de expectativas em relação à taxa de câmbio pode contribuir para um governo mais comprometido com sua reputação de risco de default soberano. Por fim, o capítulo 3 tem como objetivo prever a percepção de risco soberano das principais ACRC relacionados aos títulos brasileiros por meio da aplicação de diferentes técnicas de Machine Learning e avaliar sua capacidade preditiva, a fim de descobrir qual é o melhor para esta tarefa. Com base em dados mensais de janeiro de 1996 a novembro de 2018, são realizados vários exercícios de previsão empregando os métodos K-Nearest Neighbors (KNN), Gradient Boosted Random Trees (GBRT) e Multilayer Perceptron (MLP). Os resultados sugerem que a técnica MLP é a mais confiável. Sua capacidade de previsão é relativamente alta em comparação com os outros dois métodos. Seus erros de previsão são os mais baixos nos exercícios de previsões out-of-sample e em toda amostra. Estes resultados são válidos se considerarmos a estrutura de classificação das ACRC como linear ou logarítmica. Além disso, seus erros de previsão não estão associados estatisticamente a mudanças na opinião das ACRC de qualquer espécie.