Análise de estresse macroeconômico e seu impacto sobre o risco de crédito: uma abordagem de regressão quantílica

Abstract

Este trabalho investiga a relação entre cenários de estresse em variáveis macroeconômicas e a taxa de inadimplência no crédito, utilizando modelos de regressão quantílica. A metodologia é estruturada em várias etapas, começando pela extração e construção de um banco de dados que inclui as variáveis macroeconômicas utilizadas para a análise, a realização de testes de estacionariedade para garantir que as séries temporais utilizadas sejam adequadas para análise e o modelo ARIMA é aplicado para prever as variáveis macroeconômicas. A parte central da análise utiliza a regressão quantílica, que é uma abordagem estatística que permite examinar como diferentes níveis de estresse macroeconômico afetam a inadimplência em diferentes quantis da distribuição de risco de crédito. Os resultados obtidos indicam que a taxa de inadimplência é relativamente influenciada por variáveis macroeconômicas, confirmando a hipótese de que cenários econômicos desfavoráveis levam a um aumento na inadimplência. Os cenários de estresse construídos demonstram que, em condições adversas, a inadimplência tende a aumentar, evidenciando a vulnerabilidade dos tomadores de crédito em períodos de crise econômica. Além disso, a análise revela que a taxa de inadimplência é mais fortemente impactada quando há estresse macroeconômico nas variáveis Selic/Over e concessões de crédito em comparação com cenários de estresse nas variáveis PIB, IPCA e desemprego. As limitações da pesquisa são discutidas, incluindo a necessidade de considerar outros fatores que podem influenciar a inadimplência e a possibilidade de expandir a análise para incluir diferentes contextos econômicos. Sugestões para futuras pesquisas incluem a exploração de outros modelos estatísticos e a inclusão de variáveis adicionais que possam enriquecer a compreensão da relação entre estresse macroeconômico e risco de crédito.

This work investigates the relationship between stress scenarios in macroeconomic variables and credit default rates using quantile regression models. The methodology is structured in several stages, beginning with the extraction and construction of a database that includes the macroeconomic variables used for the analysis, conducting stationarity tests to ensure that the time series data are suitable for analysis, and applying the ARIMA model to forecast the macroeconomic variables. The core of the analysis uses quantile regression, which is a statistical approach that allows for examining how different levels of macroeconomic stress affect default rates across different quantiles of the credit risk distribution. The results indicate that the default rate is relatively influenced by macroeconomic variables, confirming the hypothesis that unfavorable economic scenarios lead to an increase in defaults. The constructed stress scenarios demonstrate that, under adverse conditions, defaults tend to increase, highlighting the vulnerability of borrowers during economic crises. Additionally, the analysis reveals that the default rate is more strongly impacted when there is macroeconomic stress in the Selic/Over rates and credit concessions variables, compared to stress scenarios in GDP, IPCA, and unemployment variables. The limitations of the research are discussed, including the need to consider other factors that may influence default rates and the possibility of expanding the analysis to include different economic contexts. Suggestions for future research include exploring other statistical models and incorporating additional variables that could enhance the understanding of the relationship between macroeconomic stress and credit risk.