Previsão da curva de juros brasileira: o uso de dados textuais agrega valor?

Abstract

A previsão da estrutura a termo da taxa de juros é um dos desafios centrais da macroeconomia e das finanças, com implicações diretas para a formulação de políticas monetárias, a precificação de ativos e a gestão de riscos. Este trabalho explora a aplicação de modelos dinâmicos para a previsão da curva de juros brasileira, incorporando dados textuais extraídos das atas do Comitê de Política Monetária (Copom) e do Federal Open Market Committee (FOMC). O estudo aplica o modelo dinâmico de Nelson-Siegel, estimado por meio do Filtro de Kalman, para capturar a evolução da curva de juros ao longo do tempo. A principal contribuição deste estudo reside na inclusão de medidas de sentimento extraídas dos comunicados de política monetária, empregando o dicionário financeiro de Loughran e McDonald (2011) para análise do sentimento negativo e do tom da comunicação dos bancos centrais, além do uso complementar da polaridade textual obtida via TextBlob. A previsão da curva de juros é realizada por meio de um procedimento iterativo com janela em expansão, no qual o modelo é estimado a partir de 60 origens, permitindo uma avaliação dinâmica do desempenho dos modelos. Os resultados indicam que a inclusão de dados textuais melhora a habilidade preditiva dos modelos de fatores analisados, especialmente em horizontes de curto e médio prazo, sugerindo que o conteúdo dos comunicados de política monetária contém informações preditivas relevantes para a dinâmica da taxa de juros e influencia as expectativas do mercado. Além disso, a comparação entre diferentes especificações do modelo evidencia a relevância das informações qualitativas na previsão da estrutura a termo da taxa de juros no Brasil. Este estudo contribui para a literatura ao investigar a relevância da aplicação do processamento de linguagem natural no modelo de previsão da taxa de juros para diferentes horizontes.

Abstract: Forecasting the term structure of interest rates is one of the central challenges of macroeconomics and finance, with direct implications for monetary policy formulation, asset pricing, and risk management. This paper explores the application of dynamic models to forecast the Brazilian yield curve, incorporating textual data extracted from the minutes of the Monetary Policy Committee (Copom) and the Federal Open Market Committee (FOMC). The study applies the Nelson-Siegel dynamic model, estimated using the Kalman Filter, to capture the evolution of the yield curve over time. The main contribution of this study lies in the inclusion of sentiment measures extracted from monetary policy statements, using the financial dictionary of Loughran e McDonald (2011) to analyze negative sentiment and the tone of central bank communications, in addition to the complementary use of textual polarity obtained via TextBlob. The yield curve forecast is performed through an iterative procedure with an expanding window, in which the model is estimated from 60 sources, allowing a dynamic evaluation of the models? performance. The results indicate that the inclusion of textual data improves the predictive ability of the factor models analyzed, especially in short and medium-term horizons, suggesting that the content of monetary policy statements contains relevant predictive information for interest rate dynamics and influences market expectations. In addition, the comparison between different model specifications highlights the relevance of qualitative information in forecasting the term structure of interest rates in Brazil. This study contributes to the literature by investigating the relevance of applying natural language processing in the interest rate forecasting model for different horizons.