Regra de Taylor com Sentimento do Copom — o balanço de riscos antecipa a Selic ou apenas reflete expectativas?

Python
Quarto
LLM
statsmodels
OLS
GMM
VAR
Filtro de Kalman
Regra de Taylor
Política Monetária
Banco Central
Macroeconomia
Séries Temporais
python-bcb
A comunicação do Copom decomposta por três LLMs em diagnóstico retrospectivo, orientação prospectiva e balanço de riscos, com validação cega por agentes independentes. O balanço de riscos antecipa a ΔSelic da reunião seguinte (+0,146 p.p. por desvio-padrão), mas o efeito é integralmente absorvido pela expectativa do Questionário Pré-Copom (+13,3 pb), sem prever a surpresa monetária. Linguagem como sinalização compartilhada, não choque autônomo.
Published

July 23, 2026

Índice de tom hawkish-dovish (ensemble de três LLMs) sobreposto à decisão da Selic por reunião do Copom
Note🔗 Projeto-mãe: Sentimento COPOM

Este trabalho é uma extensão direta do Sentimento COPOM. Lá, construímos um Índice de Tom hawkish-dovish das atas do Copom com três LLMs em paralelo (Gemini Flash Lite, Claude Haiku 4.5, GPT-4.1-mini). Aqui, esse índice deixa de ser o objeto final e vira um regressor numa Regra de Taylor — e, na rodada atual, é reconstruído: o corpus A+B das atas passa a ser lido integralmente e o tom é decomposto em dimensões econômicas distintas.

Uma correção importante em relação à versão anterior desta ficha: as regressões usam os scores brutos em \([-3, +3]\) (padronizados por z-score), não a série calibrada em pontos percentuais da Selic disponível no projeto de origem. Não há, portanto, vazamento mecânico da calibração OLS do projeto-mãe para a Regra de Taylor estimada aqui.

Visão Geral

Este projeto testa, seguindo a metodologia CRISP-DM, uma pergunta de economia monetária aplicada: o sentimento da comunicação do Copom, medido por LLMs, tem informação sobre a Selic que os fundamentos macro não capturam?

Repositório: github.com/vitorwilher/taylor-sentimento — base, scripts de estimação, paper e caches de API versionados.

A resposta encontrada é mais interessante — e mais restritiva — do que a hipótese inicial sugeria. O tom explica a Selic contemporânea com folga e o balanço de riscos de inflação antecipa a decisão da reunião seguinte. Mas quando se confronta esse conteúdo antecedente com a expectativa do mercado medida antes da reunião, o efeito se revela integralmente absorvido pela expectativa: a linguagem desloca o consenso, não a surpresa.

ImportantTese central (revisada)

A hipótese original era que o tom carrega sinal incremental sobre a decisão. Os resultados obrigam a reposicionar a pergunta: o balanço de riscos antecipa a ΔSelic da reunião seguinte em +0,146 p.p. por desvio-padrão (\(p = 0{,}001\)), mas desloca a expectativa média do Questionário Pré-Copom em +13,3 pontos-base — praticamente toda a decisão realizada (+12,9 pb). A surpresa residual é de −0,4 pb, estatisticamente indistinguível de zero. A comunicação do Copom opera como mecanismo de sinalização compartilhado com o mercado, não como choque monetário autônomo.

Motivação

A Regra de Taylor [@taylor1993] postula que o banco central ajusta a taxa de juros em resposta a dois desvios: a inflação em relação à meta e o produto em relação ao potencial. É uma das relações mais estimadas em macroeconomia — mas trata a comunicação do banco central como ruído. Ao mesmo tempo, uma literatura crescente mostra que a comunicação é, em si, um instrumento de política monetária [@blinder2008; @hansen2018].

O projeto-mãe transformou esse tom em série quantitativa. Este projeto fecha o elo, colocando as duas peças na mesma regressão — e depois submete o resultado a um teste que boa parte da literatura de central bank communication não faz: descontar o que o mercado já esperava.

Perguntas de pesquisa

  1. O sentimento sobrevive aos controles? Com hiato do produto e desvio de inflação na regressão, \(\hat{\delta}\) permanece positivo e significante?
  2. O tom antecede a decisão? O sentimento da ata \(t\) prevê a ΔSelic da reunião \(t+1\) — ou isso é contemporaneidade disfarçada?
  3. Qual dimensão da linguagem carrega o sinal? Diagnóstico retrospectivo, orientação prospectiva e balanço de riscos são objetos econômicos distintos; agregá-los num único índice pode estar misturando informação com ruído.
  4. O sinal é antecipação ou surpresa? Se o mercado já precifica o conteúdo da ata, o efeito sobre a decisão não é informação nova.
  5. A conclusão depende do LLM? Sinal e significância são estáveis entre Claude, Gemini e OpenAI?

A auditoria que reorientou o projeto

A versão inicial deste trabalho estimava a Regra de Taylor com o índice agregado herdado. Uma auditoria do corpus revelou duas coisas — uma tranquilizadora e uma que exigiu refazer a escoragem:

WarningO que a auditoria encontrou

Sem vazamento (verificado). A extração já excluía corretamente a seção C das atas, que contém discussão, decisão e votação. E os scores usados são as saídas brutas dos modelos em \([-3, +3]\) — a calibração em p.p. da Selic nunca entrou nesta base.

Truncagem material (corrigida). A extração legada limitava as seções A+B a 4.500 caracteres. O corte atingiu 35 das 48 atas. Entre as atas truncadas, a extração integral recuperou mediana de 6.042 caracteres (máximo de 10.061) — cobertura temporal desigual, com risco de eliminar justamente o conteúdo prospectivo das atas mais longas.

A resposta foi reconstruir o corpus (data/raw/atas_full_cache.json, seções A+B integrais, seção C excluída) e reescorar as 48 atas em dimensões separadas, com cada justificativa vinculada a um identificador de parágrafo (P01, P02, …) para auditabilidade.

O índice prospectivo em quatro dimensões

Dimensão O que mede
tom_retrospectivo Leitura dos dados e condições já observadas
orientacao_prospectiva Indicação explícita sobre a postura monetária futura
balanco_riscos_inflacao Assimetria dos riscos para a inflação
confianca Grau de clareza da classificação (diagnóstico de validade)

Metodologia — CRISP-DM

Fase Aplicação no Projeto
1. Entendimento do Negócio Regra de Taylor forward-looking com suavização (@taylor1993; @clarida2000). Hipótese testável: o tom adiciona poder explicativo além de hiato e desvio de inflação — e, na rodada revisada, se esse conteúdo é antecipação ou surpresa
2. Entendimento dos Dados Cinco blocos: Selic (SGS 432); corpus integral das atas; Focus IPCA 12m suavizada; hiato (IBC-Br, SGS 24364); Questionário Pré-Copom (42 edições quantitativas, reuniões 238+). A unidade é a reunião do Copom (232–279), não o mês
3. Preparação dos Dados 01_build_base.py monta base_taylor.csv (48 reuniões). 09_prepare_forward_texts.py reconstrói o corpus A+B sem truncagem. 14/15_* coletam o QPC e constroem a surpresa da decisão. Cache incremental por fonte
4. Modelagem OLS com erros HAC (Newey-West, 2 defasagens) como referência; TSLS e GMM em dois passos para endogeneidade; filtro de Kalman como hiato alternativo; VAR e VECM como exploratórios; regressões móveis para estabilidade; bootstrap (5.000 réplicas) e leave-one-out na especificação de surpresa
5. Avaliação Significância de \(\hat{\delta}\); ganho de \(\bar{R}^2\); decomposição por dimensão textual; identidade decisão = expectativa + surpresa; robustez ao provedor de LLM e à fonte do hiato; validação cega por dois agentes independentes
6. Implantação Paper reprodutível em Quarto + LaTeX; base regenerável apagando o cache; CHANGELOG + versions/

Arquitetura

flowchart LR
  subgraph Corpus["Corpus reconstruído"]
    ATAS[(atas_full_cache.json<br>seções A+B integrais<br>seção C excluída)]
  end

  subgraph Coleta["Coleta via API BCB"]
    SGS432[(SGS 432<br>meta Selic)]
    FOCUS[(Focus IPCA 12m)]
    META[(SGS 13521<br>meta de inflação)]
    IBC[(SGS 24364<br>IBC-Br dessaz.)]
    QPC[(Questionário Pré-Copom<br>42 edições)]
  end

  ATAS --> SCORE[["Escoragem 3 LLMs<br>4 dimensões · evidência por parágrafo"]]
  SCORE --> VALID{{"Validação cega<br>2 agentes independentes"}}
  VALID --> BUILD
  SGS432 --> BUILD
  FOCUS --> BUILD
  META --> BUILD
  IBC --> BUILD

  BUILD[["base_taylor.csv<br>48 reuniões"]] --> EST

  subgraph EST["Estimação"]
    M01["M0 / M1<br>contemporânea"]
    M2["M2 antecedente<br>por dimensão"]
    IV["TSLS / GMM"]
    KAL["hiato Kalman"]
    DIN["VAR · VECM · rolling"]
  end

  QPC --> SURP[["Surpresa monetária<br>decisão − expectativa QPC"]]
  M2 --> SURP
  SURP --> DEC["Identidade:<br>decisão = expectativa + surpresa"]

  EST --> PDF([Quarto Render PDF])
  DEC --> PDF

1. Especificações

1.1 Regra de Taylor contemporânea

\[ i_t = \rho\, i_{t-1} + (1-\rho)\big[\alpha + \beta\,(\pi^e_t - \pi^*_t) + \gamma\,\text{hiato}_t\big] + \delta\, S^z_t + \varepsilon_t \]

1.2 Especificação antecedente dinâmica

\[ \Delta i_{t+1} = c + \phi\,\Delta i_t + \beta\,\text{desvio}_t + \gamma\,\text{hiato}_t + \delta\, S^z_t + \varepsilon_{t+1} \]

O controle por \(\Delta i_t\) é o teste decisivo: sem ele, a ata parece prever a próxima reunião apenas porque acompanha a decisão corrente.

1.3 Decomposição da surpresa

Com a expectativa do QPC coletada antes da reunião, vale a identidade contábil:

\[ \underbrace{\Delta i_{t+1}}_{\text{decisão realizada}} = \underbrace{E^{QPC}_t[\Delta i_{t+1}]}_{\text{expectativa}} + \underbrace{u_{t+1}}_{\text{surpresa}} \]

Estimar a mesma regressão sobre cada componente separa sinalização (o índice move a expectativa) de choque (o índice move a surpresa).

2. Resultados

2.1 A Regra de Taylor contemporânea

O sentimento sobrevive aos controles com folga. Comparação M0 (baseline) → M1 (aumentada), \(n = 47\), erros HAC:

Modelo \(\hat{\delta}\) (sentimento) \(p\)-valor \(\bar{R}^2\)
M0 — Baseline — — 0,9932
M1 — Aumentada +0,283 \(< 0{,}001\) 0,9960

O coeficiente do sentimento padronizado é +0,283 p.p. por desvio-padrão (EP HAC 0,056; IC 95% [0,169; 0,396]). O desvio da inflação cai de \(\hat\beta = 0{,}669\) para \(0{,}415\) quando o tom entra — parte do que se atribuía aos fundamentos observáveis estava, na verdade, na linguagem.

NoteEstabilidade temporal

Regressões móveis com janela de 24 reuniões: o coeficiente do sentimento é positivo em 100% das janelas e significante a 5% em 95,8% delas (23 de 24). Com janelas de 28 e 32 reuniões, a proporção significativa vai a 100%. Não é artefato de subperíodo.

2.2 Antecedência: o controle que desfaz o resultado bruto

Sem controlar a decisão corrente, o sentimento parece prever a próxima reunião (\(\hat\delta = +0{,}509\), \(p < 0{,}001\)). Com o controle, o efeito evapora:

Especificação M2 \(\hat{\delta}\) \(p\)-valor \(\bar{R}^2\)
M2a — sem controlar \(\Delta i_t\) +0,509 \(< 0{,}001\) 0,440
M2b — dinâmica, com \(\Delta i_t\) +0,045 0,407 0,837

A “antecedência” do índice agregado era contemporaneidade disfarçada. TSLS e GMM em dois passos (instrumentando os quatro regressores com defasagens 1 e 2) confirmam: \(\hat\delta = -0{,}066\) (\(p = 0{,}64\)) e \(-0{,}104\) (\(p = 0{,}47\)), com o teste J de Hansen não rejeitando as sobreidentificações (\(p = 0{,}49\)).

2.3 A decomposição resolve o enigma

O índice agregado falha porque mistura objetos econômicos distintos. Separando as dimensões na especificação dinâmica (dependente: ΔSelic em \(t+1\); controles: \(\Delta i_t\), desvio de inflação, hiato Kalman):

Dimensão textual \(\hat{\delta}\) EP HAC \(p\)-valor
Sentimento legado (agregado) +0,045 0,053 0,407
Tom retrospectivo +0,102 0,065 0,127
Orientação prospectiva −0,022 0,046 0,642
Balanço de riscos de inflação +0,146 0,042 0,001

O conteúdo antecedente está concentrado no balanço de riscos — não na orientação prospectiva explícita, que seria o candidato intuitivo. Na especificação decomposta (as três dimensões juntas), o balanço de riscos mantém +0,129 (\(p = 0{,}006\)) e a orientação prospectiva vira negativa e significante (−0,101, \(p = 0{,}006\)), sugerindo que as duas dimensões capturam informações parcialmente opostas.

Robustez ao provedor: o sinal é positivo nos três LLMs, com significância individual para Claude (+0,132, \(p = 0{,}002\)) e Gemini (+0,124, \(p < 0{,}001\)); OpenAI mantém o sinal (+0,076) mas não a significância (\(p = 0{,}148\)).

2.4 Validação cega por agentes independentes

Antes de levar o índice a sério, dois agentes classificaram independentemente 12 atas do piloto, sem acesso aos scores dos provedores:

Comparação (balanço de riscos) Spearman Concordância de sinal
Agente A × Agente B 0,954 100%
Consenso dos agentes × ensemble dos LLMs 0,777 75%

Entre os três LLMs no corpus completo (48 atas), o balanço de riscos tem concordância de sinal entre 91,7% e 97,9% — a dimensão mais estável das quatro.

2.5 O teste decisivo: sinalização ou surpresa?

Usando as 42 edições quantitativas do QPC, a decomposição da identidade contábil (coeficientes em pontos-base por desvio-padrão do balanço de riscos, controles macro parcimoniosos, erros HAC):

Componente Coeficiente (pb) \(p\)-valor \(\bar{R}^2\)
Decisão realizada +12,9 \(< 0{,}01\) 0,885
Expectativa média do QPC +13,3 \(< 0{,}01\) 0,919
Surpresa (resíduo) −0,4 0,872 −0,042

\[ \underbrace{12{,}916}_{\text{decisão realizada}} = \underbrace{13{,}333}_{\text{expectativa QPC}} + \underbrace{(-0{,}417)}_{\text{surpresa}} \]

ImportantO resultado central

O efeito é integralmente absorvido pela expectativa. O bootstrap com 5.000 réplicas coloca o efeito sobre a expectativa entre +5,7 e +20,9 pb (probabilidade de ser positivo: 99,9%), e todas as estimativas leave-one-out permanecem positivas. Já a surpresa tem IC bootstrap de [−5,9; +4,5] pb — indistinguível de zero.

O índice também não reduz o desacordo do mercado: não há efeito significativo sobre a dispersão nem sobre a entropia das respostas do QPC. A comunicação sinaliza a direção da política sem estreitar o consenso — e sem gerar choque monetário autônomo.

2.6 Dinâmica multivariada (exploratória)

VAR na frequência das reuniões (ordenação recursiva com sentimento por último, 1 defasagem por AIC/BIC/HQIC/FPE, sistema estável, teste de whiteness \(p = 0{,}74\)) e VECM em níveis com posto 1 produzem respostas positivas ao choque de sentimento, mas com intervalos que atravessam zero. Consistente com a leitura principal: sem evidência de choque autônomo.

3. Discussão

Os resultados formam um padrão coerente:

  1. Associação contemporânea forte e estável — sob hiato HP e Kalman, e em praticamente todas as janelas móveis.
  2. Antecedência bruta é ilusória — desaparece ao controlar a decisão corrente.
  3. A dimensão importa — o conteúdo antecedente está no balanço de riscos, não na orientação prospectiva.
  4. A expectativa absorve o efeito — +13,3 pb sobre o consenso do QPC.
  5. Não há previsão da surpresa — o resíduo é pequeno e impreciso.
  6. Robustez à endogeneidade — TSLS e GMM não recuperam coeficiente diferente de zero.
  7. Dinâmica multivariada imprecisa — VAR e VECM com IC atravessando zero.

A leitura econômica: a linguagem do Copom descreve bem a postura contemporânea e a assimetria de riscos carrega sinal sobre a próxima decisão — mas esse sinal já está incorporado às expectativas do mercado antes de a decisão acontecer. É sinalização compartilhada, não informação privada revelada.

Limitações

  • O score contemporâneo vem de ata publicada depois da decisão — associação explicativa, não causalidade.
  • A amostra tem 48 reuniões e atravessa regimes de política monetária muito distintos.
  • Hiato e sentimento parecem estacionários; os testes para desvio da inflação e ΔSelic são inconclusivos.
  • O VECM mistura variáveis com ordens de integração possivelmente diferentes e tem posto de cointegração instável — por isso é apresentado como exploratório.
  • Janelas móveis sobrepostas geram coeficientes serialmente dependentes.
  • O filtro HP sofre viés de ponta (end-point bias); daí o hiato alternativo por Kalman.
  • A validação usa dois agentes independentes, não avaliadores humanos especialistas — replicação externa permanece desejável.

Estrutura do Projeto

Taylor_Sentimento/
│
├── taylor_sentimento_IA_base.qmd    # paper técnico reprodutível
├── NOVA_ABORDAGEM.md                # desenho do índice prospectivo
├── referencias.bib · AM.png
│
├── scripts/
│   ├── 01_build_base.py             # base na frequência de reunião
│   ├── 02_estima_referencia.py      # M0 / M1, OLS + HAC, parâmetros estruturais
│   ├── 03_estima_m2.py              # antecedente (referência e dinâmica)
│   ├── 04_robustez_iv_gmm_m2.py     # TSLS e GMM em dois passos
│   ├── 05_reestima_hiato_kalman.py  # hiato por modelo estrutural
│   ├── 06_var_irf_sentimento.py     # VAR + IRFs
│   ├── 07_vecm_irf_sentimento.py    # VECM exploratório
│   ├── 08_rolling_sentimento.py     # regressões móveis
│   ├── 09_prepare_forward_texts.py  # corpus A+B integral (sem LLM)
│   ├── 10–13_*.py                   # escoragem prospectiva, reestimação, validação
│   └── 14–17_*.py                   # QPC: coleta, surpresa, estimação
│
├── data/
│   ├── base_taylor.csv              # 48 reuniões
│   ├── raw/                         # caches de API + corpus + QPC (42 edições)
│   ├── pilot/                       # piloto, schema e dupla codificação
│   └── results/                     # CSVs de coeficientes e diagnósticos
│
├── figures/                         # IRFs e rolling
├── CHANGELOG.md · versions/
└── portfolio/                       # ESTA ficha + capa

Tecnologias

Camada Tecnologia
Renderização Quarto + LaTeX (xelatex)
Pacotes LaTeX booktabs, threeparttable (padrão JEL/AER)
Linguagem Python 3.11+
Inferência estatística statsmodels (OLS, HAC/Newey-West, HP, Kalman/UnobservedComponents, VAR, VECM, GMM)
Manipulação de dados pandas, numpy
Coleta de dados python-bcb (SGS, Focus), requests, openpyxl (QPC)
Escoragem por LLM LangChain + Pydantic (Claude, Gemini, OpenAI) sob schema estruturado
Visualização plotnine
Índice de sentimento Reconstruído a partir do corpus integral; base legada herdada do Sentimento COPOM

Como Executar Localmente

Pré-requisitos

  • Python 3.11+ · Quarto ≥ 1.4 · TinyTeX / TeX Live (xelatex)
  • Chaves de API (Anthropic, Google, OpenAI) apenas para reescorar as atas; o fluxo de estimação usa os scores já persistidos.

Instalação

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Pipeline

# 1) Base na frequência de reunião
python scripts/01_build_base.py

# 2) Estimações de referência e robustez
python scripts/02_estima_referencia.py
python scripts/03_estima_m2.py
python scripts/04_robustez_iv_gmm_m2.py
python scripts/05_reestima_hiato_kalman.py

# 3) Dinâmica e estabilidade
python scripts/06_var_irf_sentimento.py
python scripts/07_vecm_irf_sentimento.py
python scripts/08_rolling_sentimento.py

# 4) Índice prospectivo (corpus integral)
python scripts/09_prepare_forward_texts.py
python scripts/12_reestimate_forward_index.py

# 5) Surpresa monetária via QPC
python scripts/15_build_qpc_surprise.py
python scripts/16_estimate_qpc_surprise.py
python scripts/17_estimate_qpc_expectation.py

# 6) Paper
quarto render taylor_sentimento_IA_base.qmd --to pdf

Próximos Passos

  1. Preços intradiários de DI — separar a surpresa da decisão da surpresa de comunicação em janelas estreitas ao redor da publicação da ata. É a extensão prioritária: sem ela, o teste de surpresa depende do QPC, que é pré-reunião mas não intradiário.
  2. Projeção local — estimar a resposta dinâmica por local projections, mais parcimoniosas que VAR/VECM com \(n = 48\).
  3. Validação com especialistas humanos — replicar a dupla codificação cega com avaliadores externos.
  4. Sentimento ortogonalizado — usar o resíduo do tom (controlando expectativas Focus) para isolar a surpresa de comunicação.
  5. Hiato oficial da IFI — robustez adicional contra HP e Kalman.
  6. Edição do leitor — taylor_sentimento_IA_publico.qmd (echo: false).

Referências

  • Clarida, R.; Galí, J.; Gertler, M. (2000). Monetary Policy Rules and Macroeconomic Stability: Evidence and Some Theory. Quarterly Journal of Economics, 115(1), 147–180.
  • Blinder, A. S.; Ehrmann, M.; Fratzscher, M.; De Haan, J.; Jansen, D.-J. (2008). Central Bank Communication and Monetary Policy. Journal of Economic Literature, 46(4), 910–945.
  • Hansen, S.; McMahon, M.; Prat, A. (2018). Transparency and Deliberation Within the FOMC: A Computational Linguistics Approach. Quarterly Journal of Economics, 133(2), 801–870.
  • Hodrick, R. J.; Prescott, E. C. (1997). Postwar U.S. Business Cycles: An Empirical Investigation. Journal of Money, Credit and Banking, 29(1), 1–16.
  • Johansen, S. (1991). Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models. Econometrica, 59(6), 1551–1580.
  • Newey, W. K.; West, K. D. (1987). A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, 55(3), 703–708.
  • Sims, C. A. (1980). Macroeconomics and Reality. Econometrica, 48(1), 1–48.
  • Taylor, J. B. (1993). Discretion versus Policy Rules in Practice. Carnegie-Rochester Conference Series on Public Policy, 39, 195–214.
  • Woodford, M. (2003). Interest and Prices: Foundations of a Theory of Monetary Policy. Princeton University Press.
  • Wirth, R.; Hipp, J. (2000). CRISP-DM: Towards a Standard Process Model for Data Mining.

Projeto-mãe: Sentimento COPOM — Índice de Tom das Atas do Copom com Múltiplos LLMs