Identificação de Bolhas Racionais no Mercado de Câmbio do Irão: Uma Abordagem de Mudança de Regime de Markov

1. Introdução

Este estudo investiga a presença e a dinâmica de bolhas especulativas racionais no mercado de câmbio não oficial do Irão (USD/IRR). O mercado cambial é um componente crítico de qualquer economia, impactando diretamente a competitividade, o comércio, o investimento e a inflação. No Irão, este mercado caracteriza-se por uma elevada volatilidade, influenciada fortemente por choques nas receitas petrolíferas, sanções económicas e comportamento especulativo. O problema central abordado é o desvio da taxa de câmbio em relação ao seu valor fundamental, o que pode levar a crises cambiais se não for controlado pelos decisores políticos. Este artigo visa identificar estes períodos de bolha utilizando um modelo econométrico avançado para fornecer sinais de alerta precoce para uma intervenção mais eficaz das políticas monetária e cambial.

2. Revisão da Literatura & Enquadramento Teórico

2.1. Bolhas Racionais na Precificação de Ativos

O conceito de bolhas racionais tem origem na literatura sobre precificação de ativos, onde o preço de mercado de um ativo se desvia persistentemente do seu valor fundamental, baseado no valor presente dos fluxos de caixa futuros esperados. Numa bolha racional, os agentes estão dispostos a pagar um preço acima dos fundamentos porque esperam vendê-lo a um preço ainda mais elevado no futuro (Blanchard & Watson, 1982). Esta profecia autorrealizável pode levar a trajetórias explosivas de preços.

2.2. Determinação da Taxa de Câmbio & Falhas de Mercado

Os modelos macroeconómicos tradicionais (por exemplo, Abordagem Monetária, Equilíbrio de Portfólio) frequentemente falham em explicar a volatilidade cambial de curto a médio prazo, um quebra-cabeças destacado por Meese e Rogoff (1983). As finanças comportamentais introduzem elementos como o sentimento do investidor, comportamento de manada e ataques especulativos como motores-chave. O "enigma do desacoplamento" sugere que as taxas de câmbio são frequentemente impulsionadas por fatores além dos fundamentos padrão.

2.3. O Contexto do Mercado de Câmbio Iraniano

O mercado cambial do Irão opera num sistema multicamadas com taxas oficiais, secundárias e não oficiais (mercado paralelo). O mercado não oficial, impulsionado por desequilíbrios de oferta e procura, fuga de capitais e expectativas relativamente a sanções e receitas petrolíferas, é altamente suscetível à formação de bolhas. As intervenções do banco central, frequentemente através da venda de divisas provenientes do petróleo, visam estabilizar o mercado, mas podem ser sobrepujadas por pressões especulativas.

3. Metodologia & Especificação do Modelo

3.1. Modelo de Mudança de Regime de Markov com Probabilidades de Transição Variáveis no Tempo (MS-TVTP)

O estudo emprega um modelo de Mudança de Regime de Markov, um modelo de mudança de regime onde a economia pode estar em diferentes estados (por exemplo, calmo, explosivo, colapso). A inovação-chave é o uso de Probabilidades de Transição Variáveis no Tempo (TVTP). Ao contrário dos modelos MS padrão com probabilidades fixas de mudança de estado, a variante TVTP permite que a probabilidade de transição de um regime para outro dependa de variáveis económicas observadas (por exemplo, intensidade das sanções, alterações nas reservas internacionais). Isto torna o modelo mais realista para capturar o impacto de mudanças políticas e choques externos no sentimento do mercado.

3.2. Especificação do Modelo & Identificação de Bolhas

O modelo especifica três regimes distintos para a taxa de câmbio não oficial ($s_t$):

1. Regime Explosivo: Caracterizado por um aumento rápido da taxa de câmbio (depreciação), sinalizando uma bolha.
2. Regime Calmo: Caracterizado por uma tendência suave e estável.
3. Regime de Colapso: Caracterizado por uma correção ou queda acentuada na taxa de câmbio após o rebentamento de uma bolha.

3.3. Dados & Variáveis

A análise utiliza dados mensais de março de 2010 a setembro de 2018. A variável principal é a taxa de câmbio do Dólar Americano contra o Rial Iraniano no mercado não oficial. As probabilidades de transição são modeladas como funções de:

• Índice de Sanções: Um indicador substituto para a pressão económica externa, que aumenta a procura por moedas refúgio.
• Variação das Reservas Internacionais: Indica a capacidade do banco central para intervir e defender a moeda.

4. Resultados Empíricos & Análise

4.1. Estimação do Modelo & Classificação de Regimes

O modelo MS-TVTP foi estimado com sucesso. O gráfico das probabilidades suavizadas mostra claramente a capacidade do modelo em classificar a linha do tempo nos três regimes distintos. O modelo demonstra elevada precisão na identificação de períodos de stress do mercado.

4.2. Identificação de Períodos de Bolha

O modelo identifica vários períodos de bolha explosiva na taxa USD/IRR não oficial:

• Maio de 2011 (5/90)
• Setembro-Outubro de 2011 (9/90 – 10/90)
• Julho de 2012 (7/91)
• Outubro-Novembro de 2012 (10/91 – 11/91)
• Abril de 2013 (4/92)
• Janeiro-Junho de 2018 (1/97 – 6/97)

4.3. Desempenho dos Indicadores de Alerta Precoce

O índice de sanções revelou-se um fator altamente significativo para as transições para o regime explosivo. Um aumento no índice aumentou a probabilidade de o mercado passar de um estado calmo ou de colapso para um estado de bolha explosiva. As variações nas reservas internacionais também foram significativas; um declínio nas reservas (reduzindo a capacidade de intervenção) aumentou a probabilidade de entrar ou permanecer num regime explosivo. Os regimes de colapso tendiam a seguir períodos explosivos e frequentemente coincidiam com forte intervenção do banco central ou alívio temporário das pressões do mercado.

5. Discussão & Implicações

5.1. Ideia Central & Fluxo Lógico

Ideia Central: O valor do Rial Iraniano não é apenas moldado pelos preços do petróleo ou pela oferta monetária; é um campo de batalha psicológico. O génio do artigo reside em formalizar isto: a taxa de câmbio é uma função de regimes de crença. As sanções não apenas estrangulam a economia; elas acionam um interruptor psicológico no mercado, passando de "calmo" para "pânico", iniciando uma bolha racional onde comprar dólares se torna uma tática de sobrevivência, não uma aposta especulativa.

Fluxo Lógico: O argumento é elegante. 1) Os modelos padrão falham (enigma de Meese-Rogoff). 2) Portanto, incorporam-se expectativas e regimes. 3) As sanções e as alterações nas reservas são os indicadores substitutos observáveis que alteram essas expectativas. 4) O modelo MS-TVTP captura isto, identificando janelas precisas de bolha. A lógica é hermética: se se puder modelar o mecanismo de mudança, pode-se prever a bolha.

5.2. Pontos Fortes & Limitações da Abordagem

Pontos Fortes:

• Brilho Pragmático: Contorna a tarefa impossível de medir "fundamentos" numa economia distorcida como a do Irão. Em vez disso, foca-se no processo de desvio, que é mais observável.
• Resultado Pronto para Política: O modelo não diz apenas "há uma bolha"; diz "a probabilidade de entrar numa bolha no próximo mês é X%, impulsionada pelo nível de sanções Y." Isto é informação acionável.
• Validação Empírica: Os períodos de bolha identificados coincidem com crises históricas, conferindo ao modelo uma forte validade aparente.

• Indicadores de Alerta de Caixa Negra: O "índice de sanções" é uma variável construída. A sua composição e ponderação são críticas, mas potencialmente subjetivas. Lixo que entra, lixo que sai.
• Realidade com Atraso: O modelo é estimado com dados históricos. Numa crise de rápida evolução, os indicadores (por exemplo, alterações nas reservas) podem ser divulgados com atraso, reduzindo a utilidade em tempo real.
• Pressuposto de Racionalidade: O quadro da bolha "racional" pode subestimar o pânico puro e o comportamento de manada, que podem ser irracionais e alimentar-se a si próprios mais rapidamente do que qualquer modelo pode captar.

5.3. Recomendações Práticas para os Decisores Políticos

Para o Banco Central do Irão e os comités de estabilidade financeira, esta investigação é um manual tático, não apenas um exercício académico.

1. Monitorizar as Mudanças, Não Apenas o Nível: Mudar o foco do nível absoluto da taxa de câmbio para a probabilidade de mudança de regime. Um mercado calmo com pressão crescente de sanções é um estado pré-explosivo.
2. Conservar Munições Estrategicamente: As reservas internacionais são a principal ferramenta para combater bolhas. O modelo mostra que as intervenções são mais eficazes na fase de "colapso". Gastar reservas no meio de uma bolha explosiva (quando o sentimento é esmagadoramente negativo) é fútil. As intervenções devem ser cronometradas para catalisar a mudança do regime explosivo para o de colapso.
3. Gerir Expectativas como uma Ferramenta Política Central: Uma vez que o mercado é impulsionado por crenças, a comunicação e a credibilidade são fundamentais. Políticas de intervenção transparentes e baseadas em regras podem ajudar a ancorar as expectativas e reduzir a probabilidade de mudança para o regime explosivo. Políticas opacas ou erráticas têm o efeito oposto.
4. Construir um Sistema de Alerta Precoce em Tempo Real: Operacionalizar este modelo. Alimentá-lo com dados em tempo real sobre o fluxo de notícias de sanções (usando PLN em agências de notícias), estimativas quase em tempo real das reservas e indicadores de profundidade do mercado. Isto cria um painel de controlo para a prevenção de crises.

6. Apêndice Técnico

6.1. Formulação Matemática

O núcleo do modelo MS-TVTP pode ser representado da seguinte forma. Seja $s_t$ o logaritmo da taxa de câmbio não oficial. O processo é modelado como:

$\Delta s_t = \mu(S_t) + \epsilon_t, \quad \epsilon_t \sim N(0, \sigma^2(S_t))$

onde $S_t \in \{1,2,3\}$ denota o regime não observado (1=Calmo, 2=Explosivo, 3=Colapso). A transição entre regimes é governada por uma matriz de probabilidade $P_t$, onde cada elemento $p_{ij,t} = Pr(S_t = j | S_{t-1} = i)$ é variável no tempo.

Estas probabilidades variáveis no tempo são modeladas usando uma especificação logit multinomial:

$p_{ij,t} = \frac{\exp(\theta_{ij} + \beta_{ij}' Z_{t-1})}{\sum_{k=1}^{3} \exp(\theta_{ik} + \beta_{ik}' Z_{t-1})}$

onde $Z_{t-1}$ é um vetor de indicadores de alerta precoce (por exemplo, índice de sanções, variação das reservas) no momento $t-1$, e $\theta_{ij}, \beta_{ij}$ são parâmetros a estimar. Esta configuração permite que a probabilidade de transição para um regime de bolha dependa diretamente de pressões económicas observáveis.

6.2. Exemplo do Quadro de Análise

Cenário: Um analista do Banco Central do Irão pretende avaliar o risco de formação de uma bolha especulativa no próximo trimestre.

Aplicação do Quadro:

1. Entrada de Dados: Recolher os valores mais recentes para o Índice de Sanções (por exemplo, derivado da análise de sentimento de notícias dos principais meios de comunicação ocidentais e declarações governamentais) e a variação mensal das reservas de divisas.
2. Consulta ao Modelo: Introduzir estes valores no modelo MS-TVTP estimado. O modelo utiliza o estado de regime inferido atual (a partir dos dados mais recentes da taxa de câmbio) e os valores de entrada $Z_t$.
3. Interpretação do Resultado: O modelo produz as probabilidades de estar em cada um dos três regimes no próximo período. Por exemplo:
   • $Pr(Calmo) = 0.15$
   • $Pr(Explosivo) = 0.80$
   • $Pr(Colapso) = 0.05$
4. Conclusão Acionável: Uma probabilidade de 80% de entrar no regime explosivo é um sinal de alerta. O relatório do analista destacaria que, dada a atual elevada pressão de sanções e o declínio das reservas, o mercado tem uma elevada probabilidade de entrar numa fase de bolha. Isto desencadeia uma recomendação para o banco central preparar planos de contingência, considerar uma comunicação preventiva para gerir expectativas e rever a estratégia de utilização das reservas.

7. Aplicações Futuras & Direções de Investigação

A metodologia e os insights deste estudo têm ampla aplicabilidade para além do contexto específico do Irão.

• Outras Economias Sancionadas ou Frágeis: O modelo pode ser adaptado para países como a Venezuela, a Rússia ou a Turquia, onde os riscos geopolíticos e a volatilidade dos fluxos de capitais criam dinâmicas semelhantes. A chave é identificar os indicadores de alerta precoce locais corretos (por exemplo, índice de estabilidade política, volatilidade dos preços das matérias-primas).
• Mercados de Criptomoedas: Os mercados de criptomoedas são notoriamente propensos a bolhas impulsionadas pelo sentimento e notícias regulatórias. Um modelo MS-TVTP utilizando o sentimento das redes sociais, índices de anúncios regulatórios e métricas on-chain poderia ser poderoso para identificar regimes de bolha no Bitcoin ou Ethereum.
• Integração com Aprendizagem Automática: Trabalhos futuros poderiam substituir a especificação logit para as probabilidades de transição por um classificador de aprendizagem automática (por exemplo, Random Forest, Rede Neural) para capturar relações mais complexas e não lineares entre indicadores e mudanças de regime.
• Desenvolvimento de Painel de Controlo em Tempo Real: O próximo passo lógico é construir um painel de controlo de software que ingira fluxos de dados em tempo real, execute o modelo continuamente e alerte visualmente os decisores políticos sobre o aumento das probabilidades de bolha, semelhante a um "mapa meteorológico da estabilidade financeira".
• Simulação de Políticas: O modelo poderia ser usado para simular o impacto de diferentes ações políticas (por exemplo, uma grande injeção de reservas, uma alteração nas taxas de juro) nas probabilidades de transição, ajudando a avaliar a eficácia potencial das ferramentas políticas antes da sua implementação.

8. Referências

1. Blanchard, O. J., & Watson, M. W. (1982). Bubbles, rational expectations and financial markets. In P. Wachtel (Ed.), Crises in the Economic and Financial Structure. Lexington Books.
2. Meese, R. A., & Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1-2), 3-24.
3. Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384.
4. Filardo, A. J. (1994). Business-cycle phases and their transitional dynamics. Journal of Business & Economic Statistics, 12(3), 299-308.
5. Taiebnia, A., Mehraara, M., & Akhtari, A. (2019). [Bolhas Racionais e Ataques Especulativos no Mercado de Câmbio Não Oficial do Irão com Modelo de Mudança de Regime de Markov com Probabilidades de Transição Variáveis no Tempo]. Scientific-Research Quarterly Journal of Economic Research, 19(74), 111-164. (Publicação Original em Persa).
6. International Monetary Fund. (2023). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). Retrieved from IMF eLibrary.
7. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27. (Citado como um exemplo de técnicas de modelação avançadas aplicáveis à deteção de regimes).