10 de agosto de 2026
Fatores determinantes para a formação das taxas de juros oferecidas por Instituições Financeiras Brasileiras
Alexandre José Duarte Silva; Raissa Silveira De Farias
DOI: 10.22167/2675-6528-202600491
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
O custo do crédito no Brasil representa um entrave significativo ao desenvolvimento econômico, afetando tomadores e instituições financeiras. Este estudo buscou identificar as relações entre os principais indicadores econômicos e financeiros e as taxas médias de juros praticadas pelas instituições financeiras brasileiras, além de formular equações de regressão para estimar essas taxas. Utilizaram-se dados de taxas médias de juros, inadimplência e indicadores econômicos/financeiros de bases oficiais como o Sistema Gerenciador de Séries Temporais (SGS) do Banco Central do Brasil, IBGE, CNI e Tesouro Nacional, abrangendo o período de março de 2012 a dezembro de 2025. A análise estatística e a formulação das equações de regressão linear múltipla foram realizadas com a linguagem Python. Os resultados revelaram altas correlações entre os indicadores econômicos/financeiros e as taxas médias de juros, com elevados coeficientes de determinação. Os modelos de regressão linear múltipla desenvolvidos explicaram mais de 90% da variação das taxas médias para diversas modalidades de crédito, demonstrando elevada capacidade preditiva. Concluiu-se que a compreensão da formação das taxas de juros requer análise individualizada por modalidade. Os modelos desenvolvidos representam um instrumento valioso para o planejamento financeiro de instituições e tomadores de crédito, além de subsidiar decisões governamentais.
Palavras-chave: Capital de terceiros; Financiamento; Indicadores econômicos; Orçamento; Taxas de juros.
1. Introdução
O acesso ao crédito é um pilar fundamental para o desenvolvimento econômico de um país. Um sistema financeiro eficiente é crucial para que indivíduos e empresas obtenham os recursos necessários, possibilitando investimentos e consumo, e garantindo a devida restituição dos valores aos financiadores. No entanto, o custo do crédito no Brasil representa um desafio significativo, sendo um dos principais entraves ao crescimento econômico. Uma parcela considerável das empresas brasileiras ainda utiliza capital de alto custo, o que impacta diretamente sua competitividade e capacidade de expansão.
No contexto brasileiro, a oferta de crédito é frequentemente escassa, especialmente para pequenos negócios e tomadores que possuem capacidade limitada de oferecer garantias. Além disso, observa-se uma elevada concentração da participação de mercado em poucos financiadores, predominantemente grandes bancos, o que pode gerar imperfeições no mercado financeiro e assimetrias de informação (Moura, 2015). Apesar desses desafios, o saldo de crédito concedido a famílias e empresas apresentou um crescimento notável de 27,7% do Produto Interno Bruto (PIB) entre 2005 e 2025. O crédito do setor público brasileiro, por sua vez, corresponde a 55,94% do PIB (BCB, 2026), evidenciando a relevância da atuação estatal no setor.
A compreensão dos fatores que determinam as taxas de juros é essencial para o planejamento financeiro de tomadores e instituições. Estudos sobre a demanda e a oferta de crédito bancário no Brasil, como o de Mendonça e Sachsida (2013), indicam a complexidade das interações econômicas e de mercado. Fatores como a inadimplência e a taxa de desocupação impactam negativamente a demanda por crédito, enquanto a inflação, medida pelo Índice de Preços ao Consumidor Amplo (IPCA), influencia as taxas de juros. O elevado “spread” bancário no Brasil, conforme Oliveira e Carvalho (2016), é atribuído a fatores como o custo de oportunidade dos retornos dos títulos públicos, a alta inadimplência, os custos operacionais e a baixa liquidez. A estabilidade econômica brasileira, com baixa inflação e investimentos do Banco Nacional de Desenvolvimento Econômico e Social (BNDES), tem sido fundamental para o crescimento do crédito (Ivo et al., 2016).
A gestão eficaz das despesas por parte das instituições financeiras é vital para manter a solvência (Málaga, 2012). A Necessidade de Investimento em Giro (NIG), por exemplo, pode ser financiada por crédito de curto prazo, mas recursos de longo prazo, embora mais onerosos, podem ser necessários para sustentar a atividade empresarial (Málaga, 2012). A concorrência e o surgimento de “fintechs” também exercem pressão sobre a formação das taxas de juros (Amstalden, 2020). O “spread” bancário, que representa a diferença entre as taxas pagas aos depositantes e as cobradas dos tomadores, é composto por custos administrativos, impostos diretos e indiretos, e depósitos compulsórios (Amstalden, 2020).
Apesar da importância do tema, a maioria dos estudos sobre a formação das taxas de juros tende a abordá-lo de forma agregada, sem considerar as particularidades de cada modalidade de crédito. Essa lacuna impede uma compreensão mais aprofundada de como as taxas são formadas e quais indicadores específicos influenciam cada tipo de operação, limitando a capacidade de previsão e gestão mais precisa do custo do crédito.
A aplicabilidade prática deste estudo é vasta, beneficiando tanto as instituições financeiras quanto os tomadores de crédito e os órgãos governamentais. Para as instituições, o trabalho oferece maior previsibilidade no planejamento orçamentário, subsidiando processos de precificação mais assertivos e auxiliando na priorização de modalidades com maior retorno financeiro e posicionamento competitivo. Para os tomadores de crédito, especialmente pessoas jurídicas, as estimativas de taxas de juros futuras são relevantes para decisões de financiamento, antecipação ou adiamento de projetos e escolha das linhas de crédito mais adequadas à sua estrutura de capital. Além disso, os resultados são úteis para órgãos governamentais que buscam influenciar a variação de variáveis correlacionadas às taxas de juros, visando controlar modalidades específicas para aumentar contratações ou restringir o crédito em períodos de superaquecimento da economia. Diante desse cenário, o presente estudo tem como objetivo identificar as relações entre os principais indicadores econômicos e financeiros e as taxas médias de juros cobradas pelas instituições financeiras brasileiras, considerando as diversas modalidades de crédito, e formular modelos para estimar essas taxas e avaliar sua eficiência e assertividade.
2. Material e Métodos
O presente estudo caracterizou-se como uma pesquisa de natureza quantitativa, com abordagem descritiva e explicativa, visando identificar relações e formular modelos preditivos. A unidade de análise consistiu nas taxas médias de juros e nos índices de inadimplência referentes às operações de crédito realizadas pelas instituições financeiras brasileiras. O período de análise da série histórica contemplou os dados de março de 2012 a dezembro de 2025, determinado pela disponibilidade das bases de dados utilizadas.
Os dados foram coletados de bases de dados oficiais e públicas. As taxas médias de juros e os índices de inadimplência, apurados mensalmente para cada modalidade de crédito, foram obtidos no Sistema Gerenciador de Séries Temporais (SGS), mantido pelo Banco Central do Brasil (BCB). A consulta foi realizada na homepage do sistema, selecionando o tema “Estatísticas de crédito” e o subtema “Taxas de juros – % a.a. e Atrasos e Inadimplência / Taxas de juros e inadimplência com recursos livres e com recursos direcionados” (BCB, 2026).
Além das taxas médias de juros e inadimplência por modalidade de crédito, foram utilizados 18 indicadores econômicos e financeiros como variáveis preditoras. Esses indicadores foram obtidos mediante pesquisa em bases de dados de instituições como o SGS do Banco Central, o Instituto Brasileiro de Geografia e Estatística (IBGE), a Confederação Nacional da Indústria (CNI) e o Tesouro Nacional. As variáveis consideradas foram detalhadas no TCC original.
Para avaliar a relação entre os movimentos das taxas de juros das diversas modalidades de crédito e a variação dos índices econômicos/financeiros e de inadimplência, utilizou-se o coeficiente de correlação de Pearson (Costa Neto, 2002). Este coeficiente, adimensional, foi calculado para as taxas médias de cada modalidade de crédito em relação ao seu respectivo índice de inadimplência e aos indicadores econômicos/financeiros selecionados, com detalhamento para as quatro maiores modalidades por segmento em saldo de concessão e uma análise agregada.
A técnica estatística de regressão linear múltipla foi empregada para estimar o valor da variável dependente (taxas médias de juros) a partir dos valores de duas ou mais variáveis independentes (Anderson et al., 2003). Essa abordagem permitiu a formulação de equações de regressão para cada modalidade de crédito, visando a estimação das taxas médias.
Na formulação dos modelos de regressão, considerou-se a questão da multicolinearidade, que ocorre quando variáveis preditoras apresentam alto nível de correlação entre si (Guajarati e Porter, 2011). Para mitigar esse problema e definir a contribuição individual de cada variável, utilizou-se o coeficiente Parcial, que mede o nível de explicação que uma variável fornece à dependente (Curto, 2023).
Para obter a equação mais adequada para cada modalidade de crédito, foram executadas três etapas. Primeiramente, estimou-se a regressão com as 18 variáveis independentes e o índice de inadimplência. Em seguida, calculou-se a matriz de correlação e os coeficientes parciais, excluindo variáveis com correlação superior a 0,8 em valor absoluto e mantendo as de maior coeficiente parcial. Por fim, foram removidas as variáveis independentes que não passaram no teste bicaudal de “t”, com nível de confiança de 95% (p-valor superior a 0,05).
A significância estatística da relação entre a variável dependente e o conjunto das variáveis independentes foi avaliada pelo teste F. A significância de cada variável independente isoladamente foi verificada pelo teste t. A proporção da variação da variável dependente explicada pela equação de regressão foi aferida pelo coeficiente múltiplo de determinação ajustado (R²), indicando a porcentagem de variação explicada (Anderson et al., 2003).
Todo o processo de coleta, tratamento e análise de dados foi realizado utilizando a linguagem de programação Python. Para isso, empregaram-se pacotes específicos como Pandas e Numpy para manipulação e análise de dados. O desenvolvimento dos códigos e a execução dos processos estatísticos foram conduzidos no ambiente PyCharm, utilizando o pacote Statsmodels para as análises de regressão e modelagem.
3. Resultados e Discussão
A presente seção detalha os achados da pesquisa, interpretando as relações identificadas entre os indicadores econômicos e financeiros e as taxas médias de juros das modalidades de crédito no Brasil. Os resultados demonstram a existência de relações significativas e variadas, com intensidades distintas entre as modalidades, corroborando a premissa de que a formação das taxas de juros é um fenômeno complexo e multifacetado. A análise aprofundada permitiu a formulação de modelos de regressão linear múltipla, que se mostraram eficientes na estimação dessas taxas, contribuindo para uma compreensão mais granular do custo do crédito no cenário brasileiro.
Inicialmente, observou-se que a variação em um grupo específico de indicadores econômicos e financeiros possui uma relação mais intensa com a variação nas taxas médias de uma determinada modalidade de crédito. Essa constatação ressalta a importância de uma abordagem individualizada, em contraste com estudos que tratam a formação das taxas de juros de forma agregada. A compreensão dessas relações é crucial para o planejamento estratégico de instituições financeiras e tomadores de crédito, permitindo decisões mais informadas sobre financiamentos e precificação de produtos.
Estudo do coeficiente de correlação
O coeficiente de correlação de Pearson foi empregado para qualificar e quantificar a intensidade da relação existente entre as variações dos indicadores econômicos e financeiros selecionados e as taxas médias de juros. Verificou-se que o coeficiente não é suficiente para determinar se os indicadores impactam a formação das taxas médias ou se estas impactam os indicadores, ou ainda se ambas as variáveis sofrem variação em decorrência de uma terceira variável não detectada. Essa limitação da investigação demanda uma interpretação cautelosa, focada na identificação de tendências e associações, e não em causalidades diretas.
A análise da média dos valores absolutos dos coeficientes de correlação revelou que a variação de determinados indicadores foi mais intensa do que a de outros, considerando todas as modalidades estudadas. A Taxa Selic, por exemplo, apresentou o maior coeficiente médio de 0,605, indicando uma forte associação com as taxas de juros. Em contrapartida, as emissões líquidas da dívida pública federal exibiram o menor coeficiente médio, com 0,054, sugerindo uma influência menos pronunciada na formação das taxas de juros.
As relações encontradas reforçam a ideia de que mudanças nos indicadores econômicos e financeiros tendem a impactar o nível dos juros cobrados pelas instituições financeiras, conforme apontado por Oreiro et al. (2006). Esses autores destacam que fatores como o nível da taxa de juros e a incerteza no ambiente macroeconômico são causas importantes para os elevados “spreads” bancários no Brasil. A presente pesquisa, ao detalhar essas relações por modalidade, oferece uma perspectiva mais refinada sobre esses impactos.
O sentido da relação entre os indicadores econômicos e financeiros e as taxas de juros divergiu entre as modalidades de crédito. Alguns indicadores apresentaram maior tendência a um sentido positivo, como a Taxa Selic, enquanto outros, como o Índice de Capital Principal no Sistema Financeiro Nacional (CAPPRISFN), mostraram uma tendência negativa. Essa diversidade de comportamentos sublinha a necessidade de uma análise individualizada para cada tipo de operação de crédito, considerando suas características e o público-alvo.
A inadimplência, um fator crucial na precificação do crédito, demonstrou uma relação complexa com as taxas de juros. Em geral, o aumento dos índices de inadimplência tende a elevar as taxas médias cobradas pelas instituições, pois estas precisam cobrir as perdas incorridas em função do não pagamento por parte dos devedores. Esse movimento de aumento da inadimplência pode ser uma consequência da maior pressão sobre os devedores, que comprometem maior parcela da sua renda no pagamento dos juros em função da elevação das taxas cobradas.
Os resultados obtidos são consistentes com estudos anteriores, como o de Oreiro et al. (2006), que indicaram que a inadimplência representou entre 18,73% e 20,41% do “spread” bancário no Brasil no período de 2000 a 2003. Mais recentemente, a Federação Brasileira de Bancos (Febraban, 2025) apontou que a inadimplência correspondeu a 25% do custo do crédito no ano de 2024, reforçando a relevância desse fator na composição das taxas.
Contrariando o senso comum de mercado, algumas modalidades de crédito apresentaram correlação negativa entre a variação das taxas de juros e a inadimplência. Esse fenômeno foi predominantemente observado nos segmentos direcionados de crédito, como as linhas com recursos do BNDES, crédito rural e financiamentos imobiliários com taxas reguladas. Uma possível explicação para essa aparente contradição reside na alta regulação dessas modalidades, que impõe limites às taxas cobradas pelas instituições, restringindo o repasse das perdas com inadimplência.
Um exemplo notável dessa situação é a linha de crédito consignado do INSS, cuja taxa de juros está sujeita a um limite fixado periodicamente pelo Conselho Nacional de Previdência Social. Essa modalidade apresentou um coeficiente de correlação de -0,507, indicando que, mesmo com o aumento da inadimplência, as taxas de juros não se elevam proporcionalmente devido às restrições regulatórias. Outro fator importante é o descasamento entre as variações das taxas médias de juros, que consideram apenas as novas concessões, e os índices de inadimplência, calculados com base em todo o estoque da carteira de crédito.
Estimação das taxas médias através da regressão múltipla
A técnica de regressão linear múltipla foi empregada para estimar o valor da variável dependente (taxas médias de juros) a partir de múltiplas variáveis independentes (indicadores econômicos/financeiros e índices de inadimplência). O processo de estimação seguiu três etapas rigorosas para garantir a obtenção de equações com maior poder preditivo e compostas apenas por variáveis estatisticamente significantes. A primeira etapa envolveu a estimação da equação de regressão para cada modalidade, considerando todas as 18 variáveis independentes e o índice de inadimplência associado.
Na segunda etapa, calculou-se a matriz de correlação com todas as variáveis independentes e seus respectivos coeficientes parciais. Foram excluídas do modelo as variáveis independentes cuja correlação com as demais foi superior a 0,8 em valor absoluto, mantendo aquelas cujo coeficiente de correlação parcial foi maior que seu par. Este procedimento visou mitigar problemas de multicolinearidade, que, conforme Guajarati e Porter (2011), podem levar a erros padrão mais elevados e imprecisão na estimação dos coeficientes de regressão.
A terceira etapa consistiu na exclusão das variáveis independentes que não passaram no teste bicaudal de “t”, ou seja, aquelas que apresentaram um p-valor superior a 0,05 para um nível de confiança de 95%. Essa seleção final garantiu que apenas as variáveis com contribuição estatisticamente significativa para a capacidade preditiva do modelo fossem mantidas. O processo resultou em equações mais simples, dependendo de menos variáveis explicativas, o que é vantajoso para a aplicação do modelo em previsões futuras.
Para ilustrar a aplicação dos procedimentos, foram detalhados os resultados para as quatro modalidades com maior saldo de concessão nos segmentos Livre PJ, Livre PF, Direcionado PJ e Direcionado PF. Essas modalidades incluem Capital de Giro (prazo maior que 365 dias), Aquisição de Veículos, BNDES Financiamento de Investimentos e Financiamentos Imobiliários com taxas reguladas. As equações de regressão final para essas modalidades foram formuladas, permitindo a estimação das taxas médias de juros com base nos valores das variáveis explicativas.
Os coeficientes de determinação ajustados (R²) obtidos justificaram o alto nível de explicação das taxas médias pelas variáveis independentes. Para a maioria das modalidades, os coeficientes R² indicaram que mais de 90% da variação das taxas médias pôde ser explicada pelos modelos de regressão. Por exemplo, a modalidade Capital de Giro (prazo maior que 365 dias) apresentou um R² ajustado de 0,948, e Aquisição de Veículos, 0,921. Apenas a linha de BNDES Financiamentos de Investimentos apresentou um R² ajustado de 0,625, que, embora menor, ainda é considerável.
A estatística F também se mostrou elevada para todas as modalidades, indicando que pelo menos uma das variáveis incluídas em cada modelo é estatisticamente significativa. Essa significância estatística valida a capacidade preditiva dos modelos desenvolvidos. A qualidade da estimação, medida pelo coeficiente R² ajustado em conjunto com a precisão na estimação das variáveis explicativas, é fundamental para a acurácia das previsões para períodos futuros.
A aplicação das equações de regressão permitiu estimar as taxas médias a partir dos valores das variáveis explicativas. A comparação entre os valores reais das taxas médias e suas estimativas, obtidas mediante a aplicação das equações de regressão, demonstrou um bom ajuste dos modelos aos dados históricos. Essa capacidade de replicar o comportamento passado das taxas de juros confere robustez aos modelos para fins de planejamento e análise.
A regressão linear múltipla demonstrou efetividade na estimação das taxas de juros como função dos indicadores econômicos e financeiros, considerando a variação conjunta de todas as variáveis incluídas no modelo. O processo de seleção de variáveis eliminou aquelas que não acrescentavam poder preditivo, além de definir o sentido em que a variação dos indicadores impacta o movimento das taxas de juros. Verificou-se que a Taxa Selic, a Taxa de Desocupação, o IPCA acumulado em 12 meses e a Inadimplência apresentaram majoritariamente coeficientes positivos, indicando que se movimentam no mesmo sentido das taxas médias.
Em contraste, o Resultado Primário do Governo, o Endividamento das Famílias e a Emissão Líquida da Dívida Pública Federal apresentaram coeficientes predominantemente negativos, sugerindo uma relação inversa com as taxas médias de juros. Essa diferenciação no sentido das relações é crucial para a formulação de políticas econômicas e estratégias de gestão de crédito, permitindo intervenções mais direcionadas e eficazes. A compreensão desses impactos é fundamental para instituições e tomadores de crédito.
Em síntese, os resultados da pesquisa confirmam a existência de relações significativas entre os indicadores econômicos e financeiros e as taxas médias de juros no Brasil, com variações importantes entre as modalidades de crédito. Os modelos de regressão linear múltipla desenvolvidos apresentaram alta capacidade preditiva para a maioria das modalidades, evidenciada pelos elevados coeficientes de determinação. A análise individualizada por modalidade e a identificação das variáveis mais influentes fornecem um instrumento valioso para o planejamento financeiro e a tomada de decisões estratégicas no mercado de crédito brasileiro.
4. Conclusão
O presente estudo buscou identificar as relações entre os principais indicadores econômicos e financeiros e as taxas médias de juros praticadas pelas instituições financeiras brasileiras, bem como formular modelos para estimar essas taxas em diversas modalidades de crédito. Verificou-se a existência de relações significativas e variadas entre os indicadores econômicos e financeiros e as taxas médias de juros, com intensidades distintas entre as modalidades. A Taxa Selic, por exemplo, apresentou a associação mais forte com as taxas de juros, enquanto as emissões líquidas da dívida pública federal mostraram menor influência. Os modelos de regressão linear múltipla desenvolvidos demonstraram alta capacidade preditiva, explicando mais de 90% da variação das taxas médias para a maioria das modalidades de crédito, o que valida sua eficiência e assertividade. Observou-se que a compreensão da formação das taxas de juros exige uma análise individualizada por modalidade, em contraste com abordagens agregadas, revelando que a inadimplência, embora geralmente correlacionada positivamente, apresentou correlação negativa em segmentos altamente regulados, como o crédito consignado do INSS, devido a limites de taxas e à metodologia de cálculo da inadimplência.
A principal contribuição deste trabalho reside na formulação de equações de regressão que servem como um instrumento valioso para o planejamento financeiro. Para as instituições financeiras, os modelos oferecem maior previsibilidade no planejamento orçamentário e subsidiam processos de precificação mais assertivos. Para os tomadores de crédito, as estimativas de taxas de juros futuras são relevantes para decisões de financiamento e escolha de linhas de crédito. Adicionalmente, os resultados são úteis para órgãos governamentais, que podem influenciar variáveis correlacionadas às taxas de juros para controlar modalidades específicas, seja para estimular contratações ou restringir o crédito em períodos de superaquecimento econômico. Contudo, o estudo apresentou algumas limitações, como a possibilidade de incorporar variáveis adicionais e a não execução de métodos estatísticos complementares que poderiam refinar as estimativas. Sugere-se que estudos futuros se concentrem no aprimoramento dos processos estatísticos, na busca por variáveis explicativas adicionais, e na avaliação de métodos de aprendizado de máquina como alternativa à regressão linear para otimizar a estimação das taxas médias.
Referências Bibliográficas
Amstalden, J. A. 2020. Por Trás dos Juros Bancários. 1.ed. Editoração Eletrônica: BBIW Conexões Inteligentes, São Paulo, SP, Brasil.
Anderson, D. R.; Sweeney D. J.; Willians, T. A. 2023. Estatística Aplicada à Administração e Economia. 2ed. Thomson, São Paulo, SP, Brasil.
Banco Central do Brasil [BCB]. 2026. Estatísticas monetárias e de crédito. Disponível em: https://www.bcb.gov.br/estatisticas/estatisticasmonetariascredito. Acesso em: 07, fevereiro de 2026.
Costa Neto, P. L. O. 2002, Estatística, 2ed. Blucher. São Paulo, SP, Brasil.
Curto, J. J. D. 2023. Estatística com R: Aprenda Fazendo. 2.ed. Publicação Independente, Lisboa, Portugal.
FEBRABAN. 2025. Estudo sobre spread bancário. Disponível em: https://cmsarquivos.febraban.org.br/Arquivos/documentos/PDF/Composição%20Spread_Site.pdf. Acesso em: 11, fevereiro de 2026.
Guajarati, D. N.; Porter, D. C. 2011. Econometria Básica. 5.ed. Mc Graw Hill – Bookman, Porto Alegre, RS, Brasil.
Ivo, G. A.; Cruz, D. B. F.; Chinelato, F. B.; & Ziviani, F. 2016. A expansão do crédito no brasil: uma ferramenta para o desenvolvimento socioeconômico. Gestão & Regionalidade, 32(95). 160-174.
Mendonça, M.; Sachsida, A. 2013. Identificando a demanda e a oferta de crédito bancário no brasil. 1ed. IPEA. Rio de Janeiro, RJ, Brasil. Disponível em: http://repositorio.ipea.gov.br/handle/11058/1276. Acesso em: 05, dezembro de 2025.
Moura, M. 2015. A evolução do crédito no brasil entre 2003 e 2010. 1ed. IPEA. Rio de Janeiro, RJ, Brasil. Disponível em: https://repositorio.ipea.gov.br/entities/publication/c868bb63-6304-4225-bb7a-ed89dd574a6e. Acesso em: 25, outubro de 2025.
Málaga, F. K. 2012. Análise de demonstrativos financeiros e da performance empresarial: para empresa não financeiras. 2.ed. Saint Paul, São Paulo, SP, Brasil.
Oliveira, G.; Carvalho, E. 2016. O componente “custo de oportunidade” do spread bancário no brasil: uma abordagem pós-keynesiana. Economia e Sociedade 16(3): 371–404.
Oreiro, J.; Paula, L.; Silva, G.; Ono, F. 2006. Determinantes macroeconômicos do spread bancário no brasil: teoria e evidência recente. Economia Aplicada 10(4): 609-634.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Finanças e Controladoria do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

