Francielle Aparecida Oliveira Cebalos Ruppelt; Lucineide Bispo dos Reis Luz

DOI: 10.22167/2675-6528-202600809

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Fatores determinantes da demanda por crédito das fintechs no Brasil foram investigados, considerando sua crescente relevância no Sistema Financeiro Nacional em um contexto de intensificação tecnológica, digitalização e expansão de novos modelos de negócios financeiros. O estudo objetivou identificar e analisar empiricamente os elementos microeconômicos e macroeconômicos que afetam essa demanda, avaliando a sensibilidade das fintechs às condições do mercado de crédito. Adotou-se abordagem quantitativa, empregando modelos econométricos de regressão linear múltipla com dados do Banco Central do Brasil e da plataforma Distrito. Foram aplicados procedimentos de seleção de variáveis (Stepwise), teste de endogeneidade (Durbin-Wu-Hausman) e de multicolinearidade (Variance Inflation Factor). Os resultados demonstraram que variáveis macroeconômicas, especialmente a taxa Selic, exerceram influência significativa sobre a demanda por crédito das fintechs, enquanto fatores microeconômicos, como estágio de maturidade e setor de atuação, apresentaram impacto limitado. Constatou-se que o modelo mais aderente ao comportamento do setor foi o de capital de giro com prazo de até 365 dias, que exibiu maior poder explicativo e melhor captação da dinâmica de curto prazo típica das fintechs. Concluiu-se que as fintechs respondem de forma mais intensa às condições macroeconômicas do que às suas características operacionais, reforçando a importância da estabilidade monetária e regulatória para o desenvolvimento do setor.

Palavras-chave: Custo de captação; Demanda por crédito; Determinantes do crédito; Financiamento empresarial; Sistema Financeiro Nacional.

1. Introdução

O mercado financeiro desempenha um papel central na organização econômica moderna, atuando como um mecanismo essencial para a alocação eficiente de recursos, a gestão de riscos e o financiamento de pessoas e empresas. A trajetória de sua evolução reflete as transformações sociais e econômicas, adaptando-se às estruturas produtivas e às formas de organização econômica ao longo do tempo.

Historicamente, a formação do mercado financeiro está intrinsecamente ligada ao avanço das atividades comerciais e à crescente demanda por financiamento. Desde a Antiguidade, civilizações como a Mesopotâmia, Grécia e Roma já contavam com templos e comerciantes que exerciam funções de custódia e concessão de crédito. Na Idade Média, o florescimento do comércio europeu impulsionou o surgimento de casas bancárias e cambistas, notadamente em centros urbanos italianos. Esses desenvolvimentos lançaram as bases para o sistema financeiro moderno (Kindleberger, 1993; Roover, 1963).

O processo de institucionalização financeira ganhou força entre os séculos XVII e XVIII, com o aperfeiçoamento do sistema bancário europeu e o estabelecimento das primeiras bolsas de valores, sendo a criação do Banco da Inglaterra em 1694 um marco significativo (Kindleberger, 1993). Com a Revolução Industrial, nos séculos XVIII e XIX, a intermediação financeira ampliou sua relevância, financiando infraestrutura e atividades produtivas, e estimulando o desenvolvimento dos mercados de capitais, o que acelerou o crescimento econômico (Levine, 2005).

No século XX, o sistema financeiro tornou-se progressivamente mais complexo e globalizado, impulsionado pela expansão dos mercados e pelo surgimento de novos instrumentos, além de avanços regulatórios focados na estabilidade econômica (Mishkin, 2019). No Brasil, a modernização do sistema financeiro foi intensificada a partir das reformas da década de 1960, que instituíram o Banco Central do Brasil (BCB) e o Conselho Monetário Nacional (CMN). Posteriormente, a criação da Comissão de Valores Mobiliários (CVM) em 1976 consolidou as bases regulatórias do mercado de capitais brasileiro (Assaf Neto, 2018).

Conceitualmente, o mercado financeiro é um arranjo institucional que engloba normas, instrumentos e entidades dedicadas a intermediar a transferência de recursos entre agentes superavitários e deficitários. Nessa estrutura, os contratos financeiros são estratégicos para reduzir assimetrias de informação e custos de transação, facilitando a alocação intertemporal de recursos e decisões de consumo e produção (Andrezo e Lima, 2007; Levine, 2005). Contudo, no contexto brasileiro, a elevada concentração bancária e os custos de crédito historicamente altos têm limitado o acesso ao financiamento, especialmente para empresas emergentes (CVM, 2022).

Esse cenário de restrições abriu espaço para inovações no setor financeiro, que buscam ampliar a competição, reduzir barreiras e modernizar a intermediação no país. Os avanços tecnológicos e a digitalização dos serviços financeiros promoveram transformações estruturais no Sistema Financeiro Nacional (SFN). A incorporação de plataformas digitais, big data e inteligência artificial contribuiu para a redução de custos operacionais, o aumento da eficiência e a ampliação do acesso aos serviços financeiros (Diniz, 2021).

Nesse ambiente, emergiram novos modelos de negócios intensivos em tecnologia, como as fintechs, que redefiniram a experiência do usuário e desafiaram as instituições financeiras tradicionais. O termo “fintech”, abreviação de “financial technology”, refere-se ao uso inovador de tecnologia na criação e oferta de produtos e serviços financeiros (Fórum Econômico Mundial). Sua origem remonta a referências incipientes na década de 1980, com Peter Knight, e ganhou forma contemporânea a partir do final da década de 1990, com o surgimento de soluções como o PayPal e o modelo de empréstimos peer-to-peer da Zopa em 2005 (Diniz, 2020).

No Brasil, a consolidação das fintechs está diretamente ligada ao avanço do arcabouço regulatório promovido pelo Banco Central do Brasil e pela Comissão de Valores Mobiliários. As Resoluções CMN nº 4.656 e nº 4.657, ambas de 2018, regulamentaram a atuação das Sociedades de Crédito Direto (SCD) e das Sociedades de Empréstimo entre Pessoas (SEP), formalizando sua participação no SFN e estimulando a concorrência. O país também apresenta características estruturais favoráveis, como um grande mercado consumidor, alta penetração de internet e uso de dispositivos móveis, que atraíram empreendedores e investidores para explorar as ineficiências do sistema bancário convencional.

Apesar do ambiente promissor, a sobrevivência dessas instituições nos primeiros anos de operação depende crucialmente do acesso a recursos financeiros para o desenvolvimento de seus produtos e serviços. Fintechs frequentemente demoram a apresentar resultados financeiros e contábeis positivos, tornando o acesso a financiamento essencial até que seus negócios atinjam a maturidade (Souza, 2022). As principais formas de financiamento incluem o crédito bancário tradicional, a captação via mercado de capitais e os investimentos de fundos de venture capital. O custo do crédito, representado pela taxa de juros, como a taxa Selic definida pelo Banco Central do Brasil, é um fator fundamental que influencia diretamente a oferta de crédito e o custo de captação das instituições financeiras (Assaf Neto, 2018).

Diante das lacunas existentes na literatura e da necessidade de uma análise integrada de fatores microeconômicos e macroeconômicos que condicionam a criação, desenvolvimento e sobrevivência das fintechs no Sistema Financeiro Nacional, este estudo se justifica pela relevância de compreender a dinâmica da demanda por crédito nesse setor emergente. Assim, o presente artigo tem como objetivo identificar e analisar empiricamente os elementos microeconômicos e macroeconômicos que afetam a demanda por crédito das fintechs no Brasil, avaliando a sensibilidade dessas empresas às condições do mercado de crédito.

2. Material e Métodos

Para o desenvolvimento deste estudo, adotou-se uma abordagem de pesquisa quantitativa, com base em pesquisa bibliográfica e análise de dados secundários. A metodologia empregou modelos econométricos de regressão linear múltipla, visando identificar e analisar empiricamente os elementos microeconômicos e macroeconômicos que afetam a demanda por crédito das fintechs no Brasil, conforme o objetivo estabelecido.

Os dados secundários utilizados foram coletados de duas fontes principais: o Banco Central do Brasil (BCB) e a plataforma Distrito. O período de coleta e análise dos dados abrangeu de janeiro de 2020 a julho de 2025, fornecendo uma base temporal para a observação das variáveis econômicas e financeiras relevantes ao setor de fintechs.

A variável dependente considerada nos modelos foi a demanda por crédito das fintechs, representada pelo volume de concessão de crédito às pessoas jurídicas. Para uma análise abrangente, foram exploradas três modalidades de crédito: capital de giro total, capital de giro com prazo de até 365 dias e capital de giro rotativo, cada uma refletindo diferentes necessidades de financiamento.

As variáveis independentes selecionadas incluíram fatores macroeconômicos e microeconômicos. Entre os macroeconômicos, considerou-se a taxa de juros (Selic), que influencia diretamente o custo do crédito, e a cotação do dólar, devido ao seu impacto cambial sobre os investimentos externos, especialmente de venture capital.

Os fatores microeconômicos englobaram o número de rodadas de investimento e o volume de capital investido, que serviram como indicadores do histórico de financiamento e da confiança do mercado. Adicionalmente, o estágio de maturidade da fintech foi utilizado como proxy para o grau de consolidação da empresa, e o setor de atuação foi incluído como uma variável categórica para indicar propensão ao risco e atratividade para financiadores.

Para a estimação dos modelos, utilizou-se a ferramenta estatística Stat’s Studio. Procedimentos de seleção de variáveis, como o método Stepwise, foram aplicados para identificar as variáveis mais relevantes para a composição dos modelos de regressão linear múltipla, conforme a abordagem de Gujarati e Porter (2011).

A fim de mitigar possíveis problemas de endogeneidade dos regressores, aplicou-se o teste de Durbin-Wu-Hausman (DWH). Este teste avaliou a exogeneidade das variáveis explicativas, orientando a escolha entre a estimação por Mínimos Quadrados Ordinários (MQO) e Instrumental Variables (IV)/Two-Stage Least Squares (2SLS), buscando garantir a consistência dos estimadores. Utilizaram-se defasagens da taxa Selic como instrumentos excluídos para a variável ln(Selic).

Para identificar e corrigir o problema de multicolinearidade, aplicou-se o teste Variance Inflation Factor (VIF), que mensura o grau de inflação da variância dos coeficientes devido à correlação entre os regressores. Uma estratégia de poda automática por VIF, com limiar de 10, foi empregada, removendo-se iterativamente a variável com maior VIF até que todos os preditores apresentassem um VIF aceitável para a modelagem.

Adicionalmente, para capturar efeitos sazonais da pandemia de Covid-19, foram utilizadas variáveis dummies sazonais. Para a taxa de câmbio, empregou-se uma média móvel de 12 meses para suavizar oscilações de curto prazo, e o Índice de Preços ao Consumidor Ampliado (IPCA) foi utilizado para deflacionar essa variável. Uma variável de tendência estrutural também foi incorporada para refletir mudanças econômicas ao longo do tempo.

A escolha do modelo final baseou-se na sua adequação teórica e operacional para representar a dinâmica de financiamento de curto prazo das fintechs, considerando a teoria econômica e as finalidades associadas a cada modalidade de crédito para capital de giro. A transformação logarítmica natural (ln) foi aplicada às variáveis quantitativas para linearizar relações não lineares, reduzir assimetrias e facilitar a interpretação dos coeficientes como elasticidades (Belfiore e Fávero, 2017).

3. Resultados e Discussão

A presente seção apresenta e discute os resultados obtidos a partir da estimação de modelos econométricos de regressão linear múltipla, com o objetivo de analisar os determinantes da demanda por crédito das fintechs no Brasil. A análise concentrou-se na relação entre as variáveis explicativas selecionadas e o volume de concessão de crédito às pessoas jurídicas, especificamente para financiamento de capital de giro, que foi utilizado como variável dependente. Os achados são interpretados à luz da literatura e dos objetivos propostos, buscando identificar padrões, significância estatística e implicações para o funcionamento do mercado de financiamento de fintechs no país, com dados coletados do Banco Central do Brasil e da plataforma Distrito, abrangendo o período de janeiro de 2020 a julho de 2025.

Inicialmente, para identificar os determinantes da demanda por crédito, foram consideradas variáveis explicativas como a taxa de juros (Selic), o prazo médio da carteira de capital de giro de pessoas jurídicas, a cotação do dólar, o número de rodadas de investimento e o volume de capital investido em fintechs, o estágio de maturidade da fintech e o setor de atuação. Para capturar efeitos sazonais da pandemia de Covid-19, foram utilizadas variáveis *dummies* sazonais. A taxa de câmbio foi tratada com uma média móvel de doze meses e deflacionada pelo Índice de Preços ao Consumidor Amplo (IPCA), e uma variável de tendência foi incorporada para refletir mudanças estruturais. As variáveis quantitativas foram transformadas em logaritmo natural para linearizar relações, facilitar a interpretação dos coeficientes como elasticidades, reduzir assimetrias e mitigar heterocedasticidade.

A estimação do primeiro modelo, que incluiu a tendência estrutural e considerou a demanda de operações de crédito para capital de giro total, resultou em um poder explicativo (R²) de 51,48%, que ajustado pelos graus de liberdade, caiu para 46,53%. As variáveis tendência, taxa Selic, taxa de câmbio real, volume de investimentos e setor *backoffice* apresentaram significância estatística. Contudo, observou-se que apenas o volume de investimento em fintechs apresentou o sinal esperado, enquanto a taxa Selic e a taxa de câmbio real exibiram sinais divergentes da teoria econômica, que prevê uma relação negativa entre a taxa de juros e a demanda por crédito.

Em um segundo modelo, sem a inclusão da tendência estrutural, o poder explicativo (R²) foi de 47,27%, caindo para 44,17% após ajuste. Neste modelo, as variáveis taxa Selic, setor ambiental e setor *backoffice* foram estatisticamente significativas, mas novamente, nenhuma delas apresentou o sinal esperado. A persistência do sinal positivo para a taxa Selic, contrariando a expectativa teórica de que o aumento dos juros reduziria a demanda por crédito, sugeriu a necessidade de investigações adicionais sobre a endogeneidade e o contexto específico da amostra, como o período pandêmico.

Considerando que a finalidade da contratação de crédito pode variar conforme a urgência da pessoa jurídica, fez-se necessário estimar a demanda também para operações de crédito com prazo de até 365 dias, que são de curto prazo e destinadas a financiar atividades operacionais. O modelo estimado para essa modalidade, incluindo a tendência estrutural, apresentou um poder explicativo (R²) de 71,74%, que ajustado, foi de 66,83%. As variáveis tendência, taxa Selic, taxa de câmbio real, setor *backoffice*, setor engajamento consumidor, setor meios de pagamento, setor poder computacional e setor tecnologia foram todas estatisticamente significativas.

Neste modelo de capital de giro de até 365 dias, os sinais dos coeficientes para os setores de engajamento consumidor, meios de pagamento, poder computacional e tecnologia estavam de acordo com o esperado, indicando uma relação positiva com a demanda por crédito. No entanto, a taxa Selic e a taxa média de câmbio real continuaram a apresentar divergência de sinal em relação à teoria econômica, um achado que se tornou recorrente nas análises e que aponta para a complexidade das interações no mercado de crédito das fintechs, especialmente em um período de instabilidade econômica.

Ao remover a tendência estrutural para a modalidade de crédito de capital de giro de até 365 dias, o poder explicativo (R²) do modelo caiu para 66,99%, e para 61,25% após ajuste. A taxa de câmbio tornou-se insignificante neste cenário. Embora o modelo tenha se mostrado significativo, apenas as variáveis de prazo médio de contratação e os setores de engajamento consumidor, ensinos específicos, meios de pagamento e poder computacional apresentaram os sinais esperados para seus coeficientes, reforçando a complexidade da relação entre as variáveis e a demanda por crédito.

A análise também incluiu a perspectiva das operações de crédito rotativo, uma modalidade de financiamento para atividades operacionais com limites reutilizáveis. Para o crédito rotativo, o modelo com tendência estrutural apresentou um R² de 71,53%, que ajustado, foi de 67,29%. As variáveis taxa Selic, rodadas de investimento em fintechs, estágio sem informações, setor e-commerce, setor novas formas de ensino, setor poder computacional, setor proptech e setor sem informações foram todas estatisticamente significativas. Contudo, novamente, a variável taxa Selic não apresentou o sinal esperado. A tendência estrutural não se mostrou significante para o modelo de crédito rotativo, o que levou a resultados idênticos para o modelo sem essa variável.

Independentemente da modalidade de crédito analisada, os fatores macroeconômicos, em especial a taxa Selic, exerceram um papel determinante sobre a demanda por financiamento das fintechs. Esse resultado está em consonância com a literatura que destaca a sensibilidade das operações de crédito às condições monetárias e ao custo de capital no ambiente econômico brasileiro (Bortoluzzo et al., 2022). A influência preponderante das condições macroeconômicas sugere que as fintechs, apesar de sua natureza inovadora, não estão isoladas das flutuações econômicas mais amplas.

Por outro lado, os aspectos microeconômicos, como o setor de atuação e o estágio de maturidade das empresas, não se mostraram estatisticamente significativos para explicar a demanda por crédito no conjunto de fintechs analisadas, com exceção do setor *backoffice* em alguns modelos. Essa constatação contrasta com pesquisas que indicam que *startups* em estágios mais avançados e com histórico de resultados tendem a captar recursos com maior facilidade (Camargo et al., 2024). A discrepância pode sugerir que, para fintechs, as decisões de financiamento são mais influenciadas pelo ambiente macroeconômico do que por características internas da empresa.

Para mitigar possíveis problemas de endogeneidade e multicolinearidade, foram conduzidos testes diagnósticos. O teste de Durbin-Wu-Hausman (DWH) não indicou endogeneidade para a variável LN Taxa Selic (p = 0,267), sugerindo que os estimadores de Mínimos Quadrados Ordinários (MQO) são consistentes. O sinal positivo da Selic, divergente do esperado, foi atribuído a fatores de preços, ao ciclo econômico e a dinâmicas omitidas, especialmente durante o período pandêmico, quando a demanda por crédito aumentou para recompor caixa, mesmo com juros e inflação elevados.

O teste de multicolinearidade, utilizando o Fator de Inflação da Variância (VIF), revelou VIFs muito altos para Tendência (35,19), LN Taxa média de câmbio (32,89) e LN Rodadas investimento fintech (27,37), indicando forte sobreposição informacional. A variável LN Volume investido fintech também apresentou um VIF elevado (11,8), e a *Proxy* Pandemia um VIF moderado (7,5). Em contraste, LN Selic e LN Prazo médio situaram-se em patamares baixos a moderados (aproximadamente 2-2,5), indicando menor risco de redundância.

Para mitigar a multicolinearidade, aplicou-se uma estratégia de poda automática por VIF, removendo-se iterativamente a variável com maior VIF até que todos os preditores apresentassem VIF ≤ 10. Como resultado, apenas a variável Tendência (VIF = 35,19) precisou ser removida. O conjunto final de preditores com VIF ≤ 10 compreendeu: *Proxy* Pandemia, LN Taxa Selic, LN Prazo médio das concessões de crédito para Capital de giro em até 365 dias, LN Taxa média de câmbio, LN Rodadas investimento fintech, LN Volume investido fintech, estágio maturidade Seed e setor Crédito. A remoção da Tendência eliminou a multicolinearidade severa, resultando em um patamar aceitável para modelagem.

Após a aplicação do teste VIF e a poda automática, o modelo econométrico final, utilizando a concessão de crédito às pessoas jurídicas para capital de giro de até 365 dias, apresentou um poder explicativo (R²) de 50,78%, que ajustado, foi de 47,89%. As variáveis LN Taxa Selic, LN Rodadas investimento fintech e LN Volume investido fintech foram estatisticamente significativas. Contudo, a taxa Selic e as rodadas de investimento continuaram a apresentar divergência de sinal em relação à teoria econômica, o que reforça a interpretação de que os efeitos de preços e a dinâmica do ciclo econômico, especialmente durante a pandemia, influenciaram a demanda por crédito de forma não convencional.

Ao considerar os resultados dos modelos econométricos estimados, a teoria econômica e as finalidades associadas a cada modalidade de crédito para capital de giro, verificou-se que a equação que melhor se ajusta ao comportamento da demanda por crédito pelas fintechs é aquela que utiliza como variável dependente o capital de giro com prazo de até 365 dias, acrescido de uma tendência estrutural. Essa adequação decorre do fato de que fintechs, em geral, operam predominantemente no curto prazo, apresentando maior sensibilidade às oscilações macroeconômicas e às condições de liquidez do sistema financeiro, características que tornam essa modalidade mais representativa do padrão de contratação observado nesse segmento.

Em síntese, os resultados evidenciaram que fatores macroeconômicos, notadamente a taxa Selic, desempenham um papel preponderante na determinação da demanda por crédito das fintechs no Brasil, com modelos de capital de giro de curto prazo (até 365 dias) apresentando maior poder explicativo. Embora alguns coeficientes tenham exibido sinais divergentes da teoria econômica, reflexo do período pandêmico, a pesquisa reforça que as fintechs são altamente sensíveis às condições monetárias e ao custo de capital. Por outro lado, variáveis microeconômicas, como estágio de maturidade e setor de atuação, mostraram impacto limitado, sugerindo que o comportamento de financiamento das fintechs é mais fortemente associado ao ambiente macroeconômico do que às especificidades individuais de cada empresa, sublinhando a importância da estabilidade monetária e regulatória para o desenvolvimento do setor.

4. Conclusão

O presente estudo objetivou identificar e analisar empiricamente os elementos microeconômicos e macroeconômicos que afetam a demanda por crédito das fintechs no Brasil, avaliando a sensibilidade dessas empresas às condições do mercado de crédito. Verificou-se que fatores macroeconômicos, especialmente a taxa Selic, exerceram influência preponderante sobre a demanda por financiamento das fintechs, enquanto variáveis microeconômicas, como estágio de maturidade e setor de atuação, apresentaram impacto limitado. Observou-se que o modelo mais aderente ao comportamento do setor foi o de capital de giro com prazo de até 365 dias, que exibiu maior poder explicativo e melhor captação da dinâmica de curto prazo típica dessas empresas. A persistência de sinais divergentes da teoria econômica para a taxa Selic foi atribuída a fatores de preços, ao ciclo econômico e a dinâmicas omitidas, notadamente durante o período pandêmico, quando a demanda por crédito aumentou para recompor caixa, mesmo com juros e inflação elevados. Esses achados reforçam a importância de políticas monetárias previsíveis e de um ambiente regulatório estável para o desenvolvimento sustentável do ecossistema de inovação financeira, evidenciando que as fintechs respondem de forma mais intensa às condições macroeconômicas do que às suas características operacionais.

A pesquisa, contudo, apresenta limitações relacionadas ao tamanho da amostra, à disponibilidade de dados e à complexidade na interpretação de alguns coeficientes devido à possível multicolinearidade entre variáveis explicativas, mesmo após a aplicação de testes diagnósticos. Como desdobramento natural, sugere-se que estudos futuros explorem períodos pós-pandemia, incorporem indicadores de risco de crédito mais detalhados, comparem o desempenho de fintechs brasileiras com ecossistemas internacionais e adotem metodologias avançadas, como modelos não lineares e técnicas de aprendizado de máquina, a fim de aprofundar a compreensão sobre a dinâmica de financiamento desse setor emergente.

Referências Bibliográficas

Andrezo, A.F. e Lima, I.S. 2007. Mercado Financeiro: aspectos históricos e conceituais. 3ed. Thompson, São Paulo, SP, Brasil.

Assaf Neto, A. 2018. Mercado Financeiro. 14ed. Atlas, São Paulo, SP, Brasil.

Belfiore, P. e Fávero, L.P. 2017. Manual de Análise de Dados: estatística e modelagem multivariada com Excel, SPSS e Stata. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.

Bortoluzzo, A.B.; Bortoluzzo, M.M.; Monteiro, G.F.A. e Rodriguez, R.Z. 2022. Relação entre taxa de falências de empresas brasileiras e variáveis macroeconômicas no período de 2010 a 2020: um estudo econométrico utilizando vetores autorregressivos. Gestão & Regionalidade 38(113): 351.

Camargo, B.F.; de Oliveira, L.A. e Weber, L.B. 2025. Startups e o processo de captação de recursos em fundos de investimentos e aceleradoras. Revista Disciplinarum Scientia 21(1): 49-68.

Comissão de Valores Mobiliários [CVM]. 2022. Direito do Mercado de Valores Mobiliários. Disponível em: < https://www.gov.br/investidor/pt-br/educacional/publicacoes-educacionais/livros-cvm/teste>. Acesso em: 08 março 2026.

Diniz, B. 2020. O Fenômeno Fintech: tudo sobre o movimento que está transformando o mercado financeiro no brasil e no mundo. 1ed. Alta Books, São Paulo, SP, Brasil.

Diniz, B. 2021. A Nova Lógica Financeira: como as soluções financeiras digitais estão impactando todos os mercados e o que fazer para sobreviver nesse cenário. 1ed. Gente, São Paulo, SP, Brasil.

Gujarati, D.N e Porter, D.C. 2011. Econometria Básica. 5ed. AMGH, Porto Alegre, RS, Brasil.

Kindleberger, C. P. 1993. Uma História Financiera da Europa. 2ed. Campus, Rio de Janeiro, RJ, Brasil.

Levine, R. 2005. Finance and Growth: theory and evidence. In: Aghion, P.; Durlauf, S. (org.). Handbook of Economic Growth. 1ed. Elsevier, Amsterdã, HN, Países Baixos.

Mishkin, F. S. 2019. The Economics of Money, Banking, and Financial Markets. 12ed. Pearson, Nova Iorque, NI, Estados Unidos da América.

Roover, R. 1963. The Rise and Decline of the Medici Bank: 1397–1494. 1ed. Harvard University Press, Cambridge, MA, Estados Unidos da América.

Souza, M.L.B. 2022. Investimento em Fintechs: fatores aceleradores de financiamento no mercado de venture capital e private equity. Dissertação de Mestrado Profissional em Economia dos Negócios. Insper, São Paulo, SP, Brasil.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy