06 de febrero de 2026
Correlación entre series temporales económicas y el seguro de crédito de nómina en Brasil
Elisabete Apis Oliani; Gian Carlo Decarli
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
Este trabajo tuvo como objetivo identificar y cuantificar el impacto de las variaciones del Índice de Precios al Consumidor Amplio (IPCA) y de la tasa de desocupación sobre la evolución de las primas del seguro de crédito en Brasil, de enero de 2014 a octubre de 2024. La investigación buscó determinar la existencia, las escalas temporales y los desfases de esta relación, analizando la sensibilidad del sector a choques económicos. La investigación se justifica por la relevancia del seguro de crédito como mitigador de riesgo, haciendo la comprensión de sus determinantes crucial para las decisiones estratégicas de aseguradoras e instituciones financieras.
El seguro prestamista es un mecanismo de protección financiera que garantiza la liquidación de deudas en eventos como desempleo, invalidez o fallecimiento. Según la Confederación Nacional de Seguros (CNseg, 2024), esta modalidad reduce el riesgo de incumplimiento para los acreedores y proporciona seguridad al tomador de crédito. Su importancia se evidenció en la pandemia de COVID-19, cuando se consolidó como instrumento contracíclico en un escenario de incertidumbre económica y caída de ingresos, mitigando el riesgo de crédito para el sistema financiero (Silva y Vasconcelos, 2022).
El contexto macroeconómico brasileño, con oscilaciones inflacionarias y fluctuaciones en el mercado laboral, presiona la salud financiera de las familias. La expansión del crédito a personas físicas, al mismo tiempo que impulsa el consumo, aumentó la fragilidad de los hogares ante shocks económicos (Montani Martins, 2025). La elevación del costo del crédito y la compresión de la renta afectan la capacidad de cumplimiento y la percepción de riesgo del consumidor. La tasa de desempleo es una variable estratégica, ya que su aumento puede, teóricamente, estimular la búsqueda de seguros que cubran la pérdida de renta, una hipótesis que difiere de estudios centrados únicamente en la siniestralidad, como el de Silva y Chan (2015).
El análisis de series temporales económicas presenta desafíos como la no estacionariedad y la autocorrelación de largo alcance, que limitan la eficacia de métodos de correlación tradicionales como el coeficiente de Pearson (Morettin y Toloi, 2018). Para superar estas limitaciones, esta investigación emplea técnicas de econofísica: el Análisis de Fluctuación sin Tendencia (DFA) y el Análisis de Correlación Cruzada sin Tendencia (DCCA). El DFA, propuesto por Peng et al. (1994), cuantifica la memoria de largo plazo en una única serie. El DCCA, una extensión de Podobnik y Stanley (2008), analiza la covarianza entre dos series no estacionarias. Para cuantificar la fuerza y la dirección de la relación, se utiliza el coeficiente ρDCCA (Zebende, 2011), que normaliza la covarianza y varía de -1 a +1. La combinación de estas herramientas permite una investigación robusta de las interdependencias entre las variables estudiadas.
La investigación adopta un enfoque cuantitativo, con análisis de series temporales a través de DFA, DCCA y ρDCCA, adecuados para datos no estacionarios (Zebende, 2011; Podobnik y Stanley, 2008). El estudio siguió los pasos del proceso CRISP-DM (Chapman et al., 2000). Las fuentes de datos fueron el IPCA (API del Banco Central de Brasil), la tasa de desocupación (PNAD Contínua/IBGE) y los ingresos por primas directas del seguro de préstamos (SUSEP). Todas las series cubren el período de enero de 2014 a octubre de 2024, totalizando 130 observaciones mensuales. La preparación de los datos implicó la armonización de las series, sin valores ausentes identificados. La modelización aplicó las funciones DFA y DCCA, considerando rezagos de uno, tres y seis meses para las variables macroeconómicas, con el fin de investigar el tiempo de respuesta del mercado. La implementación se realizó en Python (versión 3.10.12) en Google Colaboratory, con bibliotecas como Pandas y NumPy y funciones personalizadas para DFA, DCCA y ρDCCA.
Para normalizar la medida de correlación, Zebende (2011) introdujo el coeficiente ρDCCA, definido como la razón entre la función de covarianza DCCA y el producto de las funciones de fluctuación de cada serie individual, obtenidas vía DFA. El valor de ρDCCA(n) varía entre -1 y +1; valores cercanos a cero indican ausencia de correlación, valores positivos indican correlación directa y negativos, correlación inversa. Para la interpretación de la intensidad, este estudio adoptó la clasificación de Zebende et al. (2018): correlaciones débiles para valores de ρDCCA entre 0 y ±0,333, medias entre ±0,333 y ±0,666, y fuertes por encima de ±0,666.
El análisis de los resultados se inició con la observación de la evolución histórica de cada serie. El IPCA mostró alta volatilidad, con picos mensuales de 1,62% (marzo de 2022) y episodios de deflación, como -0,68% (julio de 2022), caracterizando un proceso con fluctuaciones rápidas. En contraste, las primas del seguro de crédito demostraron una clara tendencia ascendente, pasando de aproximadamente R$ 600 millones mensuales en 2014 a más de R$ 1,6 mil millones en 2024. La tasa de desocupación presentó un patrón cíclico en “U” invertida, partiendo de alrededor del 7% en 2014, alcanzando un pico de aproximadamente 14% en 2017 y regresando a niveles cercanos al 7% en 2024, revelando un ciclo de mediano plazo.
La aplicación del análisis DFA reveló las estructuras de dependencia temporal internas de cada serie. Para el IPCA, la función de fluctuación F(n) creció de forma acelerada en escalas intermedias (30 a 90 meses), confirmando que la serie posee memoria a largo plazo. Para las primas del seguro de deudor, la función F(n) presentó un crecimiento exponencial continuo, indicando una fuerte tendencia de crecimiento y una memoria temporal pronunciada. La tasa de desocupación también mostró un avance consistente de las fluctuaciones con el aumento de la escala, reflejando la naturaleza gradual de los ajustes en el mercado laboral y la presencia de ciclos prolongados.
El análisis de correlación cruzada (ρDCCA) entre el IPCA y las primas del seguro de crédito mostró ser prácticamente nulo en escalas de corto plazo (hasta 24 meses). En escalas intermedias (36 a 84 meses), surgió una correlación positiva de intensidad débil a moderada, con el coeficiente ρDCCA alcanzando un pico de aproximadamente 0,40 en escalas entre 90 y 102 meses. El análisis de desfase reveló que la asociación más fuerte ocurre con un rezago de tres meses. Este resultado sugiere que la inflación persistente, al impactar el costo de vida, puede influir positivamente en la demanda de protección, pero la relación no es inmediata. La caída del coeficiente en escalas muy largas (por encima de 114 meses) puede atribuirse a efectos de borde de la metodología o a la agregación de diferentes regímenes macroeconómicos. La inflación, por lo tanto, parece actuar más como un factor de contexto que como un impulsor principal de las ventas.
La correlación entre la tasa de desempleo y las primas del seguro de crédito también resultó nula en escalas de corto plazo. Surgió una correlación positiva en escalas intermedias, pero la intensidad fue consistentemente débil, con un pico de ρDCCA en torno a 0,33 (límite entre las clasificaciones de débil y media) en escalas de entre 90 y 102 meses. El análisis de desfase indicó que la asociación se vuelve más visible con rezagos de tres a seis meses. Este tiempo de respuesta más largo es coherente con la cadena de eventos económicos; los cambios en el mercado laboral influyen en la confianza del consumidor y las políticas de crédito. La correlación positiva, aunque débil, sugiere que los períodos de aumento del desempleo pueden estimular la demanda de protección, pero otros factores, como la oferta de crédito, probablemente desempeñan un papel más dominante.
La lectura integrada de los resultados demuestra que el seguro de crédito, en el período analizado, exhibió baja sensibilidad a choques mensuales de inflación y desempleo. Las relaciones con estas variables solo se vuelven estadísticamente visibles en horizontes de mediano a largo plazo (por encima de tres años) y, aun así, la intensidad de la correlación permanece en el campo de débil a moderada. Esto sugiere que la trayectoria de crecimiento de las primas está sustentada por dinámicas más estructurales del mercado de crédito y del sector asegurador, como la expansión de la base de clientes y estrategias comerciales, con las condiciones macroeconómicas actuando como un telón de fondo modulador, pero no determinante.
Desde el punto de vista metodológico, el estudio confirmó la adecuación de las técnicas DFA y DCCA para analizar series temporales no estacionarias, identificando relaciones que serían oscurecidas por métodos tradicionales. La capacidad de evaluar correlaciones en múltiples escalas de tiempo y con diferentes desfases proporcionó una visión granular de las interacciones. La investigación contribuye a la literatura al aplicar metodologías de econofísica al sector asegurador brasileño, ofreciendo una nueva perspectiva sobre los determinantes de la demanda por seguro de crédito.
Las conclusiones de esta investigación indican que la influencia directa de la inflación y el desempleo en la evolución de las primas del seguro de crédito en Brasil, entre 2014 y 2024, fue limitada, manifestándose principalmente en horizontes temporales más largos y con desfases. La asociación positiva, de intensidad débil a moderada, sugiere que las condiciones macroeconómicas actúan como un factor contextual, pero no como el principal motor de la dinámica del sector. La trayectoria de crecimiento del seguro de crédito parece estar más influenciada por factores intrínsecos al mercado de crédito y a la industria de seguros. Como limitación, el estudio se centró en solo dos variables macroeconómicas. Investigaciones futuras podrían incorporar otras variables, como la tasa de interés (Selic), la morosidad del consumidor y la oferta de crédito, o segmentar el análisis por diferentes ramas de seguro.
A pesar de las limitaciones, los hallazgos ofrecen implicaciones prácticas para aseguradoras y gestores de riesgos. La baja sensibilidad del producto a choques de corto plazo indica resiliencia, pero la correlación en horizontes más largos refuerza la necesidad de monitorear el escenario macroeconómico en la planificación estratégica de mediano y largo plazo. La comprensión de los desfases temporales puede ayudar en la calibración de modelos de fijación de precios y en la anticipación de cambios en la demanda. Se concluye que el objetivo fue alcanzado: se demostró que las variaciones del IPCA y de la tasa de desocupación presentaron correlaciones de intensidad predominantemente débil con las primas del seguro de deudor, con las asociaciones más notables emergiendo solo en escalas temporales intermedias y con desfases de tres a seis meses.
Referencias:
Banco Central do Brasil. (2024). Índice Nacional de Preços ao Consumidor Amplo [IPCA] Série Histórica. Acesso em 29 de dezembro de 2024, de https://api. bcb. gov. br/dados/serie/bcdata. sgs.433/dados? formato=csv&dataInicial=01/01/2000&dataFinal=29/12/2024
Chapman, P. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc.
Confederação Nacional das Seguradoras [CNSEG]. (2024). 10 motivos para você contratar um seguro prestamista. Disponível em: https://cnseg. org. br/conteudos/10-motivos-para-voce-contratar-um-seguro-prestamista. Acesso em: 03 nov. 2024.
Guedes, E. F.; Zebende, G. F. (2019) DCCA cross-correlation coefficient with sliding windows approach. Physica A: Statistical Mechanics and its Applications, Amsterdam.
Instituto Brasileiro de Geografia e Estatística [IBGE]. (2023). Índice Nacional de Preços ao Consumidor Amplo – IPCA. Disponível em: https://www. ibge. gov. br/estatisticas/economicas/precos-e-custos/9256-indice-nacional-de-precos-ao-consumidor-amplo. html?=&t=o-que-e. Acesso em: 07 jan. 2025.
Instituto Brasileiro de Geografia e Estatística [IBGE]. Desemprego. Disponível em https://www. ibge. gov. br/explica/desemprego. php. Acesso em 26 jul 2025.
Martins, N. M. (2025). Household financial fragility in Brazil (2005–2023). Journal of Economic Issues, 59(1), 174–194. https://doi. org/10.1080/01603477.2024.2378744. Acesso em 05 set. 2025.
Morettin, P. A., & Toloi, C. M. (2018). Análise de séries temporais (3ª ed.). Edgard Blücher.
Peng, C.-K., Buldyrev, S. V., Havlin, S., Simons, M., Stanley, H. E., & Goldberger, A. L. (1994). Mosaic organization of DNA nucleotides. Physical Review E, 49(2), 1685–1689. Acesso em: 05 set. 2025.
Podobnik, B., & Stanley, H. E. (2008). Detrended cross-correlation analysis: A new method for analyzing two nonstationary time series. Physical Review Letters, 100(8), 084102. Acesso em: 05 set. 2025.
Sebrae Previdência. (2024). Alta de juros: entenda como ela afeta as finanças. Disponível em: https://www. sebraeprevidencia. com. br/planejar-dicas/156/Alta-de-juros:-entenda-como-ela-afeta-as-fin%C3%A7as. Acesso em: 05 nov. 2024.
Silva, F. L., & Chan, B. L. (2015). Análise da Demanda e Sinistralidade do Seguro Prestamista. In Aportes ao Desenvolvimento da Economia Brasileira (pp. 233-254). Blucher. Disponível em: https://pdf. blucher. com. br/openaccess/9788580391237/12. pdf. Acesso em: 05 nov. 2024.
Silva, R., & Vasconcelos, F. (2022). Crédito e risco em tempos de crise: o papel do seguro prestamista. Revista Brasileira de Risco e Seguro.
Superintendência de Seguros Privados [SUSEP]. (2024). Base de dados de seguros: Prêmios e Sinistro. Disponível em: https://www2. susep. gov. br/menuestatistica/ses/principal. aspx. Acesso em: 24 dez. 2024.
Zebende, G. F. (2011). DCCA cross-correlation coefficient: A new method to measure the cross-correlation of two non-stationary time series. Physica A: Statistical Mechanics and its Applications, 390(4), 614-618.
Zebende, G. F., Brito, A. A., Silva Filho, A. M., & Castro, A. P. (2018). DCCA applied between air temperature and relative humidity: An hour/hour view. Physica A, 494, 17-26. https://www. sciencedirect. com/science/article/pii/S0378437117312748. Acesso em: 05 set. 2025.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí: