Estimating bank liquidity coverage ratios from public prudential data: evidence from Brazilian banks

Este trabalho desenvolve e avalia uma estrutura baseada em informações públicas para reconstruir a dinâmica do Índice de Cobertura de Liquidez (Liquidity Coverage Ratio – LCR) em nível de banco para instituições financeiras brasileiras. O exercício é motivado por uma lacuna de transparência: a divulgação pública do LCR historicamente se concentrou em grandes conglomerados prudenciais do Segmento 1 (S1), enquanto indicadores comparáveis de liquidez de curto prazo não estiveram sistematicamente disponíveis para muitas instituições dos Segmentos 2 a 5 (S2–S5). Essa lacuna tornou-se mais relevante do ponto de vista de política prudencial após a Resolução nº 5.296/2026 do Conselho Monetário Nacional (CMN), que estabelece limites mínimos tanto para o LCR quanto para o Indicador Liquidez de Curto Prazo Simplificado (LCRS), exige que instituições S1 e S2 calculem o LCR e inclui instituições elegíveis dos segmentos S3 e S4 em uma estrutura simplificada de liquidez de curto prazo. A estrutura empírica combina um modelo estrutural de razões prudenciais com benchmarks de Random Forest e Extreme Gradient Boosting (XGBoost). Cada modelo estima dois componentes regulatórios – ativos líquidos de alta qualidade (high-quality liquid assets – HQLA) e saídas líquidas de caixa – e reconstrói o LCR como a razão entre os componentes previstos. Os preditores públicos provêm da plataforma IF.Data do Banco Central do Brasil. Os alvos oficiais de validação – HQLA, saídas líquidas de caixa e LCR – são coletados manualmente a partir do conjunto completo de relatórios históricos de Pilar 3 disponíveis para os bancos S1. Esses dados não são extraídos do IF.Data e não são tratados no texto como uma extração direta da tabela padronizada de liquidez do Pilar 3 (LIQ1). O painel público do IF.Data começa em 2014Q1, mas a validação com o LCR oficial inicia-se apenas em 2016Q2, quando o histórico oficial brasileiro de divulgação do LCR passa a estar disponível nos relatórios de Pilar 3 coletados. A validação de referência mostra que o XGBoost apresenta a maior precisão preditiva entre os modelos baseados em informações públicas, enquanto o modelo estrutural permanece competitivo e mais diretamente interpretável. A análise ampliada acrescenta um benchmark de robustez com estimação direta do LCR, intervalos explícitos de qualidade de previsão baseados no suporte dos percentis do S1, backtesting temporal, previsão com uma defasagem de um trimestre, benchmarks de persistência, modelos híbridos de persistência e informações públicas, análise do sinal das variações e exercícios de ciclos de liquidez baseados em métodos de mediana e fator comum. A evidência temporal mostra que as divulgações oficiais do LCR são altamente persistentes: o último LCR oficial conhecido é difícil de superar para bancos com histórico prévio de divulgação. Entretanto, esse benchmark não está disponível para instituições que não divulgam o indicador, que constituem a principal população-alvo da estrutura proposta. Entre os modelos de informações públicas passíveis de aplicação, o XGBoost apresenta o melhor desempenho na validação com janela expansiva, enquanto o modelo estrutural é mais estável nos desenhos de janela móvel e blocos anuais. O benchmark de LCR direto reforça a arquitetura baseada na razão entre componentes, especialmente para os modelos de aprendizado de máquina, porque a decomposição preserva a estrutura regulatória de numerador e denominador e fornece diagnósticos separados para os colchões de liquidez e as saídas sob estresse. O painel reconstruído identifica regimes heterogêneos de ciclos de liquidez, incluindo bancos pró-cíclicos, defensivos e de baixa sensibilidade ao ciclo. Os diagnósticos de escopo também mostram que a estrutura é mais defensável para instituições S2, que constituem o alvo natural de política após a ampliação dos requisitos de LCR. As aplicações a instituições S3 e menores são mais extrapolativas e devem ser interpretadas como proxies de liquidez baseadas em dados públicos, e não como substitutos próximos dos cálculos regulatórios oficiais do LCR. Os resultados sugerem que dados prudenciais públicos podem sustentar um monitoramento útil da liquidez para além do perímetro histórico de divulgação do S1, ao mesmo tempo em que exigem diagnósticos explícitos de extrapolação e interpretação cuidadosa fora do domínio S1/S2.