[pt] O Bitcoin surgiu no fim da década passada. Desde então, emergiu uma nova classe de ativos: as criptomoedas. O ecossistema das moedas digitais vem avançando a passos largos, seja pelo surgimento de novas moedas, pelo nível de capitalização, pela escalada de investidores ou pelo expressivo desempenho em 2017. Dado o quadro, as criptomoedas se consolidam a cada dia como uma alternativa de investimento, tornando-se de vez uma rota do mercado financeiro. Por consequência, surge a necessidade de avaliar e estimar medidas de risco para esses ativos. Este estudo estimou os coeficientes Beta das quatorze maiores criptomoedas da economia – de acordo com o nível de capitalização – em relação à índices teóricos, com o fito de auxiliar os gestores de portfólios no apreçamento e na formatação de estratégias. Através de uma regressão de retornos passados destas moedas sobre os retornos dos índices de criptoativos, de ações e de uma cesta de moedas contra o dólar americano, estimou-se o Beta dos ativos. A partir das análises, concluiu-se que o Bitcoin possui elevada sensibilidade aos índices de criptomoedas, mesma condicionante para o Ethereum, porém com correlação mais branda aos referenciais, bem como ao próprio Bitcoin. Quantos às demais moedas, estas não exprimiram fator de risco associado aos índices de criptomoedas, visto os baixos coeficientes. Quando analisados os criptoativos em relação aos índices acionários e de moedas contra o dólar, constatou-se que os coeficientes foram iguais a zero. Portanto, o desempenho das criptomoedas, na janela de tempo estudada, possui relação involuntária às oscilações destes índices. / [en] Bitcoin has risen at the end of the last decade. Since then, a new class of assets emerged: the cryptocurrencies. The cryptocurrencies scenario has been advancing rapidly, by the emergence of new currencies, by the level of capitalization, either by the increase of investors or by its significant performance in 2017. Given the situation, cryptocurrencies keep consolidating itself every day as an investment alternative, becoming a permanent route for the financial market. Consequently, it becomes necessary to estimate risk measures for these assets. This study estimated the Beta coefficients of the largest cryptocurrencies – according to its capitalization level – in relation to theoretical indexes, in order to assist portfolios managers in pricing. Through a regression of past returns of virtual currencies on the returns of the cryptocurrencies indexes, stocks and a portfolio of currencies against the US dollar, the digital assets beta was estimated. From these analyses, it was possible to conclude that Bitcoin is significantly sensitive to cryptocurrencies indexes, the same condition for Ethereum, but with a softer correlation to the references, as well as Bitcoin itself. With respect to the other currencies, they did not express a relevant risk factor associated with cryptocurrencies indexes, due to low coefficient values. When analyzing the cryptocurrency in relation to the stock and currency indexes against the US dollar, it was noted that the coefficients were zero. Therefore, the digital currencies performance of this study, in the given timeframe, has an involuntary relation to the fluctuations of those indexes.

[pt] Esta tese é composta por três artigos. O primeiro monta um modelo DSGE baseado em Gertler e Karadi (2011), para estudar os efeitos da adoção de políticas de taxas de juros negativas concomitantes à intervenções de liquidez por parte do Banco Central, em um cenário em que o zero lower bound (ZLB) é transferido dos bancos centrais para os bancos privados. Mostramos que, durante uma recessão, se os bancos privados não repassam as taxas negativas para seus depositantes em um ambiente de elevadas injeções de liquidez por parte do banco central, as consequências negativas do ZLB original se mantêm e a recuperação é mais lenta. O segundo artigo usa uma versão mais simplificada do mesmo modelo para estudar a adoção de moedas digitais por parte do banco central, que poderia reestabelecer a transmissão de política monetária sob taxas de juros negativas, e analisa as respostas da economia a choques de política monetária sob este regime. Mostramos que, apesar de se mostrar um ferramenta adicional interessante para o banco central, o efeito riqueza envolvido com mudanças exclusivamente da taxa de juros da moeda digital tornam-a um instrumento contra-cíclico menos confiável. O terceiro artigo testa diferentes modelos de projeção para o crescimento do PIB americano de médio prazo. Utilizamos novos métodos, como adaLASSO e Random Forest, em conjunto com um conjunto grande de regressores, para elevar a acurácia sobre modelos tradicionais de projeção, como auto-regressões e modelos DSGE. O artigo aponta que Random Forest é capaz de projeções superiores ao longo de um horizonte de dois anos, mas não tem performance consistemente superior para projeção de crescimento do produto potencial ou do hiato do produto. / [en] The thesis is composed of three essays. The first designs a DSGE model based on Gertler and Karadi (2011) to study the effects of the adoption of negative interest rate policies along with liquidity intervention, in a scenario where the ZLB is transferred to private banks instead of central banks. We show that, during a recession, if banks do not pass along negative rates to depositors in an environment of heavy liquidity injection by the Central Bank, the main negative economic effects of the original ZLB are maintained and the recovery is slower. The second essay uses the same model in a simpler setting to study how the adoption of central bank digital currencies (CBDCs) might reestablish the traditional monetary policy transmission under negative interest rates, and analyses the responses of the economy under such a regime to monetary policy shocks. We show that while the adoption of a CBDC might improve the monetary policy toolkit, the wealth effects involved with changes exclusively in its interest rates make it a less reliable counter-cyclical tool. The third essay tries different models for the forecast of medium-term output growth. We use new methods such as adaLASSO and Random Forest, along with a very large data set of regressors, in order to improve accuracy over traditional model long term forecasting such as autoregressions and DSGE models, which have a very good track record. We show that Random Forest is able to better predict output growth over the two year horizon, but has mixed results in forecasting trend GDP growth and the output gap.