Gestão prudencial dos bancos brasileiros: variáveis-chave sob Basileia III

RESUMO

Este estudo examina os determinantes da adequação de capital nos bancos comerciais brasileiros, com foco em como os indicadores internos de desempenho da estrutura CAMELS (adequação de capital, qualidade dos ativos, qualidade da gestão, ganhos, liquidez e sensibilidade ao risco de mercado) e as condições macroeconômicas moldam o capital prudencial adicional sob o Acordo de Basileia III. Embora a regulamentação de capital desempenhe um papel central nas economias emergentes, a literatura oferece evidências limitadas sobre a influência conjunta das dimensões CAMELS e dos fatores macroeconômicos nas posições de capital excedente dos bancos. Além disso, poucos estudos abordam explicitamente a natureza dinâmica e endógena do ajuste prudencial de capital, particularmente no contexto brasileiro. Compreender os fatores determinantes dos adicionais de capital dos bancos fornece insights sobre a eficácia do Acordo de Basileia III no fortalecimento da resiliência financeira e contribui para os debates regulatórios nas economias em desenvolvimento. Dados de painel trimestrais de 15 bancos comerciais brasileiros de 2018 a 2024 são analisados utilizando estimadores de painel tradicionais e abordagens dinâmicas baseadas no método de momentos generalizados por diferença e por sistema, permitindo endogeneidade, persistência e ajuste intertemporal. A variável dependente é definida como a diferença entre o índice de adequação de capital observado e o mínimo regulatório. Os resultados indicam que a qualidade dos ativos e a rentabilidade afetam positivamente a adequação de capital, enquanto a alavancagem e a inflação exercem efeitos negativos robustos. Outros fatores, incluindo liquidez, sensibilidade ao risco de mercado, tamanho do banco e crescimento econômico, apresentam resultados sensíveis à especificação, destacando o papel do ajuste dinâmico e dos efeitos de retroalimentação. De modo geral, os valores de capital adicional refletem um processo prudencial e dinâmico, em vez de decisões puramente contemporâneas. Os resultados contribuem para a literatura sobre regulamentação prudencial e fornecem insights para reguladores e gestores bancários sobre supervisão baseada em risco e planejamento de capital em economias emergentes.

Palavras-chave:
adequação de capital; CAMELS; requisitos de capital; Basileia III

ABSTRACT

This study examines the determinants of capital adequacy in Brazilian commercial banks, focusing on how internal performance indicators from the CAMELS (capital adequacy, asset quality, management quality, earnings, liquidity, and sensitivity to market risk) framework and macroeconomic conditions shape prudential capital buffers under Basel III. Although capital regulation plays a central role in emerging economies, the literature offers limited evidence on the joint influence of CAMELS dimensions and macroeconomic factors on banks’ excess capital positions. Moreover, few studies explicitly address the dynamic and endogenous nature of prudential capital adjustment, particularly in the Brazilian context. Understanding the drivers of banks’ capital buffers provides insights into the effectiveness of Basel III in strengthening financial resilience and informs regulatory debates in developing economies. Quarterly panel data from 15 Brazilian commercial banks from 2018 to 2024 are analyzed using traditional panel estimators and dynamic approaches based on difference and system generalized method of moments, allowing for endogeneity, persistence, and intertemporal adjustment. The dependent variable is defined as the difference between the observed capital adequacy ratio and the regulatory minimum. The results indicate that asset quality and profitability positively affect capital buffers, while leverage and inflation exert robust negative effects. Other factors, including liquidity, market risk sensitivity, bank size, and economic growth, display specification-sensitive results, highlighting the role of dynamic adjustment and feedback effects. Overall, capital buffers reflect a prudential and dynamic process rather than purely contemporaneous decisions. The findings contribute to the prudential regulation literature and provide insights for regulators and bank managers regarding risk-based supervision and capital planning in emerging economies.

Keywords:
capital adequacy; CAMELS; capital requirements; Basel III

1. INTRODUÇÃO

Garantir a estabilidade das instituições bancárias é essencial para preservar a solidez do sistema financeiro. Identificar os determinantes do desempenho financeiro e da resiliência dos bancos fornece insights valiosos para a tomada de decisões regulatórias e gerenciais, particularmente durante períodos de crise ou de instabilidade acentuada (Demirgüç-Kunt et al., 2013).

Nesse contexto, os Acordos de Basileia representam um marco importante na regulamentação bancária prudencial. A adoção do Acordo de Basileia III no Brasil a partir de 2013 reforçou a adequação de capital como um pilar central da solvência e da continuidade operacional. Como resultado, a adequação de capital tornou-se um indicador-chave da solidez bancária e é frequentemente incorporada em aplicações empíricas da estrutura CAMELS (adequacao de capital, qualidade dos ativos, qualidade da gestao, ganhos, liquidez e sensibilidade ao risco de mercado) (Abreu & Camargos, 2022; Akhtar et al., 2024; Nugroho et al., 2020).

O modelo CAMELS avalia instituições financeiras em seis dimensões - adequação de capital, qualidade dos ativos, qualidade da gestão, ganhos, liquidez e sensibilidade ao risco de mercado (Sahajwala & Van den Bergh, 2000) - e é amplamente empregado em estudos internacionais (Bhattarai, 2020; Gharaibeh, 2023; Hunjra et al., 2020; Thach & Pham, 2022). No entanto, as evidências empíricas sobre a interação entre as dimensões do CAMELS e as condições macroeconômicas na explicação do comportamento prudencial dos bancos brasileiros continuam escassas.

Assim, este estudo examina como fatores específicos dos bancos, capturados pelas dimensões não relacionadas ao capital do CAMELS, e variáveis macroeconômicas influenciam a qualidade do capital nos bancos comerciais brasileiros. Os resultados indicam que maior qualidade de crédito, maior rentabilidade e menor alavancagem estão associadas positivamente à gestão prudencial, enquanto as pressões inflacionárias e o crescimento do produto interno bruto (PIB) apresentam uma relação negativa com a adequação de capital.

Além de sua contribuição acadêmica, as conclusões oferecem implicações práticas para reguladores e gestores bancários, ao apoiar a calibração dos requisitos de capital e decisões estratégicas voltadas para equilibrar rentabilidade, risco e conformidade regulatória no sistema bancário brasileiro.

2. FUNDAMENTAÇÃO TEÓRICA

2.1 Acordos de Basileia

Em resposta à instabilidade financeira da década de 1970, marcada pela liberalização cambial e pelo aumento da volatilidade do mercado, os países do G-10 criaram o Comitê de Supervisão Bancária e Práticas Regulatórias no Banco de Compensações Internacionais. O Comitê tinha como objetivo definir padrões mínimos de supervisão para aumentar a estabilidade financeira, embora seus acordos não tenham força legal e dependam da implementação pelas autoridades nacionais (Oliveira & Ferreira, 2018).

Essa iniciativa culminou no Acordo de Basileia I, em 1988, que introduziu requisitos mínimos de capital e padronizou a medição do risco de crédito, definido como a possibilidade de os tomadores de empréstimo não cumprirem suas obrigações financeiras (Basel Committee on Banking Supervision [BCBS], 1988). O Acordo estabeleceu o conceito de ativos ponderados pelo risco, diferenciou o capital em dois níveis e fixou um índice mínimo de adequação de capital (capital adequacy ratio - CAR) de 8%.

Em 1996, o Acordo de Basileia I foi revisado para incorporar o risco de mercado e exigências adicionais de capital. O risco de mercado refere-se a perdas potenciais resultantes de flutuações nos preços dos ativos. A revisão também enfatizou o papel dos controles internos, da conduta ética e da supervisão, reconhecendo a instabilidade inerente aos mercados financeiros (BCBS, 1996).

O Novo Acordo de Basileia (Basileia II), introduzido em 2004, expandiu ainda mais a estrutura ao incorporar o risco operacional, definido como perdas decorrentes de erro humano, falhas de sistema, eventos externos ou fraude (BCBS, 2004). De acordo com Peppe (2006), o Acordo de Basileia II foi estruturado em torno de três pilares: requisitos mínimos de capital (Pilar I), revisão supervisora (Pilar II) e disciplina de mercado por meio de maior divulgação (Pilar III). Ao contrário do Acordo de Basileia I, a nova estrutura exigia o monitoramento contínuo das operações bancárias e das exposições a riscos.

A crise financeira global de 2008 revelou as limitações de Basileia II, particularmente a suposição de que as instituições financeiras poderiam precificar e gerenciar adequadamente seus próprios riscos. Em resposta, Basileia III foi introduzida em 2010, fortalecendo os requisitos de capital, aumentando a resiliência das grandes instituições e introduzindo buffers de conservação de capital para absorver perdas durante crises (Oliveira & Ferreira, 2018).

Apesar desses avanços, um elemento central permaneceu inalterado ao longo dos Acordos de Basileia: a exigência de um índice mínimo entre o capital regulatório e os ativos ponderados pelo risco, conhecido como índice de Basileia ou índice de adequação de capital. De acordo com as normas de Basileia III (BCBS, 2011), esse índice é calculado com base no capital de nível 1 e de nível 2 em relação aos ativos ponderados pelos riscos de crédito, de mercado e operacionais. A Tabela 1 resume as principais características do Capital de Nível 1, de Nível 2 e do Capital Principal.

Tabela 1
Resumo das características do capital de base, do capital de nível 1 e do capital de nível 2 no contexto de Basileia III

Aspecto	Capital Principal	Capital de Nível 1	Capital de Nível 2
Qualidade	Máxima qualidade.	Alta qualidade, mas inclui instrumentos híbridos.	Qualidade inferior em comparação com o capital de nível 1.
Componentes	Ações ordinárias, reservas e lucros retidos.	Capital principal + instrumentos híbridos (nível 1 adicional), como títulos conversíveis perpétuos.	Instrumentos subordinados, como títulos de dívida subordinada.
Disponibilidade	Imediatamente disponível para cobrir perdas.	Disponível, mas pode depender de cláusulas de conversão ou redução de valor.	Disponível para absorção de perdas em caso de liquidação ou falência.
Capacidade de absorção de perdas	Absorve perdas de forma contínua durante a operação.	Absorve perdas em situações de crise, dependendo das cláusulas contratuais.	Absorve perdas em caso de insolvência ou liquidação.
Exemplos de instrumentos	Ações ordinárias, reservas de lucros e de capital.	Instrumentos que compõem o capital principal e títulos perpétuos conversíveis.	Títulos de dívida subordinada com vencimento fixo e amortização limitada.
Objetivos	Garantir a estabilidade operacional e a resiliência	Oferecer apoio adicional em momentos de crise	Oferecer uma reserva adicional para absorver perdas extremas

• Fonte: Elaborada pelos autores com base no BCBS (2011).

O Capital de Nível 1 compreende instrumentos de alta qualidade, incluindo capital básico, como ações ordinárias e lucros acumulados, e instrumentos adicionais de Nível 1, como títulos híbridos. O capital de Nível 2 inclui instrumentos menos resilientes, como dívida subordinada e provisões gerais. Os ativos ponderados pelo risco são calculados atribuindo-se diferentes ponderações de risco às classes de ativos de acordo com seu perfil de risco, e o CAR, ou Índice de Basileia, é formalmente definido na Eq. 1.

$$IndicedeBasileia=\frac{CapitalNível1+CapitalNível2}{AtivosPonderadospeloRisco}$$ (1)

Originalmente, os bancos eram obrigados a manter um Índice de Basileia mínimo de 8%, o que significa que o capital de mais alta qualidade do banco deveria ser de pelo menos 8% do valor total de seus ativos ponderados pelo risco. No entanto, esse requisito mínimo é geralmente aumentado em cada país para garantir maior segurança ao sistema financeiro (Oliveira & Ferreira, 2018).

No âmbito de Basileia III, esse ajuste reflete a introdução de buffers de capital, que exigem que os bancos mantenham capital adicional além do requisito mínimo. Esses adicionais incluem o buffer de conservação de capital, destinado a absorver perdas durante períodos de tensão; o buffer anticíclico, projetado para mitigar o comportamento pró-cíclico por meio do fortalecimento das posições de capital durante expansões econômicas; e o buffer sistêmico, aplicado a instituições de importância sistêmica para reduzir o risco de instabilidade financeira generalizada.

Assim, o valor do Índice de Basileia a partir da terceira versão passou a reconhecer a necessidade de adaptações nacionais a esse índice e, em alguns casos, até mesmo valores específicos para bancos com maior relevância para o Sistema Financeiro Nacional. Na próxima seção, essa agenda é discutida especificamente para o cenário brasileiro.

2.2 Índice de Basileia no Brasil

No contexto brasileiro, o órgão do Sistema Financeiro Nacional responsável por fazer cumprir as diretrizes dos acordos, bem como estipular o valor mínimo do Índice de Basileia, é o Banco Central do Brasil (BACEN). Conforme mostrado na Tabela 2, verifica-se que, à medida que novas versões dos acordos foram publicadas, os níveis mínimos de capital e os valores do Índice de Basileia foram alterados a fim de proteger mais eficazmente o sistema bancário.

Tabela 2
Evolução dos requisitos mínimos de capital, capital de nível 1 e Índice de Basileia para bancos nacionais

	Basileia I (%)	Basileia II (%)	Basileia III (%)
Capital Principal	4,70*	2,00*	7,00-9,00
Capital Nível 1	5,50*	4,00*	8,50-11,00
Índice de Basileia	11,00	8,00	10,50-13,00

• * = valores implícitos, uma vez que Basileia I e II não diferenciavam entre capital básico e capital de nível 1.
• Fonte: Adaptado do BACEN (2013).

A adesão do Brasil ao Acordo de Basileia III teve início em 2013, e os requisitos de capital nacionais têm historicamente excedido o parâmetro internacional de 8%. De acordo com relatórios do BACEN, o índice mínimo de capital de nível 1 e de nível 2 em relação aos ativos ponderados pelo risco permaneceu em aproximadamente 10,5% desde 2016. Além disso, a Tabela 2 mostra que os dados da IFDATA indicam um Índice de Basileia atual para o Sistema Financeiro Nacional de cerca de 15,8%, sinalizando um nível de proteção de capital bem acima dos mínimos regulatórios e refletindo a solidez geral do sistema bancário brasileiro (BACEN, 2013).

Além disso, é interessante destacar a aplicação de buffers de capital nos bancos nacionais. De acordo com os dados da Tabela 3, é possível constatar que, atualmente, não há margem adicional decorrente de buffers anticíclicos, sendo aplicados aos bancos relevantes para o sistema nacional apenas o buffer de conservação de capital de 2,5% e o buffer sistêmico de 1%

Tabela 3
Limites e valores atuais dos buffers de capital para bancos comerciais brasileiros

	Limites Máximos (%)					Valores Atuais dos Buffers (%)
	Até 2015	2016	2017	2018	A partir de 2019	2024
Conservação de Capital	0,00	0,63	1,25	1,88	2,50	2,50
Anticíclico	0,00	0,63	1,25	1,88	2,50	0,00
Sistêmico	0,00	0,00	0,50	1,00	2,00	1,00*
Máximo Total	0,00	1,30	3,00	4,80	7,00	3,50*

• * = aplicável a bancos de importância sistêmica classificados como S1 (Segmento 1) - bancos múltiplos, bancos comerciais, bancos de investimento, bancos de câmbio e caixas econômicas que (i) tenham um porte (exposição/produto interno bruto) superior a 10% ou (ii) exerçam atividade internacional significativa (ativos no exterior superiores a US$ 10 bilhões).
• Fonte: Elaborada pelos autores com base em dados do BACEN.

Sobre esse tema, é importante observar que, embora teoricamente, desde 2016, exista um buffer anticíclico, ele sempre permaneceu em zero, enquanto o buffer de conservação de capital sempre foi aplicado no valor máximo permitido a cada ano. Assim, embora o índice exigido pudesse ser de 13%, historicamente, ele sempre foi de 10,5% para os bancos brasileiros em geral e de 12,5% para os bancos de importância sistêmica.

Por fim, é importante comentar sobre a classificação dos bancos segundo o BACEN em termos de sua importância sistêmica. Há um total de cinco níveis de classificação possíveis, variando de S1 (Segmento 1), que, conforme mencionado acima, agrupa os bancos mais relevantes para o país, até S5, que, por sua vez, abrange instituições financeiras com perfil de risco simplificado. A Tabela 4 mostra as características que o BACEN utiliza para classificar os bancos.

Tabela 4
Critérios para segmentação de instituições financeiras de S1 a S5

Segmentação	Tipo de Instituição Financeira	Características
S1	Instituições financeiras bancárias	Tamanho igual ou superior a 10% do PIB ou que exerça atividades internacionais significativas
S2	Instituições financeiras bancárias e não bancárias	Tamanho entre 10% e 1% do PIB
S3	Instituições financeiras bancárias e não bancárias	Tamanho entre 1% e 0,1% do PIB
S4	Instituições financeiras bancárias e não bancárias	Tamanho menor de 0,1% do PIB
S5	Instituições financeiras não bancárias	Tamanho menor de 0,1% do PIB, e que não realizam operações de recompra, não emitem títulos de securitização de crédito, não realizam transações em bolsa de valores nem prestam serviços de margem, e cujos ativos não estão sujeitos a risco de mercado

• PIB = produto interno bruto.
• Fonte: Elaborada pelos autores com base em dados do BACEN.

2.3 Literatura Nacional

A literatura brasileira sobre adequação de capital bancário tem enfatizado progressivamente a conformidade regulatória, a estabilidade financeira e o papel da adequação de capital como instrumentos prudenciais, em vez de meras restrições regulatórias. Estudos iniciais destacam que o capital adicional acima do mínimo regulatório funciona como um mecanismo para mitigar a insolvência e o risco sistêmico.

Belém e Gartner (2016) apresentam uma das análises mais diretas sobre o capital adicional no Brasil. Utilizando uma abordagem de painel dinâmico, os autores mostram que os bancos ajustam esses adicionais gradualmente ao longo do tempo, refletindo custos de ajuste e persistência nas decisões de capitalização. Suas conclusões indicam que bancos de maior risco tendem a manter adicionais maiores, o que é consistente com um comportamento prudente de gestão de risco.

Complementando essas evidências, Carvalho e Dantas (2021) examinam a interação entre disciplina de mercado e adicionais de capital, definindo esse adicional como a diferença entre o capital observado e o mínimo regulatório. Os resultados mostram que as pressões de mercado afetam as decisões de capitalização dos bancos e destacam a relação endógena entre os níveis de capital e a disciplina de mercado.

Outras contribuições exploram o uso de indicadores CAMELS para avaliação prudencial. Rosa e Gartner (2018), por exemplo, desenvolvem um modelo de alerta precoce baseado em variáveis CAMELS e demonstram que a adequação de capital, a qualidade dos ativos, a eficiência da gestão, a rentabilidade e a liquidez são preditores significativos de dificuldades financeiras. Embora não se concentrem no capital adicional, seus resultados reforçam a relevância das dimensões CAMELS na avaliação da solidez dos bancos no Brasil.

Mais recentemente, um relatório do BACEN (2022) documenta como choques macroeconômicos, particularmente no período pós-COVID, afetaram os bancos brasileiros por meio de canais relacionados ao CAMELS. A deterioração da qualidade dos ativos e os custos mais elevados de captação exerceram pressão sobre os lucros, enquanto resultados mais sólidos da tesouraria compensaram parcialmente esses efeitos. Apesar desses desafios, os índices de capital regulatório permaneceram bem acima dos requisitos mínimos, e os testes de estresse indicam que os adicionais de capital e liquidez permaneceriam suficientes mesmo em cenários macroeconômicos adversos.

Por fim, estudos como o de Takahashi e Vasconcelos (2022) destacam que, notavelmente, a adequação de capital dos bancos brasileiros acaba tendo um impacto negativo sobre sua eficiência técnica. Isso reforça a ideia de que, embora um nível mais alto de capitalização garanta maior solidez financeira contra choques econômicos, ele também restringe a eficiência das instituições financeiras.

De modo geral, a literatura brasileira oferece insights valiosos sobre capitalização bancária, risco e indicadores prudenciais. No entanto, a maioria dos estudos ou se concentra no capital adicional sem integrar o conjunto completo das dimensões CAMELS, ou analisa os indicadores CAMELS sem modelar explicitamente os adicionais de capital e seu ajuste dinâmico. Além disso, as evidências que combinam indicadores CAMELS e variáveis macroeconômicas dentro de uma estrutura dinâmica, particularmente sob o Acordo de Basileia III, permanecem limitadas. Essa lacuna motiva o presente estudo, que busca integrar essas vertentes por meio de uma análise dinâmica da adequação de capital nos bancos comerciais brasileiros.

2.4 Literatura Internacional

A literatura internacional fornece ampla evidência sobre como as características específicas dos bancos e as condições macroeconômicas interagem para determinar a adequação de capital em diferentes ambientes regulatórios e institucionais. Os resultados das economias emergentes são notavelmente heterogêneos, refletindo diferenças nas estruturas bancárias e nos marcos de supervisão.

Vários estudos documentam a relevância da liquidez como um determinante-chave do CAR. Bhattarai (2020), ao analisar bancos nepaleses, constata um efeito positivo da liquidez sobre o CAR, enquanto o tamanho do banco e a inflação exercem impactos negativos; resultados semelhantes são relatados por Ünvan (2020) para Gana.

Esse papel da liquidez como amortecedor prudencial é consistente com evidências anteriores de Shrieves e Dahl (1992), que identificam uma associação positiva entre variações no risco e no capital. De uma perspectiva macroprudencial, Ding e Ding (2024) mostram que as ferramentas de supervisão restringem efetivamente o risco sistêmico e a alavancagem pró-cíclica, reforçando a importância da regulamentação na definição das posições de capital dos bancos.

Outras contribuições ampliam a análise para além do CAR, examinando explicitamente o capital adicional. Le et al. (2022), com foco nos bancos vietnamitas, constatam que a alavancagem, a expansão do balanço patrimonial, a liquidez, a rentabilidade e o tamanho do banco afetam negativamente tanto a adequação de capital quanto o capital excedente. Evidências dos sistemas bancários africanos destacam de forma semelhante a importância das variáveis relacionadas ao CAMELS. Abba et al. (2018) mostram que a rentabilidade, a qualidade dos ativos, o risco bancário e os níveis de depósitos influenciam positivamente o CAR nos bancos nigerianos.

A qualidade da gestão e a eficiência operacional também têm sido associadas à capitalização. Lotto (2018) documenta uma relação positiva entre a adequação de capital e a eficiência nos bancos da Tanzânia. No entanto, conforme enfatizado por Kwan e Eisenbeis (1997), a capitalização, a eficiência e a assunção de riscos são determinadas conjuntamente, sugerindo efeitos de simultaneidade e retroalimentação, em vez de uma relação causal unidirecional.

Evidências do Sudeste Europeu indicam que tanto fatores específicos dos bancos quanto fatores ambientais desempenham um papel significativo. Aktas et al. (2015) mostram que tamanho, rentabilidade, alavancagem e liquidez afetam significativamente o CAR em bancos comerciais de dez países, um resultado corroborado por Keqa (2021). As condições macroeconômicas também são importantes: Mili et al. (2014) e Schaeck e Čihák (2012) identificam associações positivas entre crescimento econômico e CAR, ressaltando o papel do ambiente econômico e institucional mais amplo.

Estudos comparativos enfatizam ainda mais o papel da regulamentação e da disciplina de mercado. Hunjra et al. (2020), ao analisar bancos de sete países asiáticos em desenvolvimento, constatam que uma regulamentação de capital mais rigorosa e a disciplina de mercado reduzem o risco e aumentam a adequação de capital, com uma relação negativa entre o risco bancário e o CAR, posteriormente confirmada por Lappay et al. (2021) para bancos indianos. Com foco no Vietnã, Thuong et al. (2024) e Thach e Pham (2022) relatam que empréstimos, provisões para perdas de crédito, liquidez e rentabilidade afetam positivamente o CAR, enquanto o tamanho do banco, a inflação e o crescimento do PIB têm efeitos negativos, destacando o trade-off entre o crescimento do balanço patrimonial e a gestão prudencial.

Por fim, Gharaibeh (2023) documenta as relações de curto e longo prazo entre o CAR e variáveis específicas dos bancos na Jordânia. A dinâmica de curto prazo vincula o CAR à alavancagem, liquidez, índices de crédito sobre depósitos e rentabilidade defasada, enquanto as estimativas de longo prazo mostram efeitos positivos da alavancagem e da liquidez e um impacto negativo do índice de cobertura. A Tabela 5 resume as principais relações identificadas na literatura internacional.

Tabela 5
Resumo dos determinantes do CAR

Dimensão analisada	Impacto no CAR	Estudos que concluíram esse impacto
Liquidez	Positivo	Aktas et al. (2015), Belém e Gartner (2016), Bhattarai (2020), Carvalho e Dantas (2021), Gharaibeh (2023), Hunjra et al. (2020), Shrieves e Dahl (1992)
Tamanho do Banco	Negativo	Bhattarai (2020), Thach e Pham (2022), Thuong et al. (2024)
	Positivo	Aktas et al. (2015), Keqa (2021)
Taxa de Inflação	Negativo	Bhattarai (2020), Thach e Pham (2022), Thuong et al. (2024)
Crescimento do PIB	Positivo	Mili et al. (2014), Schaeck e Čihák (2012)
	Negativo	Thach e Pham (2022), Thuong et al. (2024)
Qualidade da Gestão	Positivo	Kwan e Eisenbeis (1997), Lotto (2018)
Ganhos	Positivo	Abba et al. (2018), Aktas et al. (2015), Bhattarai (2020), Gharaibeh (2023), Thach e Pham (2022)
Qualidade dos Ativos	Positivo	Abba et al. (2018), Thach e Pham (2022)
Risco	Negativo	Aktas et al. (2015), Carvalho e Dantas (2021), Hunjra et al. (2020), Keqa (2021), Lappay et al. (2021)
	Positivo	Abba et al. (2018), Belém e Gartner (2016)
Alavancagem	Positivo	Gharaibeh (2023)
	Negativo	Aktas et al. (2015), Thach e Pham (2022)

• CAR = índice de adequação de capital; PIB = produto interno bruto.
• Fonte: Elaborada pelos autores.

De modo geral, as evidências empíricas indicam um forte alinhamento entre a adequação de capital dos bancos e suas estratégias de gestão de risco, sugerindo que a adequação de capital reflete não apenas a conformidade regulatória, mas também as respostas dos bancos aos seus ambientes operacionais e de risco. Embora haja um amplo consenso quanto à relevância da liquidez e da rentabilidade como determinantes-chave do CAR, os efeitos de variáveis como o tamanho do banco, o crescimento do PIB e a alavancagem permanecem contraditórios entre os estudos. Notavelmente, os determinantes mais frequentemente associados à adequação de capital estão intimamente relacionados às dimensões do CAMELS, reforçando a relevância desse quadro para avaliar o desempenho dos bancos e o comportamento prudencial.

3. METODOLOGIA

3.1 Amostra

Este estudo investiga os elementos internos dos bancos e macroeconômicas que afetam o CAR dos bancos comerciais brasileiros. Os dados trimestrais foram obtidos do banco de dados IFData do BACEN. Embora o conjunto de dados inicial compreendesse 64 instituições com atividades comerciais relatadas, a amostra final foi restrita a 15 bancos cuja atividade principal é o de banco comercial, garantindo maior homogeneidade e foco analítico.

A amostra inclui seis bancos estatais, oito bancos privados com controle nacional e uma instituição de capital estrangeiro. Em termos regulatórios, cinco bancos são classificados como S1, um como S2, cinco como S3 e quatro como S4, abrangendo, assim, instituições com diferentes tamanhos e níveis de relevância sistêmica. Todas as informações bancárias seguem os padrões de relatórios prudenciais do BACEN.

Dado o foco na estrutura atualizada de adequação de capital introduzida com o Acordo de Basileia III no Brasil, o período da amostra abrange de 2018, quando a transição para os novos requisitos regulatórios já estava em andamento, até o final de 2024, totalizando 27 trimestres. Além dos dados bancários, dados macroeconômicos sobre o Índice Nacional de Preços ao Consumidor Amplo (IPCA) e o PIB também foram coletados das bases de dados do BACEN e do IPEAData.

3.2 Modelo Econométrico

Conforme discutido anteriormente, a adequação de capital dos bancos é moldada tanto por fatores macroeconômicos quanto por fatores internos dos bancos. No lado macroeconômico, a análise inclui a inflação (INF) e o crescimento econômico (GDP) como determinantes-chave do CAR. Além disso, uma variável dummy da COVID-19 (COVID) foi introduzida para controlar o choque sistêmico associado à pandemia, assumindo o valor de um do segundo trimestre de 2020 ao primeiro trimestre de 2021. Esse período corresponde à fase mais severa de perturbação econômica no Brasil e à implementação de medidas macroprudenciais e regulatórias excepcionais que afetaram as condições operacionais dos bancos e a exposição ao risco.

No que diz respeito aos determinantes internos, o framework do CAMELS foi empregado para avaliar como a adequação de capital (C) é influenciada pelas demais dimensões. Essa abordagem é consistente com a perspectiva da gestão prudencial subjacente aos Acordos de Basileia, que enfatiza a qualidade dos ativos, a qualidade da gestão, os ganhos, a liquidez e a sensibilidade ao risco de mercado. A qualidade dos ativos é representada pelo índice de empréstimos inadimplentes (non-performing loans ratio - NPL), seguindo Abba et al. (2018), enquanto a qualidade da gestão é capturada pela taxa de custos (overhead cost ratio - OCR), conforme Gharaibeh (2023). A rentabilidade foi medida pelo retorno sobre ativos ponderados pelo risco (return on risk-weighted assets - RORA), e a liquidez foi avaliada usando a porcentagem de ativos líquidos (LIQ), conforme proposto por Thach e Pham (2022), e o índice de alavancagem (leverage - LEV), seguindo Gharaibeh (2023) e Ünvan (2020). A sensibilidade ao risco de mercado é capturada pelo índice de ativos ponderados pelo risco (risk-weighted asset ratio - RAR), em consonância com Abba et al. (2018). O tamanho do banco (SIZE), medido como o logaritmo natural do total de ativos, é incluído como variável de controle. A Tabela 6 resume todas as variáveis utilizadas na análise.

Tabela 6
Resumo das variáveis explicativas utilizadas no modelo

	Dimensão	Variáveis	Fórmula
Variáveis Internas	Qualidade dos ativos	NPL	$\frac{EmpréstimosInadimplentes}{EmpréstimosTotais}$
	Qualidade da Gestão	OCR	$\frac{CustoseDespesasOperacionais}{ReceitasOperacionais}$
	Ganhos	RORA	$\frac{LucroLíquido}{AtivosPonderadospeloRisco}$
	Liquidez	LIQ	$\frac{AtivosdeAltaLiquidez}{AtivosTotais}$
		LEV	$\frac{Depósitos}{PatrimônioLíquido}$
	Sensibilidade	RAR	$\frac{AtivosPonderadospeloRiscodeMercado}{TotaldeAtivos}$
	Tamanho do Banco	SIZE	$LN\left(Ativos\right)$
Variáveis Externas	Crescimento Econômico	GDP	$∆\%PIB$
	Inflação	INF	$∆\%IPCA$
	COVID	COVID	Dummy = 1 do segundo trimestre de 2020 ao primeiro trimestre de 2021; caso contrário, variável dummy = 0

• Fonte: Elaborada pelos autores.

Com base nessas variáveis, foi desenvolvido um modelo de dados em painel utilizando a Eq. 2, que ilustra a abordagem tradicional do modelo pooled. Vale ressaltar que, em vez de analisar o valor total do CAR dos bancos, foram analisadas as diferenças percentuais entre o valor do CAR de cada banco e o valor mínimo estipulado pelo BACEN (DPCAR).

$${DPCAR}_{i,t}=\alpha +{\beta }_1{NPL}_{i,t}+{\beta }_2{OCR}_{i,t}+{\beta }_3{RORA}_{i,t}+{\beta }_4{LIQ}_{i,t}+{\beta }_5{LEV}_{i,t}+{\beta }_6{RAR}_{i,t}+{\beta }_7{SIZE}_{i,t}+{\beta }_8{GDP}_t+{\beta }_9{INF}_t+{\beta }_{10}{COVID}_t+e_{i,t}$$ (2)

Inicialmente, foram estimados modelos de mínimos quadrados ordinários (MQO) pooled, de efeitos fixos e de efeitos aleatórios, e foram empregados teste F, teste do multiplicador de Lagrange e teste de Hausman para identificar a especificação estatística mais adequada (Wooldridge, 2010). No entanto, os estimadores de painel padrão dependem da exogeneidade dos regressores, uma suposição frequentemente violada quando se utilizam variáveis contábeis, o que pode levar a estimativas enviesadas e inconsistentes (Zhou et al., 2014).

Para lidar com a questão da endogeneidade, a análise prosseguiu com estimativas de painel dinâmico utilizando o método generalizado dos momentos (GMM). Foram considerados dois estimadores: o GMM em diferença (GMM diff), proposto por Arellano e Bond (1991), e o GMM sistêmico (GMM sys), desenvolvido por Blundell e Bond (1998). Dada a estrutura equilibrada do painel após o tratamento dos dados e a ausência substancial de dados faltantes, a transformação de primeira diferença foi adotada para eliminar a heterogeneidade não observada, tornando desnecessário o uso de desvios ortogonais.

Seguindo a prática padrão na análise de dados de painel dinâmicos, as variáveis explicativas foram classificadas de acordo com sua endogeneidade potencial com base em raciocínio econômico e na literatura prévia (Arellano & Bond, 1991; Blundell & Bond, 1998; Roodman, 2009). A variável dependente (DPCAR), juntamente com a OCR e o NPL, foram tratadas como endógenas, refletindo suas interações contemporâneas com a adequação de capital dos bancos (Berger & DeYoun, 1997; Shrieves & Dahl, 1992).

Os indicadores de balanço e de desempenho (RORA, LIQ, LEV e RAR) foram considerados predeterminados, uma vez que podem responder a choques passados, mas é improvável que estejam correlacionados com perturbações contemporâneas (Athanasoglou et al., 2008; Isayas, 2022). O tamanho do banco, embora variável no tempo, também foi tratado como predeterminado na frequência trimestral. Em contrapartida, INF, PIB e a variável dummy da COVID foram considerados estritamente exógenos, uma vez que são determinados fora dos processos de decisão dos bancos individuais.

Para limitar a proliferação de instrumentos, todas as especificações GMM empregam uma matriz de instrumentos colapsada (Roodman, 2009), e o número total de instrumentos foi mantido igual ou inferior ao número de unidades transversais. A validade dos instrumentos é comprovada por testes padrão de sobreidentificação e pela ausência de correlação serial de segunda ordem nos resíduos diferenciados.

4. RESULTADOS

4.1 Análise Descritiva

A primeira parte dos resultados apresenta uma análise descritiva das variáveis para identificar padrões relevantes entre os indicadores financeiros e macroeconômicos considerados no estudo. A Tabela 7 fornece um resumo estatístico das variáveis.

Tabela 7
Resumo estatístico descritivo das variáveis trimestrais para o período 2018-2024

Variável	Média	Mediana	Mínimo	Máximo	Desvio Padrão
DPCAR	0,3213	0,3175	-0,0814	0,7889	0,1261
NPL	0,0597	0,0524	0,0099	0,3260	0,0379
OCR	1,1658	1,0581	0,5660	8,6819	0,5790
RORA	0,0080	0,0071	-0,0122	0,0451	0,0058
LIQ	0,1513	0,1264	0,0080	0,5191	0,1015
LEV	11,2211	10,8314	2,4756	32,8324	5,0873
RAR	0,0226	0,0116	0,0001	0,2549	0,0386
SIZE	17,7990	17,2411	13,2842	21,7145	2,6258
GDP	0,0046	0,0045	-0,0264	0,0296	0,0087
INF	0,0131	0,0124	-0,0133	0,0317	0,0105

• Fonte: Elaborada pelos autores.

A variável dependente (DPCAR) apresenta uma média de 0,321 e dispersão moderada, com valores que variam de observações negativas a níveis positivos relativamente elevados. Essa distribuição indica que, embora a maioria dos bancos mantenha um capital regulatório acima dos requisitos mínimos, algumas instituições passaram por episódios de déficit de capital. A qualidade do crédito, medida pelo NPL, apresenta heterogeneidade substancial entre os bancos, refletindo diferenças no risco da carteira, enquanto o OCR mostra alta dispersão e valores extremos, sugerindo eficiência gerencial heterogênea.

Os indicadores de rentabilidade ajustados ao risco apresentam níveis relativamente modestos. O RORA apresenta baixa dispersão, consistente com as restrições impostas pela regulamentação prudencial, enquanto o RAR mostra maior variabilidade, indicando heterogeneidade na composição dos ativos ponderados pelo risco. O LIQ e o LEV também variam consideravelmente, revelando estratégias distintas entre as instituições. As variáveis macroeconômicas (PIB e INF) apresentam volatilidade moderada, consistente com condições econômicas relativamente estáveis ao longo do período da amostra, mas com variação suficiente para afetar o desempenho bancário.

A análise de correlação, conforme mostrado na Tabela 8, revela fortes associações entre DPCAR e OCR, LIQ, LEV e RAR, sugerindo que maiores adicionais de capital estão associadas a maior liquidez, maior alavancagem, maior rentabilidade ajustada ao risco e melhores estruturas de custo. Em contrapartida, as correlações entre DPCAR e PIB e INF são negativas, indicando posições prudenciais mais fracas durante períodos de expansão econômica.

Além disso, a ausência de correlações significativas entre a variável dummy da COVID-19 e as variáveis relacionadas ao CAMELS é consistente com o BACEN (2022), reforçando as evidências da resiliência do sistema bancário brasileiro. Por fim, foram calculados os fatores de inflação de variância (variance inflation factor - VIF) para avaliar a multicolinearidade. Como todos os valores ficaram abaixo de 1,7, os resultados indicam que a multicolinearidade não representa uma preocupação, apesar da presença de correlações significativas.

Tabela 8
Mapa de correlação das variáveis

Painel A: matriz de correlação
	DPCAR	NPL	OCR	RORA	LIQ	LEV	RAR	SIZE	GDP	INF	COVID
DPCAR	1
NLR	0,09*	1
OCR	-0,30***	0,05	1
RORA	0,05	-0,13***	-0,24***	1
LIQ	0,21***	-0,18***	-0,18***	0,01	1
LEV	-0,32***	0,22***	0,27***	-0,07	0,09*	1
RAR	0,11**	0,25***	-0,10**	-0,09*	-0,13***	-0,31***	1
SIZE	-0,12**	-0,13**	0,16***	0,06	0,00	0,43***	-0,34***	1
GDP	-0,11**	0,18***	0,01	-0,02	-0,27***	0,06	-0,04	0,10**	1
INF	-0,04	0,10**	0,10**	0,04	-0,09*	-0,03	0,03	0,01	-0,11**	1
COVID	-0,02	-0,01	-0,01	-0,07	0,14**	0,01	0,02	-0,01	-0,49***	0,07	1
Painel B: VIF
VIF		1,38	1,23	1,39	1,32	1,21	1,52	1,60	1,06	1,36	1,44

• VIF = fator de inflação da variância.
• ***, ** e * indicam, respectivamente, níveis de significância de 1%, 5% e 10%.
• Fonte: Elaborada pelos autores.

4.2 Análise de Regressão em Painel

Esta seção examina os modelos de regressão em painel especificados na Seção 3.2. A Tabela 9 apresenta os resultados das estimativas pooled, efeitos fixos, efeitos aleatórios e GMM dinâmicos. Os testes do multiplicador de Lagrange e de Hausman favorecem a especificação de efeitos fixos, indicando a presença de heterogeneidade não observada correlacionada com as variáveis explicativas.

Tabela 9
Resumo dos modelos de painel

	Pooled	Efeitos Fixos	Efeitos Aleatórios
NPL	-0,9847***	-0,1925	-0,1680
OCR	-0,0386***	-0,0146*	-0,0157**
RORA	-0,0303	2,9194***	2,9037***
LIQ	0,2911***	0,1747***	0,1708***
LEV	-0,0104***	-0,0067***	-0,0060***
RAR	-0,1421	-0,2280	-0,2152
SIZE	0,0061**	0,0153	-0,0011
GDP	-0,1177***	-0,1150***	-0,0486*
INF	-0,6414	-0,6455*	-0,4506
COVID	-0,0431**	-0,0323***	-0,0124
Intercepto	0,4458***		0,4079***
R2	0,2640	0,1860	0,1610
R2 ajustado	0,2450	0,1340	0,1440
Estatística F do modelo	14,068***	8,658***	76,0540***
Teste F para efeitos fixos		51,784***
Teste do multiplicador de Lagrange		42,426***
Teste de Hausman		23,620***
		GMM em Diferenças	GMM Sistêmico
NPL		-0,4767***	-0,7608**
OCR		-0,0193**	0,0389
RORA		0,9465*	6,3796***
LIQ		0,0809	0,6173**
LEV		-0,0163***	-0,0118
RAR		-0,9184***	0,4704
SIZE		-0,1066*	0,0155**
GDP		0,0190	0,0554
INF		-0,3384	-0,1493
COVID		-0,0013	-0,0023
Instrumentos (n)		15	15
Teste de Wald		359,5476***	522,6983***
AR(1)		-2,1999**	-1,8016*
AR(2)		-1,2409	-1,4711
Teste de diferença de Hansen		-1,4211

• Nota: os p-valores para os betas foram calculados utilizando a matriz de covariância robusta para painéis.
• AR(1) = modelo autorregressiva de 1ª ordem; AR(2) = modelo autorregressiva de 2ª ordem; GMM = método generalizado dos momentos.
• ***, ** e * indicam níveis de significância de 1%, 5% e 10%, respectivamente.
• Fonte: Elaborada pelos autores.

Dada a natureza dinâmica do ajuste de capital bancário e a potencial endogeneidade, a análise também se baseia em estimadores de painel dinâmicos. Os resultados do GMM diff devem ser interpretados com cautela, pois a presença de correlação serial de segunda ordem nos resíduos diferenciados sugere uma violação das condições de momento, limitando a confiabilidade dessa especificação.

Em contrapartida, o estimador GMM sys oferece uma estrutura mais robusta, sem evidência de autocorrelação de segunda ordem. Além disso, o teste de diferença de Hansen corrobora a validade dos instrumentos de nível adicional, indicando que eles não introduzem viés nas estimativas em relação aos instrumentos de diferença. Esse resultado é particularmente relevante em painéis com N pequeno e T moderado, onde a identificação fraca e a proliferação de instrumentos são preocupações centrais.

Por fim, a análise econométrica não tem como objetivo maximizar a adequação do modelo ou a precisão preditiva. Valores mais baixos de R² em modelos de efeitos fixos e dinâmicos são esperados devido ao foco na variação intra-bancária. Assim, como o objetivo principal é a inferência prudencial, e não a previsão, enfatizando relações economicamente e estatisticamente significativas, ao mesmo tempo em que aborda adequadamente a endogeneidade e a heterogeneidade não observada.

4.2.1 Qualidade dos ativos

A variável NPL, associada à dimensão de qualidade dos ativos do CAMELS, exibe um coeficiente negativo e estatisticamente significativo na especificação pooled e, mais importante ainda, nas estimativas GMM dinâmicas. Em particular, os resultados do GMM sys indicam que os bancos com níveis mais elevados de empréstimos inadimplentes tendem a manter uma menor parcela de adequação de capital acima do mínimo regulatório, reforçando sua caracterização como instituições de maior risco do ponto de vista prudencial.

Embora o coeficiente não seja estatisticamente significativo no modelo de efeitos fixos, a estrutura dinâmica sugere que o risco de crédito desempenha um papel relevante na formação da adequação de capital, uma vez que a endogeneidade e a dinâmica de ajuste sejam devidamente abordadas.

De uma perspectiva econômica, um risco de crédito mais elevado exerce pressão descendente sobre o capital por meio do aumento das provisões para perdas com empréstimos e da redução da rentabilidade, limitando os recursos disponíveis para a formação de capital excedente. Além disso, uma deterioração na qualidade dos ativos aumenta os ativos ponderados pelo risco, elevando assim o denominador do CAR e restringindo ainda mais a adequação de capital.

Essas conclusões são consistentes com evidências empíricas anteriores relatadas por Abba et al. (2018) e Thach e Pham (2022), que também documentam uma relação negativa entre o risco de inadimplência e a capitalização bancária, destacando a vulnerabilidade da adeaução de capital à deterioração da carteira de crédito.

4.2.2 Qualidade da gestão

O OCR apresenta um coeficiente negativo e estatisticamente significativo nos modelos agrupados e de efeitos fixos, indicando que os bancos com custos operacionais mais elevados em relação às receitas tendem a operar mais próximos do capital mínimo regulatório. Esse resultado sugere que uma menor eficiência gerencial está associada a menores adicionais de capital.

Economicamente, um OCR mais elevado reflete perdas de produtividade, estruturas de custos rígidas ou margens comprimidas, o que limita a geração de lucros e retarda a acumulação de capital próprio. Como o CAR é sensível ao capital de nível 1, uma qualidade de gestão mais fraca restringe diretamente a capacidade dos bancos de manter adequação de capital acima do mínimo regulatório. Essa interpretação é consistente com a visão de que a regulamentação de capital exerce um efeito disciplinador sobre o comportamento gerencial, incentivando melhorias na governança e na eficiência operacional (Lotto, 2018).

No quadro dinâmico, o efeito negativo permanece significativo na especificação GMM diff, mas perde significância e muda de sinal na especificação GMM sys. Esse padrão sugere que, uma vez que o ajuste dinâmico, a heterogeneidade não observada e a simultaneidade entre as decisões de gestão e a capitalização sejam totalmente controlados, o efeito independente da eficiência operacional sobre a adequação de capital torna-se menos robusto. De modo geral, as evidências indicam que a ineficiência gerencial está associada menores adequações de capital, embora essa relação se enfraqueça no modelo dinâmico totalmente especificado.

4.2.3 Ganhos

Em termos de rentabilidade, corroborando a literatura anterior, os coeficientes calculados indicam uma relação positiva entre RORA e DCAR. Autores como Abba et al. (2018) e Gharaibeh (2023), por exemplo, destacam que a rentabilidade é um determinante-chave da solvência bancária, reforçando a capacidade dos bancos de resistir a choques e atender confortavelmente aos requisitos de capital regulatório e, consequentemente, apresentar uma estrutura prudencial melhor.

Além disso, esta análise também reflete a potencial endogeneidade das variáveis CAMELS. Abreu e Camargos (2022), por exemplo, analisaram como os lucros são impactados pela adequação de capital, reforçando a necessidade de modelos apropriados para análise, como o GMM.

4.2.4 Liquidez

No que diz respeito à LIQ, este apresenta uma relação positiva com o DCAR nas especificações pooled, de efeitos fixos e GMM, indicando que os bancos que detêm uma maior proporção de ativos líquidos tendem a manter uma adequação de capital mais elevada que o mínimo regulatório. Esse padrão reflete uma estrutura de balanço mais conservadora e maior capacidade de absorver choques adversos, em consonância com a literatura prudencial que associa a liquidez a posições de capital mais sólidas e maior resiliência (Bhattarai, 2020; Thach & Pham, 2022).

Em contrapartida, o coeficiente de liquidez não é estatisticamente significativo na estimativa GMM diff, sugerindo que as variações de curto prazo nas posições de ativos líquidos não exercem um efeito independente claro sobre o DCAR uma vez consideradas as primeiras diferenças. Isso pode refletir atritos de ajuste, já que o reequilíbrio da liquidez envolve realocações de carteira cujo impacto sobre a adequação de capital se materializa em horizontes mais longos. Assim, quando informações de nível e dinâmicas de longo prazo são incorporadas na especificação GMM sys, a relação positiva entre liquidez e capital é restaurada.

Quanto ao LEV, observa-se uma associação negativa com o DCAR nos modelos de painel tradicionais, que permanece negativa nas especificações dinâmicas. Esse resultado corrobora as conclusões de Aktas et al. (2015) e Thach e Pham (2022), indicando que bancos mais alavancados tendem a operar com menor capital excedente. Embora a alavancagem possa aumentar os retornos de curto prazo, uma maior dependência do financiamento por dívida restringe a acumulação de reservas de capital e reduz a resiliência prudencial.

4.2.5 Sensibilidade

Finalmente, a dimensão de sensibilidade ao risco do CAMELS apresenta resultados mistos nas especificações. Os modelos de painel tradicionais indicam uma relação negativa entre a exposição ao risco de mercado e o DPCAR, sugerindo que bancos com maior sensibilidade ao risco de mercado tendem a operar com um menor adicional de adequação de capital, possivelmente refletindo um comportamento de assunção de risco mais agressivo, em linha com Hunjra et al. (2020), Keqa (2021) e Lappay et al. (2021).

Em contrapartida, os resultados do GMM sistêmico revelam uma associação positiva entre a sensibilidade ao risco de mercado e o DPCAR, em consonância com Abba et al. (2018). Essa constatação sugere que, uma vez que a endogeneidade e o ajuste dinâmico sejam devidamente considerados, os bancos com maior exposição ao risco de mercado tendem a manter maiores níveis de adequação de capital, seja em resposta a requisitos regulatórios, seja porque instituições mais bem capitalizadas são mais capazes de absorver as flutuações do mercado. De modo geral, as evidências indicam que a relação entre a sensibilidade ao risco de mercado e a adequação de capital depende da especificação, com estimativas dinâmicas destacando o papel compensatório do capital na gestão do risco de mercado.

4.2.6 Tamanho

O tamanho do banco, medido como o logaritmo natural do total de ativos, exibe uma relação dependente da especificação com o DPCAR. Na estimativa GMM diff, o tamanho está negativamente associado à adequação de capital, indicando que bancos maiores tendem a operar mais próximos do mínimo regulatório. Esse padrão pode refletir benefícios de diversificação, economias de escala e estruturas de financiamento mais estáveis, permitindo que grandes instituições mantenham adicionais mais reduzidos sem comprometer a solidez prudencial. Resultados semelhantes são relatados em estudos de mercados emergentes por Bhattarai (2020), Thach e Pham (2022) e Thuong et al. (2024).

Em contrapartida, os resultados do GMM sys revelam um coeficiente positivo e estatisticamente significativo para o tamanho do banco, sugerindo que, uma vez que as dinâmicas de longo prazo, a heterogeneidade não observada e a endogeneidade sejam devidamente controladas, os bancos maiores tendem a manter uma adequação de capital mais elevada. De uma perspectiva prudencial, essa constatação pode refletir um escrutínio regulatório mais rigoroso das instituições de importância sistêmica, bem como sua maior capacidade de gerar capital interno e acessar os mercados de capitais. Essa interpretação é consistente com as evidências relatadas por Aktas et al. (2015) e Keqa (2021).

4.2.7 Variáveis externas

No que diz respeito aos fatores macroeconômicos, as estimativas tradicionais de painel revelam uma relação negativa entre o DCAR e o PIB, consistente com a natureza pró-cíclica do comportamento bancário. Durante as expansões econômicas, maior apetite pelo risco e crescimento do crédito tendem a levar os bancos a operar com adequação de capital mais reduzida, uma vez que os recursos são alocados para a expansão do balanço patrimonial em vez de para a acumulação prudencial.

No âmbito dinâmico, no entanto, o efeito do PIB sobre o DCAR perde significância estatística uma vez que a endogeneidade e a dinâmica de ajuste são explicitamente controladas. Isso sugere que o crescimento econômico afeta a adequação de capital principalmente por meio de canais indiretos, como lucratividade, risco de crédito ou composição do balanço patrimonial, em vez de um impacto direto sobre o capital excedente, em consonância com Nguyen (2023).

A inflação exibe um efeito negativo e estatisticamente significativo sobre o DCAR nos modelos de efeitos fixos e GMM sys, indicando que o aumento dos preços enfraquece a capacidade dos bancos de sustentar maiores adequações de capital. Uma inflação mais elevada aumenta os custos operacionais e de financiamento, comprime as margens e está frequentemente associada a condições monetárias mais restritivas, limitando assim a geração interna de capital. Esta evidência corrobora as conclusões de Bhattarai (2020), Thach e Pham (2022) e Thuong et al. (2024).

Por fim, a variável dummy da COVID controla um choque sistêmico exógeno que alterou as condições macroeconômicas e o ambiente prudencial. Embora não seja estatisticamente significativa nas especificações dinâmicas, sua inclusão isola os efeitos da incerteza relacionada à pandemia e da flexibilidade regulatória temporária, garantindo que as relações estimadas para o PIB e a inflação não sejam confundidas por esse episódio extraordinário.

4.2.8 Robustez e determinantes-chave

A análise empírica identifica os principais determinantes da adequação de capital detido pelos bancos acima do mínimo regulatório, conforme medido pelo DCAR. De modo geral, os resultados são consistentes com as expectativas teóricas e evidências empíricas anteriores, embora algumas relações apresentem sensibilidade à especificação econométrica. Uma constatação central é a presença de endogeneidade entre as principais variáveis explicativas, particularmente rentabilidade, liquidez e alavancagem, destacando a importância de estimadores dinâmicos capazes de lidar com a simultaneidade e os processos de ajuste de capital.

Comparações entre modelos de painel tradicionais e especificações dinâmicas mostram que, uma vez que a endogeneidade é devidamente controlada, algumas relações perdem significância estatística ou tornam-se dependentes da especificação, como observado para o PIB e a liquidez. Esse resultado ressalta a complexidade das interações entre fatores específicos dos bancos e condições macroeconômicas, bem como as limitações das abordagens estáticas em capturar essas dinâmicas.

Apesar dessa sensibilidade, quatro variáveis permanecem robustas em todas as especificações, tanto em sinal quanto em significância estatística: empréstimos inadimplentes, RORA, alavancagem e inflação. A estabilidade desses efeitos indica que a qualidade dos ativos, a capacidade de geração de lucros, a estrutura de financiamento e o ambiente inflacionário são determinantes centrais do comportamento prudencial dos bancos e de sua capacidade de manter uma adequação de capital acima do mínimo regulatório.

Em conjunto, esses resultados sugerem que os formuladores de políticas e os gestores bancários devem acompanhar de perto essas dimensões, especialmente durante períodos de tensão financeira ou expansão econômica. Além disso, a comparação entre modelos estáticos e dinâmicos reforça a relevância da endogeneidade entre os indicadores CAMELS e corrobora os resultados do sistema GMM, validados por testes diagnósticos padrão, como a base mais confiável para inferências prudenciais.

5. CONSIDERAÇÕES FINAIS

Este estudo examinou os principais determinantes da adequação de capital em bancos comerciais brasileiros sob a estrutura de Basileia III, com ênfase nas dimensões CAMELS e nas condições macroeconômicas. A capitalização bancária desempenha um papel central na estabilidade financeira em meio à crescente complexidade regulatória e ao risco sistêmico, tornando a identificação dos fatores determinantes da adequação de capital essencial tanto para o desenho regulatório quanto para as decisões estratégicas dos bancos.

A análise empírica utilizou dados de painel trimestrais de 15 bancos comerciais brasileiros de 2018 a 2024. Modelos de painel estáticos foram inicialmente estimados, seguidos por especificações dinâmicas utilizando estimadores GMM diff e GMM sys para lidar com endogeneidade, simultaneidade e dinâmicas de ajuste de capital. A variável dependente, definida como a diferença entre a adequação de capital observada e o mínimo regulatório, forneceu uma medida direta dos adicionais de capital prudencial.

Os resultados indicam que a adequação de capital é determinada por uma combinação de características específicas dos bancos e condições macroeconômicas, embora seus efeitos dependam da especificação econométrica. A qualidade dos ativos, a rentabilidade, a alavancagem e a inflação emergem como os determinantes mais robustos, influenciando consistentemente a adequação de capital em todos os modelos. Bancos com maior qualidade de crédito, maior capacidade de geração de lucros, menor alavancagem e que operam em ambientes de inflação mais baixa tendem a manter níveis mais elevados de capital acima do mínimo regulatório.

Outras dimensões do CAMELS e variáveis de controle, incluindo eficiência da gestão, liquidez, sensibilidade ao risco de mercado, tamanho do banco e crescimento econômico, mostram maior sensibilidade à especificação do modelo. Embora os modelos estáticos produzam relações intuitivas, esses efeitos frequentemente se enfraquecem quando a endogeneidade e o ajuste dinâmico são levados em conta, ressaltando a relevância das abordagens de painel dinâmico para a análise prudencial.

Apesar de suas contribuições, este estudo apresenta limitações. A amostra relativamente pequena de bancos pode restringir a validade externa, e variáveis institucionais ou de governança não foram explicitamente incorporadas. Pesquisas futuras poderiam ampliar a amostra, incluir indicadores qualitativos de governança e gestão de risco e explorar modelos estruturais para identificar melhor os canais de transmissão indireta, particularmente aqueles que ligam as condições macroeconômicas à adequação de capital.

Referências bibliográficas

• Abba, G., Okwa, E., Soje, B., & Aikpitanyi, L. (2018). Determinants of capital adequacy ratio of deposit money banks in Nigeria. Journal of Accounting & Marketing, 7(2), 1000271. https://doi.org/10.4172/2168-9601.1000271
  » https://doi.org/10.4172/2168-9601.1000271
• Abreu, D. P. A. de, & de Camargos, M. A. (2022). Aplicação do modelo CAMELS na avaliação da rentabilidade do setor bancário brasileiro. Revista Evidenciação Contábil & Finanças, 10(3), 100-117. https://doi.org/10.22478/ufpb.2318-1001.2022v10n3.61571
  » https://doi.org/10.22478/ufpb.2318-1001.2022v10n3.61571
• Akhtar, S., Azmi, S. N., Khan, P. A., Jan, A. A., & Ansari, Z. (2024). Unveiling the financial landscape: Analyzing profitability, productivity, and efficiency of banks in an emerging economy using the CAMELS framework and panel analysis. Cogent Business & Management, 11(1), 2399747. https://doi.org/10.1080/23311975.2024.2399747
  » https://doi.org/10.1080/23311975.2024.2399747
• Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297. https://doi.org/10.2307/2297968
  » https://doi.org/10.2307/2297968
• Athanasoglou, P. P., Brissimis, S. N., & Delis, M. D. (2008). Bank-specific, industry-specific and macroeconomic determinants of bank profitability. Journal of International Financial Markets, Institutions and Money, 18(2), 121-136. https://doi.org/10.1016/j.intfin.2006.07.001
  » https://doi.org/10.1016/j.intfin.2006.07.001
• Banco Central do Brasil. (2013). RESOLUÇÃO Nº 4.192, DE 1º DE MARÇO DE 2013. Dispõe sobre a metodologia para apuração do Patrimônio de Referência (PR). https://www.bcb.gov.br/htms/normativ/RESOLUCAO4192.pdf
  » https://www.bcb.gov.br/htms/normativ/RESOLUCAO4192.pdf
• Banco Central do Brasil. (2022). Relatório de estabilidade financeira (n. 2). https://www.bcb.gov.br/content/publicacoes/ref/202210/RELESTAB202210-refPub.pdf
  » https://www.bcb.gov.br/content/publicacoes/ref/202210/RELESTAB202210-refPub.pdf
• Basel Committee on Banking Supervision. (1988). International convergence of capital measurement and capital standards. Bank for International Settlements . https://www.bis.org/publ/bcbs04a.htm
  » https://www.bis.org/publ/bcbs04a.htm
• Basel Committee on Banking Supervision. (1996). Amendment to the capital accord to incorporate market risks. Bank for International Settlements . https://www.bis.org/publ/bcbs24.htm
  » https://www.bis.org/publ/bcbs24.htm
• Basel Committee on Banking Supervision. (2004). Basel II: International Convergence of Capital Measurement and Capital Standards: a Revised Framework. Bank for International Settlements. https://www.bis.org/publ/bcbs107.htm
  » https://www.bis.org/publ/bcbs107.htm
• Basel Committee on Banking Supervision. (2011). Basel III: A global regulatory framework for more resilient banks and banking systems - Revised version June 2011. Bank for International Settlements. https://www.bis.org/publ/bcbs189.htm
  » https://www.bis.org/publ/bcbs189.htm
• Belém, V. C., & Gartner, I. R. (2016). Empirical analysis of Brazilian banks’ capital buffers during the period 2001-2011. Revista Contabilidade & Finanças, 27, 113-124. https://doi.org/10.1590/1808-057x201612300
  » https://doi.org/10.1590/1808-057x201612300
• Berger, A. N., & DeYoung, R. (1997). Problem loans and cost efficiency in commercial banks. Journal of Banking & Finance, 21(6), 849-870. https://doi.org/10.1016/S0378-4266(97)00003-4
  » https://doi.org/10.1016/S0378-4266(97)00003-4
• Bhattarai, B. P. (2020). Determinants of capital adequacy ratio of commercial banks in Nepal. Asian Journal of Finance & Accounting, 12(1), 194-214. https://doi.org/10.5296/ajfa.v12i1.17521
  » https://doi.org/10.5296/ajfa.v12i1.17521
• Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143. https://doi.org/10.1016/S0304-4076(98)00009-8
  » https://doi.org/10.1016/S0304-4076(98)00009-8
• Carvalho, J. A. de, & Dantas, J. A. (2021). Relationship between market discipline and capital buffers in Brazilian banks. Revista Contabilidade & Finanças , 32, 109-125. https://doi.org/10.1590/1808-057x202010400
  » https://doi.org/10.1590/1808-057x202010400
• Demirguc‐Kunt, A., Detragiache, E., & Merrouche, O. (2013). Bank capital: Lessons from the financial crisis. Journal of money, credit and Banking, 45(6), 1147-1164. https://doi.org/10.1111/jmcb.12047
  » https://doi.org/10.1111/jmcb.12047
• Ding, H., & Ding, N. (2024). Analysis of the effectiveness of macro-prudential policy regulation in China in the context of digital finance. Technological Forecasting and Social Change, 201, 123195. https://doi.org/10.1016/j.techfore.2023.123195
  » https://doi.org/10.1016/j.techfore.2023.123195
• Gharaibeh, A. M. O. (2023). The determinants of capital adequacy in the Jordanian banking sector: An autoregressive distributed lag-bound testing approach. International Journal of Financial Studies, 11(2). https://doi.org/10.3390/ijfs11020075
  » https://doi.org/10.3390/ijfs11020075
• Hunjra, A. I., Zureigat, Q., Mehmood, R., Hunjra, A. I., Zureigat, Q., & Mehmood, R. (2020). Impact of capital regulation and market discipline on capital ratio selection: A cross country study. International Journal of Financial Studies , 8(2). https://doi.org/10.3390/ijfs8020021
  » https://doi.org/10.3390/ijfs8020021
• Isayas, Y. N. (2022). Determinants of banks’ profitability: Empirical evidence from banks in Ethiopia. Cogent Economics & Finance, 10(1), 2031433. https://doi.org/10.1080/23322039.2022.2031433
  » https://doi.org/10.1080/23322039.2022.2031433
• Keqa, F. (2021). The determinants of banks’ capital adequacy ratio: Evidence from Western Balkan countries. Journal of Governance and Regulation, 10(2), 352-360. https://doi.org/10.22495/jgrv10i2siart15
  » https://doi.org/10.22495/jgrv10i2siart15
• Kwan, S., & Eisenbeis, R. A. (1997). Bank risk, capitalization, and operating efficiency. Journal of Financial Services Research, 12(2), 117-131. https://doi.org/10.1023/A:1007970618648
  » https://doi.org/10.1023/A:1007970618648
• Lappay, K. T., Shetty, S. K., & Nagesha, C. S. (2021). Effect of risk and returns on capital adequacy ratio with reference to selected commercial banks in India. Asian Journal of Research in Banking and Finance, 11(6-7), 17-25. https://doi.org/10.5958/2249-7323.2021.00011.0
  » https://doi.org/10.5958/2249-7323.2021.00011.0
• Le, V. H., Nguyen, A. H., Le, T. M. T., & Cao, V. B. (2022). Factors affecting capital adequacy ratio of joint-stock commercial banks in Vietnam. Journal of International Economics and Management, 22(1), 42-62. https://doi.org/10.38203/jiem.022.1.0041
  » https://doi.org/10.38203/jiem.022.1.0041
• Lotto, J. (2018). The empirical analysis of the impact of bank capital regulations on operating efficiency. International Journal of Financial Studies , 6(2), 34. https://doi.org/10.3390/ijfs6020034
  » https://doi.org/10.3390/ijfs6020034
• Mili, M., Sahut, J.-M., & Trimeche, H. (2014). Determinants of the capital adequacy ratio of a foreign bank’s subsidiaries: The role of the interbank market and regulation of multinational banks [Working paper]. Ipag Business School. https://EconPapers.repec.org/RePEc:ipg:wpaper:2014-366
  » https://EconPapers.repec.org/RePEc:ipg:wpaper:2014-366
• Nguyen, H. (2023). Credit risk and financial performance of commercial banks: Evidence from Vietnam [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2304.08217
  » https://doi.org/10.48550/arXiv.2304.08217
• Nugroho, M., Halik, A., & Arif, D. (2020). Effect of CAMELS ratio on Indonesia banking share prices. The Journal of Asian Finance, Economics and Business, 7(11), 101-106. https://doi.org/10.13106/JAFEB.2020.VOL7.NO11.101
  » https://doi.org/10.13106/JAFEB.2020.VOL7.NO11.101
• Oliveira, G. C. de, & Ferreira, A. N. (2018). Basileia III: Concepção e implementação no Brasil. Revista Tempo do Mundo, 4(1), 115-146.
• Peppe, M. S. (2006). O novo acordo da Basileia. Trevisan Editora.
• Roodman, D. (2009). How to do Xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal: Promoting Communications on Statistics and Stata, 9(1), 86-136. https://doi.org/10.1177/1536867X0900900106
  » https://doi.org/10.1177/1536867X0900900106
• Rosa, P. S., & Gartner, I. R. (2018). Financial distress in Brazilian banks: An early warning model. Revista Contabilidade & Finanças , 29, 312-331. https://doi.org/10.1590/1808-057x201803910
  » https://doi.org/10.1590/1808-057x201803910
• Sahajwala, R., & Van den Bergh. - (2000). Supervisory risk assessment and early warning systems [Working Paper]. Basle Committee on Banking Supervision.
• Schaeck, K., & Cihák, M. (2012). Banking competition and capital ratios. European Financial Management, 18(5), 836-866. https://doi.org/10.1111/j.1468-036X.2010.00551.x
  » https://doi.org/10.1111/j.1468-036X.2010.00551.x
• Shrieves, R. E., & Dahl, D. (1992). The relationship between risk and capital in commercial banks. Journal of Banking & Finance , 16(2), 439-457. https://doi.org/10.1016/0378-4266(92)90024-T
  » https://doi.org/10.1016/0378-4266(92)90024-T
• Takahashi, F. L., & Vasconcelos, M. R. (2022). Eficiência bancária no Brasil (2010-2019): uma análise de dois estágios. Revista de Economia Mackenzie, 19(2), 165-187. 10.5935/1808-2785/rem.v19n2p.165-187.
  » https://doi.org/10.5935/1808-2785/rem.v19n2p.165-187
• Thach, N., & Pham, N. (2022). What affects the capital adequacy ratio? A clear look at Vietnamese commercial banks. In N. N. Thach, V., Kreinovich, D. T., Ha, & N. D., Trung (Eds.), Financial econometrics: Bayesian analysis, quantum uncertainty, and related topics (pp. 297-309). Springer.
• Thuong, D. T. H., Ha, D. T., Thanh, B. D., & Ngoc, N. H. (2024). Factors affecting capital adequacy ratio of the commercial bank in Vietnam. InN. N. Thach , N. D. Trung, D. T. Ha, & V. Kreinovich (Eds.), Partial identification in econometrics and related topics (pp. 399-416). Springer Nature. https://doi.org/10.1007/978-3-031-59110-5_27
  » https://doi.org/10.1007/978-3-031-59110-5_27
• Ünvan, Y. A. (2020). Determinants of bank capital adequacy ratio in Ghana. Yaşar Üniversitesi E-Dergisi, 15(58), 160-166. https://doi.org/10.19168/jyasar.655952
  » https://doi.org/10.19168/jyasar.655952
• Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data. MIT Press.
• Zhou, Q., Faff, R., & Alpert, K. (2014). Bias correction in the estimation of dynamic panel models in corporate finance. Journal of Corporate Finance, 25, 494-513. https://doi.org/10.1016/j.jcorpfin.2014.01.009
  » https://doi.org/10.1016/j.jcorpfin.2014.01.009

• Este é um texto bilíngue. Este artigo foi escrito originalmente no idioma inglês, publicado sob o DOI https://doi.org/10.1590/1808-057x20262503.en
• Trabalho apresentado no XLIX Encontro da ANPAD (EnANPAD), Aracaju, SE, Brasil, outubro de 2025.
• DECLARAÇÃO DE DISPONIBILIDADE DE DADOS
  Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível no link: https://www3.bcb.gov.br/ifdata/ Todo o conjunto de dados que dá suporte aos resultados deste estudo pode ser disponibilizado a partir de solicitação aos autores.
• DECLARAÇÃO DE UTILIZAÇÃO DE IA
  Os autores declaram que utilizaram inteligência artificial generativa nas seguintes etapas de produção deste manuscrito: - Refinamento de texto: ChatGPT. Os autores também declaram que, independentemente do uso das ferramentas acima citadas, todo o conteúdo gerado foi supervisionado, verificado e validado criticamente por humanos. Os autores assumem total e exclusiva responsabilidade pela precisão dos dados, integridade das fórmulas matemáticas/estatísticas, originalidade do texto e pelas conclusões apresentadas no artigo publicado.

Editado por

• Editor-Chefe Acadêmico:
  Andson Braga de Aguiar

• Editora Associada:
  Andrea Maria Accioly Fonseca Minardi

Disponibilidade de dados

Todo o conjunto de dados que dá suporte aos resultados deste estudo está disponível no link: https://www3.bcb.gov.br/ifdata/ Todo o conjunto de dados que dá suporte aos resultados deste estudo pode ser disponibilizado a partir de solicitação aos autores.

Datas de Publicação

• Publicação nesta coleção
  27 Jul 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  24 Out 2025
• Revisado
  05 Nov 2025
• Aceito
  06 Jan 2026