Você está na página 1de 124

BRUNO BOZON FURLAN

MODELAGEM ESTATSTICA APLICADA


VALORIZAO DE AES

Trabalho de Formatura apresentado Escola


Politcnica da Universidade de So Paulo para
obteno do Diploma de Engenheiro de Produo

So Paulo
2009

BRUNO BOZON FURLAN

MODELAGEM ESTATSTICA APLICADA


VALORIZAO DE AES

Trabalho de Formatura apresentado Escola


Politcnica da Universidade de So Paulo para
obteno do Diploma de Engenheiro de Produo

Orientador: Prof. Dr. Jos Joaquim do Amaral Ferreira

So Paulo
2009

FICHA CATALOGRFICA

Furlan, Bruno Bozon


Modelagem estatstica aplicada valorizao de aes / B.B.
Furlan. -- So Paulo, 2009.
112 p.
Trabalho de Formatura - Escola Politcnica da Universidade
de So Paulo. Departamento de Engenharia de Produo.
1. Aes 2. Estatstica aplicada 3. Regresso linear 4. Sries
temporais I. Universidade de So Paulo. Escola Politcnica. Departamento de Engenharia de Produo II. t.

DEDICATRIA

minha famlia.

AGRADECIMENTOS
Acima de tudo minha famlia, por tudo o que me proporcionaram, por terem
moldado a pessoa que sou hoje e pelo apoio incondicional em todos os momentos da minha
vida.

Ao meu orientador, Prof. Dr. Jos Joaquim do Amaral Ferreira, pela receptividade,
pelas ideias e pelo incentivo.

A todos da Fundamento, em especial ao meu chefe e amigo Guilherme Russo, pela


confiana no meu trabalho e pela oportunidade de ganhar experincia profissional da melhor
maneira possvel: aplicando na prtica o que aprendi, aprendendo mais e mais continuamente
e vendo os frutos de um trabalho bem feito na forma de resultados consistentes.

A todos os professores, colegas e funcionrios da Poli e da Ecole des Mines de SaintEtienne, por tudo o que a vida acadmica acrescentou minha formao pessoal, profissional
e intelectual.

E, por fim, aos meus amigos, sempre ao meu lado mesmo quando estamos distantes.

RESUMO
O preo de uma ao raramente reflete com exatido o resultado dos modelos de
anlise fundamentalista, variando de acordo com a percepo dos investidores sobre o cenrio
para a empresa e com a abundncia ou escassez, no mercado, de capital disponvel para
investir. Assim, as flutuaes em sua cotao podem ser relacionadas a diversas variveis,
ligadas aos fundamentos da empresa, economia global e viso dos investidores sobre o
mercado acionrio como um todo, sobre um pas ou sobre um setor da economia em particular.

Este trabalho tem por objetivo elaborar modelos para detectar sobrevalorizaes ou
subvalorizaes momentneas das aes da mineradora Vale S.A., antiga Companhia Vale do
Rio Doce, cotadas na Bolsa de Valores de So Paulo, em relao a outras variveis
quantitativas relacionadas aos seus preos, tais como cotaes de aes de empresas do
mesmo setor negociadas em outras bolsas de valores, bem como ndices bursteis, taxas de
cmbio e preos de commodities, de modo a proporcionar uma ferramenta para detectar
oportunidades de operaes de giro de curtssimo prazo (intra-dirias) tirando proveito de tais
distores do mercado.

Para isso, so empregadas tcnicas de modelagem estatstica, como a regresso linear


mltipla e ferramentas de anlise de sries temporais, com dados referentes ao perodo entre
dezembro de 2008 e maio de 2009. O ms de junho de 2009 foi utilizado como perodo de
validao, de modo a comprovar a eficcia dos modelos.

Palavras-chave: Aes. Estatstica aplicada. Regresso linear. Sries temporais.

ABSTRACT
The price of a stock rarely ever reflects precisely the result of models based in
fundamental analysis, fluctuating along with the way investors perceive the scenario for the
company and with the abundance or scarcity of available investing capital in the market.
Hence, the variations in stock quotes can be related to several variables, linked to the
companys fundamentals, global economy and investors view on the stock market as a whole,
on a country or on a given economic sector.

The present study aims to develop models to detect temporary over- or undervaluation
of the shares issued by Brazilian mining company Vale S.A., formerly known as Companhia
Vale do Rio Doce, listed at the Bovespa (So Paulo Stock Exchange), in comparison to other
quantitative variables related to their prices, such as quotes for shares of companies on the
same sector traded in other stock exchanges, as well as stock exchange indices, exchange
rates and commodity prices, so as to offer a tool which could detect opportunities for intraday
operations, making profits out of such market distortions.

In order to accomplish this goal, this study employs statistical modeling techniq ues
such as multiple linear regression and time series analysis tools, applied to a set of data from
the period between December 2008 and May 2009. The month of June 2009 was used as a
validation period, so as to prove the efficacy of the models.

Keywords: Stocks. Applied Statistics. Linear regression. Time series.

LISTA DE FIGURAS
Figura 2.1 - Exemplos de correlao ........................................................................................27
Figura 2.2 - ACF de uma srie sem autocorrelaes significativas..........................................36
Figura 2.3 - ACF de uma srie com fortes autocorrelaes .....................................................36
Figura 2.4 Exemplo de PACF (1) ..........................................................................................37
Figura 2.5 - Exemplo de PACF (2)...........................................................................................37
Figura 2.6 - Diagrama de disperso com as variaes reais do Ibovespa em agosto de 2006 e
as previses correspondentes pelo modelo de Castro Neto. .....................................................48
Figura 3.1 - Evoluo das cotaes das aes ordinrias e preferenciais da Vale ...................60
Figura 3.2 - Evoluo dos ndices Ibovespa e S&P 500 ...........................................................60
Figura 3.3 - Evoluo das cotaes das aes das mineradoras Rio Tinto e BHP Billiton......60
Figura 3.4 - Evoluo das cotaes das aes das mineradoras XStrata e AngloAmerican....61
Figura 3.5 - Evoluo do ndice FTSE 100 e das taxas de cmbio do dlar norte-americano,
libra esterlina e euro em relao ao real ...................................................................................61
Figura 3.6 - Evoluo das cotaes dos contratos futuros de commodities: nquel, alumnio,
cobre e petrleo.........................................................................................................................62
Figura 3.7 - Evoluo dos ndices JPMorgan EMBI Brazil (Risco Brasil) e Baltic Dry Index63
Figura 3.8 - Evoluo da VALE3 e Modelo 1. .........................................................................68
Figura 3.9 - Resduos do Modelo 1, em funo dos valores estimados pelo modelo...............68
Figura 3.10 - Resduos do Modelo 1, pela ordem cronolgica dos dados ................................69
Figura 3.11 - Funo de autocorrelao dos resduos do Modelo 1 .........................................69
Figura 3.12 - Funo de autocorrelao parcial dos resduos do Modelo 1 .............................70
Figura 3.13 - Evoluo da VALE3 e Modelo 1 com AR(1).....................................................71
Figura 3.14 - Resduos do Modelo 1 com AR(1), pela ordem cronolgica dos dados.............71
Figura 3.15 - Funo de autocorrelao dos resduos do Modelo 1 com AR(1) ......................72
Figura 3.16 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as
previses correspondentes pelo Modelo 1 com AR(1) .............................................................74
Figura 3.17 - Evoluo da VALE3 e Modelo 2........................................................................75
Figura 3.18 - Resduos do Modelo 2, pela ordem cronolgica dos dados ................................76
Figura 3.19 - Resduos do Modelo 2, em funo dos valores estimados pelo modelo.............76
Figura 3.20 - Funo de autocorrelao dos resduos do Modelo 2 .........................................77
Figura 3.21 - Funo de autocorrelao parcial dos resduos do Modelo 2 .............................77
Figura 3.22 - Evoluo da VALE3 e Modelo 2 com AR(1).....................................................78

Figura 3.23 - Resduos do Modelo 2 com AR(1), pela ordem cronolgica dos dados.............78
Figura 3.24 - Funo de autocorrelao dos resduos do Modelo 2 com AR(1) ......................79
Figura 3.25 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as
previses correspondentes pelo Modelo 1 com AR(1) .............................................................80
Figura 3.26 - Rendimentos logartmicos reais da VALE3 e Modelo 3 em funo do tempo ..84
Figura 3.27 - Resduos do Modelo 3, pela ordem cronolgica dos dados ................................85
Figura 3.28 - Funo de autocorrelao dos resduos do Modelo 3 .........................................85
Figura 3.29 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as
previses correspondentes pelo Modelo 3 ................................................................................87
Figura 3.30 - Evoluo das cotaes de VALE3 (real e modelos 1+3 e 3) ..............................90

LISTA DE TABELAS
Tabela 2.1 - Anlise de Varincia .............................................................................................32
Tabela 2.2 - Padres de autocorrelao e modelos ARMA associados....................................38
Tabela 2.3 - Resultados do modelo de Castro Neto (2006) para previso do Ibovespa ...........46
Tabela 2.4 - Erros do modelo de Castro Neto no perodo de teste, em valores absolutos e em
porcentagem do desvio padro das variaes do Ibovespa ......................................................47
Tabela 2.5 - Valores das variveis do modelo de Castro Neto em 31/07/2006 ........................49
Tabela 3.1 - Horrios de abertura da Bovespa e NYSE e de fechamento da LSE ...................58
Tabela 3.2 - Horrios de abertura da Bovespa e NYSE + 20 minutos e fechamento da LSE..58
Tabela 3.3 - Coeficientes de correlao entre VALE3 e as outras variveis............................63
Tabela 3.4 - Escala de coeficientes de correlao ....................................................................64
Tabela 3.5 - Clculo de VALE3 pelo Modelo 1 com AR(1) ....................................................73
Tabela 3.6 - Estudo dos erros do Modelo 1 com AR(1) no perodo de validao....................73
Tabela 3.7 - Clculo de VALE3 pelo Modelo 2 com AR(1) ....................................................79
Tabela 3.8 - Estudo dos erros do Modelo 2 com AR(1) no perodo de validao....................80
Tabela 3.9 - Coeficientes de correlao entre rendimentos dirios de VALE3 e das outras
variveis ....................................................................................................................................83
Tabela 3.10 - Clculo de VALE3 pelo Modelo 3 .....................................................................86
Tabela 3.11 - Estudo dos erros do Modelo 3 no perodo de validao.....................................86
Tabela 3.12 - Resultados dos modelos 1, 2 e 3 no ms de junho de 2009................................88
Tabela 3.13 - Correlaes entre os erros dos modelos 1, 2 e 3.................................................89
Tabela 3.14 - Erros dos novos modelos 1+3 e 2+3 no ms de junho .......................................89
Tabela 3.15 - Cotaes de VALE3 (real e modelos 1+3 e 3)...................................................90

LISTA DE SIGLAS
ACF: AutoCorrelation Function
ADR: American Depositary Receipt
ANBID: Associao Nacional dos Bancos de Investimento
ANCOR: Associao Nacional das Corretoras
ANOVA: ANalysis Of VAriance
AR: Auto-Regressive
ARMA: Auto- Regressive Moving Average
ASX: Australian Securities eXchange
BDI: Baltic Dry Index
BDR: Brazilian Depositary Receipt
BM&F: Bolsa de Mercadorias e Futuros
BOVESPA: Bolsa de Valores de So Paulo
CBLC: Companhia Brasileira de Liquidao e Custdia
DCF: Discounted Cash Flow
FIA: Fundo de Investimento em Aes
HEM: Hiptese da Eficincia dos Mercados
IBOVESPA: ndice Bovespa
JSE: Johannesburg Stock Exchange
LME: London Metals Exchange
LSE: London Stock Exchange
MA: Moving Average
NASDAQ: National Association of Securities Dealers Automated Quotations
NYMEX: New York Mercantile Exchange
NYSE: New York Stock Exchange
PACF: Partial AutoCorrela tion Function
RWH: Random Walk Hypothesis
S&P: Standard & Poors
VR: Variance Ratio
WTI: West Texas Intermediate

SUMRIO
1.

2.

Introduo .......................................................................................................................15
1.1.

A Empresa: Fundamento Asset Management S.A. ..................................................15

1.2.

O estgio ...................................................................................................................16

1.3.

Contexto do problema ...............................................................................................18

1.4.

Objeto de estudo .......................................................................................................19

1.5.

Definio do problema .............................................................................................21

1.6.

Objetivo ....................................................................................................................22

Estudo Bibliogrfico .......................................................................................................27


2.1.

2.1.1.

Covarincia e correlao...................................................................................27

2.1.2.

Modelos de regresso .......................................................................................28

2.1.3.

Determinao dos coeficientes de regresso ....................................................30

2.1.4.

Anlise de varincia..........................................................................................31

2.1.5.

Seleo de variveis..........................................................................................33

2.1.6.

Sries temporais ................................................................................................34

2.2.

3.

Fundamentao terica .............................................................................................27

Conceitos dos mercados financeiros e aplicaes ....................................................38

2.2.1.

Previsibilidade dos preos e a Hiptese de Eficincia dos Mercados ..............38

2.2.2.

Contgio entre mercados ..................................................................................42

2.2.3.

Aplicaes de regresso e sries temporais aos mercados de aes.................45

Elaborao dos Modelos.................................................................................................53


3.1.

Seleo das variveis ................................................................................................53

3.2.

Definio das sries de dados ...................................................................................57

3.3.

Normalizao dos dados ...........................................................................................59

3.4.

Observao qualitativa e grfica das variveis .........................................................59

3.5.

Correlaes ...............................................................................................................63

3.6.

Regresso linear mltipla .........................................................................................65

3.6.1.

Modelo 1: VALE3 em funo das outras variveis, sem transformao

logartmica ........................................................................................................................67
3.6.2.

Modelo 2: VALE3 em funo das outras variveis, exceto Ibovespa, sem

transformao logartmica. ...............................................................................................75

3.6.3.

Modelo 3: VALE3 em funo das outras variveis, exceto Ibovespa, com

transformao logartmica. ...............................................................................................82


3.6.4.
4.

Discusso dos modelos .....................................................................................88

Concluso.........................................................................................................................93

REFERNCIAS BIBLIOGRFICAS ..................................................................................97


ANEXO I DADOS UTILIZADOS NA CONFECO DOS MODELOS ...................100
ANEXO II SADAS DO SOFTWARE R 2.7.2 ...............................................................107

Captulo 1 Introduo

INTRODUO

Modelagem Estatstica Aplicada Valorizao de Aes

13

Captulo 1 Introduo

15

1. Introduo
1.1. A Empresa: Fundamento Asset Management S.A.

O estgio est sendo efetuado na empresa Fundamento Asset Management S.A.,


gestora de recursos que opera principalmente aes e derivativos (opes de aes e contratos
futuros de ndice Bovespa) negociados na BM&FBovespa. A gesto baseada
primordialmente nos princpios da anlise fundamentalista baseada nos dados obtidos
atravs de balanos, demonstraes de resultados, notcias, comunicados e conversas com
empresas e outros analistas, visando avaliar o valor intrnseco das aes e as perspectivas para
seus preos mas conta tambm com a utilizao frequente de anlise tcnica, que busca
encontrar e explorar padres e referncias nos preos de aes, empregada com o objetivo de
identificar os melhores instantes para comprar ou vender uma determinada ao.

A origem da Fundamento remonta ao incio da dcada de 2000, quando o economista


Guilherme Matheus Russo, aps obter a certificao de agente autnomo de investimento1
pela ANCOR, iniciou junto corretora Souza Barros a atividade de administrao de carteiras
de aes e opes para clientes individuais (pessoa fsica), captados atravs de contatos
pessoais e familiares. A atividade individual logo converteu-se em uma empresa, a GMR
Agente Autnomo de Investimento Ltda., atravs da qual Guilherme passou a contratar
funcionrios e estagirios para auxili-lo em suas tarefas.

Aps obter para seus clientes rentabilidades bastante superiores mdia do mercado
por quatro anos consecutivos, Guilherme iniciou um clube de investimento, o Fundamento I,
fundado em dezembro de 2005. Com o bom desempenho do Fundamento I, que proporcionou
durante os primeiros anos rendimentos significativamente superiores aos do ndice Bovespa, o
clube logo atingiu o limite mximo de 150 cotistas previsto pelas normas da Bolsa de Valores
de So Paulo, o que levou fundao, durante o ano de 2007, de dois outros clubes de
investimento, batizados Alicerce e Concreto. A empresa, usando o nome fantasia Fundamento
Administrao de Recursos, tambm manteve paralelamente a gesto de carteiras individuais.

Agente autnomo de investimento : profissional que atua na distribuio e mediao de ttulos, valores
mobilirios, quotas de fundos de investimentos e derivativos, sob a responsabilidade de instituies integrantes
do sistema de distribuio de valores mobilirios (p. ex. corretoras).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

16

Em 2008, Guilherme Russo e Diogo Nagado (ex-gerente de risco para fundos de


investimento do Private Banking do JP Morgan Chase) constituram a Fundamento Asset
Management S.A., com a finalidade de ingressar no mercado de fundos de investimento.
Devido a restries legais, a empresa de agente autnomo teve sua propriedade transferida
para Newton Russo e seu nome alterado para Escolha Ideal Agente Autnomo de
Investimento Ltda., continuando responsvel pelas carteiras individuais, bem como pela
distribuio das cotas dos fundos que vierem a ser geridos pela Fundamento Asset
Management. Os clubes de investimento j citados passaram a ter oficialmente uma gesto
profissionalizada da Fundamento, remunerada por uma taxa de gesto.

No final de maro de 2009, entrou em operao o Fundamento Plus FIA, fundo de


investimentos enquadrado pela ANBID na categoria aes livre com alavancagem. Aes
livre significa que a nica restrio fundamental na composio da carteira do fundo a de
possuir no mnimo 67% do seu patrimnio aplicado em aes, sem que haja obrigao de
seguir a composio (ou objetivo de acompanhar o comportamento) de um determinado
ndice; com alavancagem indica que a exposio a renda varivel pode superar 100% do
patrimnio, ou seja, que existe a possibilidade terica de perda superior ao patrimnio lquido
do fundo. A remunerao da Fundamento, no papel de gestora, consiste principalmente de
uma taxa de performance semestral correspondente a 25% da valorizao das cotas do fundo
que exceder o Ibovespa, principal ndice de referncia do mercado acionrio brasileiro.

Atualmente, a Fundamento e a Escolha Ideal so, juntas, respons veis pela gesto de
cerca de R$ 40 milhes entre clubes de investimento, fundo de investimento e carteiras de
clientes individuais, operando regularmente junto a quatro corretoras (Interfloat, Bradesco,
Gradual e Souza Barros).

1.2. O estgio

Por se tratar de uma empresa de pequeno porte, comum na Fundamento que haja
acmulo de funes. Por exemplo, enquanto em uma gestora de grande porte a negociao de
aes e opes feita por profissionais (traders) independentes da equipe de gesto, que toma
as decises principais quanto s estratgias de investimento e repassa ordens para que os

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

17

traders as executem, na Fundamento as mesmas pessoas que participam das decises


estratgicas tambm compram e vendem aes diretamente.

O estgio est sendo realizado na equipe de gesto, com participao na negociao


(trading), na anlise (fundamentalista e tcnica) e na tomada de deciso estratgica. Entre as
funes desempenhadas esto:

Acompanhamento de cotaes de aes, ndices, commodities e moedas, entre outros,

em tempo real, atravs da plataforma Bloomberg Professional;

Acompanhamento de notcias, anlises e comentrios, nos planos microeconmico

(empresas) e macroeconmico (mercados nacionais e internacionais), em tempo real atravs


da Bloomberg Professional e de sites especializados;

Elaborao de resumos dirios para anlise fundamentalista a partir da leitura e

sntese de relatrios recebidos por e- mail contendo dados e opinies de analistas sell side2 de
grandes instituies financeiras (JP Morgan, Morgan Stanley, Merrill Lynch, Credit Suisse,
Deutsche Bank, Santander, Ita, Bradesco e outras);

Anlise tcnica de aes, ndices e pares long/short, frequentemente para tomada de

deciso rpida durante o prego e execuo imediata de ordens de compra e venda;

Negociao de aes e opes, atravs do software CMA;

Controle de fluxo de caixa dos clubes e fundo em tempo real, atravs de planilhas

compartilhadas entre os terminais de negociao que calculam o caixa disponvel para os


dias seguintes em funo das operaes executadas no prego em curso;

Analistas sell side: profissionais contratados por instituies financeiras para elaborar relatrios contendo suas
anlises de mercado, a serem divulgados aos clientes dessas instituies e ao pblico em geral. Frequentemente
so especialistas em um determinado setor econmico, fornecendo anlises bastante detalhadas de seus objetos
de estudo.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

18

Participao em reunies peridicas (em mdia duas a trs vezes por semana) da

equipe de gesto, a fim de discutir a composio das carteiras dos clubes e fundo e as
estratgias de posicionamento e de operaes de giro para os dias seguintes;

Auxlio na redao de relatrios mensais para os cotistas, contendo dados sobre a

estratgia dos clubes de investimento, seu desempenho no ms e perspectivas para os meses


seguintes, comentrios sucintos sobre os acontecimentos e dados econmicos divulgados nos
mercados nacionais e internacionais e anlises pontuais de empresas cujas aes tenham
pesos elevados nas carteiras geridas pela Fundamento.

1.3. Contexto do problema

O Fundamento Plus FIA, produto para o qual ser aplicado o resultado deste trabalho,
um fundo de investimento enquadrado na categoria aes livre com alavancagem,
conforme explanado anteriormente. Na prtica, seu regulamento permite que sejam utilizadas
em sua gesto estratgias que extrapolam largame nte a simples alocao percentual de
recursos em uma carteira de aes. Entre as operaes que podem ser efetuadas esto tambm
a compra e venda de opes (inclusive venda a descoberto, ou seja, emitir uma opo de
compra de uma determinada ao sem possuir em carteira o ativo correspondente, obrigandose a compr- lo para entrega ao detentor da opo, ou a recomprar a prpria opo, caso o
preo da ao seja maior do que o preo de exerccio da opo no dia do vencimento), compra
e venda de contratos futuros do Ibovespa (o equivalente a comprar ou vender a variao
da cotao do ndice: diariamente, o detentor de posio vendida paga ao detentor de posio
comprada uma quantia correspondente variao positiva do Ibovespa, ou recebe dele quantia
equivalente variao negativa do ndice), operaes no mercado a termo (compra ou venda
de aes para liquidao em um prazo determinado e prorrogvel, permitindo comprar aes
sem desembolsar imediatamente seu valor, apenas depositando uma quantia ou outras aes
como garantia) e vendas a descoberto (vender aes sem possu- las, entregando ao
comprador aes alugadas, para lucrar com a queda de suas cotaes recomprando-as a preos
mais baixos). Esta ltima modalidade de negociao possibilita uma estratgia muito utilizada
por fundos do tipo multimercado e tambm pelo Fundamento Plus FIA: a arbitragem
long/short, que consiste em comprar uma ao e vender outra a descoberto com o objetivo de
lucrar com a valorizao relativa entre as duas.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

19

Por ter liberdade para operar tanto na ponta da compra quanto na da venda e por pagar
taxas de corretagem bastante baixas, o fundo utiliza intensamente operaes de giro de curto
prazo inclusive comprando e vendendo aes no mesmo dia com grande frequncia. Uma
parcela significativa da alta rentabilidade obtida pelo Fundamento Plus FIA em seus primeiros
seis meses (mais de 120%, comparvel alta de 44% do Ibovespa no mesmo perodo) proveio
de operaes de giro.

O problema a ser abordado por este Trabalho de Formatura envolve a criao de uma
ferramenta para deteco de oportunidades para operaes de giro de curtssimo prazo (intradirias) com aes de elevada liquidez, ou seja, grande volume de negociao. Em nossa
anlise, utilizaremos especificamente as aes ordinrias e preferenciais da mineradora Vale
S.A., antiga Companhia Vale do Rio Doce, negociadas na Bovespa sob os cdigos VALE3 e
VALE5, respectivamente.

1.4. Objeto de estudo

A BM&FBovespa (Bolsa de Valores, Mercadorias e Futuros de So Paulo) a


segunda maior bolsa de valores do continente americano e a terceira maior do mundo. Sua
criao resultou da fuso, em 8 de maio de 2008, da Bolsa de Valores de So Paulo (Bovespa)
com a Bolsa de Mercadorias e Futuros (BM&F). Seus mercados abrangem a negociao de
ttulos e valores mobilirios de renda varivel e renda fixa (aes, BDRs, cotas de
determinados fundos de investimento, debntures, recibos de aes, direitos de subscrio),
alm de derivativos agropecurios (acar cristal, boi gordo, caf, etanol, milho e soja) e
financeiros, como ouro, ndices de aes, ndices de inflao, taxas de cmbio e taxas de juro.
Desde julho de 2009, todas as operaes na BM&FBovespa so realizadas por meio de
plataformas eletrnicas de negociao, tendo deixado de existir os antigos preges de viva
voz.

Conforme j explicitado, trabalharemos especificamente com o mercado de aes. O


desempenho das aes cotadas na Bovespa intrinsecamente relacionado a um grande
nmero de variveis, que determinam o preo que o mercado entendido aqui como o
conjunto dos investidores e traders que atuam na Bolsa est disposto a pagar por elas.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

20

Como de conhecimento geral, cada ao representa uma parcela mnima do capital


de uma empresa, de modo que cada acionista detentor de uma participao social e tem
direito a receber uma parte dos lucros auferidos pela companhia (um mnimo de 25%
obrigatoriamente distribudo), atravs do pagamento de dividendos. Outras formas de
rendimentos tambm podem ser proporcionadas aos acionistas, tais como os juros sobre
capital prprio, as bonificaes em aes ou em dinheiro e os direitos de subscrio. No caso
das aes ordinrias, seus detentores tm tambm direito a voto nas assembleias, o que pode
levar o mercado a pagar um preo mais alto (com prmio) por elas do que pelas aes
preferenciais de uma mesma empresa.

Assim sendo, o preo justo de uma ao pode ser visto como o valor real da empresa,
que pode ser estimado em termos da esperana dos ganhos futuros que as atividades da
companhia devem proporcionar aos seus investidores. Uma tcnica largamente empregada
pelos analistas fundamentalistas para tal estimativa o chamado mtodo dos fluxos de caixa
descontados (DCF Discounted Cash Flow), modelo que consiste em somar os fluxos de
caixa esperados para os perodos (anos, por exemplo) futuros, at uma data indefinida
teoricamente seria por toda a perpetuidade, pois as empresas no tm data definida para
acabar descontados por uma taxa anual, conhecida como custo de capital, justificada pelo
fato de que uma quantia em dinheiro a receber em uma data futura (t) no equivale a ter a
mesma quantia hoje (t 0 ). A taxa de desconto uma composio de dois fatores: a taxa sem
risco, que equivale taxa de juros qual seria possvel aplicar o dinheiro entre t 0 e t, e o
prmio de risco, que reflete a remunerao extra que um investidor exigiria em troca dos
riscos de que os fluxos de caixa futuros no se materializem.

No entanto, a percepo do mercado quanto ao valor de uma ao dificilmente reflete


com exatido o resultado de uma avaliao fundamentalista em termos de DCF, por duas
razes primordiais. A primeira que essa avaliao nunca precisa, podendo resultar em
preos justos significativamente diferentes conforme o analista que a elabora e as premissas
tomadas para estimar os fluxos esperados, as incertezas e as taxas de desconto (como exemplo,
no final de maio de 2009, as aes ordinrias da MMX Minerao e Metlicos S.A.,
negociadas na Bovespa sob o cdigo MMXM3, eram avaliadas em R$ 2,00 pelo analista
Jorge Beristain, do Deutsche Bank, e em R$ 14,10 por Raphael Biderman, do Bradesco; nos
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

21

meses seguintes, Beristain subiu seu preo justo para R$ 6,00 e posteriormente para R$ 11,00).
A segunda, que os defensores da anlise fundamentalista consideram uma imperfeio do
mercado e acreditam que provoca apenas distores passageiras nos preos das aes, que
os investidores nem sempre esto dispostos a pagar aquilo que os modelos dizem que uma
ao vale. De fato, mesmo considerando um modelo do tipo DCF, os fluxos esperados e o
prmio de risco podem variar fortemente de acordo com as condies econmicas, com a
percepo de que o cenrio para a empresa pode vir a melhorar ou piorar nos prximos meses
ou anos e com a abundncia ou escassez de capital disponvel para investir, que influencia no
chamado apetite dos investidores por risco.

Consequentemente, as flutuaes no preo de uma ao podem ser relacionadas a


diversas variveis, algumas qualitativas e a maioria quantitativas, ligadas aos fundamentos da
empresa, economia global e viso dos investidores sobre o mercado acionrio como um
todo, sobre um pas ou sobre um setor da economia em particular. Este o objeto deste
trabalho, no qual buscaremos relacionar, com o auxlio de ferramentas de anlise estatstica, o
desempenho das aes da mineradora Vale S.A. com outras variveis quantitativas.

1.5. Definio do problema

Entre as estratgias utilizadas pelo Fundamento Plus FIA para obter retorno esto as
operaes de arbitragem. Bem que, formalmente, o termo arbitragem no contexto de
mercados financeiros se refira especificamente a operaes de compra e venda motivadas pela
diferena de preos de um mesmo ativo em diferentes mercados (o que constitui, por
definio, estratgia sem riscos) neste trabalho emprega mos a palavra em um sentido mais
amplo: qualquer operao que vise auferir lucro com a correo de distores temporrias
entre os preos de ativos que, embora diferentes entre si, possuam fundamentos e/ou
caractersticas intrnsecas que devem fazer com que seus preos variem de forma semelhante.
Trata-se de um consciente abuso de linguagem, j que o conceito descrito engloba operaes
que no so livres de risco, dentre as quais aquelas que sero motivadas pelo produto deste
trabalho.

As operaes de arbitragem com aes, no sentido amplo, podem ser divididas em


dois grupos: as motivadas por anlise fundamentalista, nas quais se detectam e exploram
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

22

distores nas precificaes de ativos diferentes em relao aos seus valores tericos, os quais
so altamente correlacionados (caso, por exemplo, dos long/short entre empresas
controladoras e suas controladas, como, no mercado atual, Bradespar x Vale ou Metalrgica
Gerdau x Gerdau S.A.), e as originadas na anlise tcnica, ou seja, em grficos e/ou modelos
quantitativos que utilizam dados e padres histricos de comportamento de ativos para
detectar oportunidades de compra e venda.

A motivao para o presente trabalho partiu especificamente da observao de uma


tcnica utilizada anteriormente pela equipe de negociao de aes da Fundamento,
consistindo em observar, momentos antes da abertura dos negcios na Bovespa, as cotaes
das aes das mineradoras Rio Tinto, AngloAmerican, XStrata e BHP Billiton negociadas na
London Stock Exchange e, a partir de suas variaes em relao ao dia anterior, prever qual
deveria ser a variao da cotao dos papis da Vale na abertura, com base (emprica) nas
altas correlaes entre as diversas aes do setor. Quando era constatada uma grande
divergncia entre a valorizao prevista e a valorizao efetiva das VALE3 e VALE5, os
traders da empresa buscavam aproveitar essas distores, apostando na convergncia
chamada corriqueiramente de ajuste entre as aes do setor.

O procedimento de se estimar as valorizaes das VALE3 e VALE5 a partir das


correlaes com outras variveis trouxe algum resultado positivo para os clubes de
investimento geridos pela Fundamento, mas dentro da prpria empresa foi sentida a
necessidade de se explorar melhor essas correlaes, pois vrias vezes viu-se que as previses
no haviam sido suficientemente precisas. Havia apenas um modelo linear bastante simples:
VALE3 = a1 * Rio + a 2 * Anglo + a3 * XStrata + a 4 * BHP (1)
onde os coeficientes a1 ,...,a4 eram determinados por critrios subjetivos, como os volumes
dirios negociados, por exemplo.

A partir dessa necessidade que foi definido o objetivo deste trabalho, descrito a
seguir.

1.6. Objetivo

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 1 Introduo

23

O objetivo do presente trabalho elaborar um modelo que permita detectar


sobrevalorizaes ou subvalorizaes momentneas das aes da mineradora Vale S.A.,
negociadas na Bovespa (cdigos VALE3 e VALE5), em relao aos preos de ativos com
comportamento historicamente e intrinsecamente semelhante, tais como aes de outras
empresas do setor de minerao cotadas em outras bolsas de valores do mundo, bem como
atrasos (lags) nas cotaes dessas aes em relao a variveis historicamente relacionadas
aos seus preos, de modo a proporcionar uma ferramenta para alimentar decises de compra e
venda e obter lucros tirando proveito de tais distores do mercado.

Para isso, sero empregadas tcnicas que fazem parte do arsenal proporcionado pelas
disciplinas do curso de Engenharia de Produo, em particular as da rea de Estatstica, como
a regresso linear mltipla e ferramentas de anlise de sries temporais.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

ESTUDO
BIBLIOGRFICO

Modelagem Estatstica Aplicada Valorizao de Aes

25

Captulo 2 Estudo Bibliogrfico

27

2. Estudo Bibliogrfico
A seguir, apresentaremos a teoria empregada na elaborao dos modelo s objeto deste
trabalho, proporcionando uma viso geral sobre a base matemtica e estatstica subjacente e
sobre alguns conceitos ligados aos mercados de capitais e, em particular, aos mercados de
aes. Citaremos tambm alguns trabalhos, desenvolvidos nos ltimos anos, que aplicaram
aos mercados acionrios conceitos semelhantes.
2.1. Fundamentao terica
2.1.1. Covarincia e correlao 3
Para se elaborar modelos que relacionem duas ou mais variveis, necessria, antes de
mais nada, uma mensurao do grau de correlao entre elas, ou seja, da intensidade da sua
tendncia de variao conjunta. Duas variveis podem apresentar correlao linear positiva,
negativa ou nula, ou ainda correlao no linear, como ilustram os diagramas de disperso
(grficos nos quais pontos no plano cartesiano XY representam simultaneamente os valores
de duas variveis medidas em cada elemento do conjunto de dados) abaixo:

Figura 2.1 - Exemplos de correlao


3

Adaptado de Costa Neto e Cymbalista (2005).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

28

Para uma mensurao adequada do atributo correlao, utiliza-se comumente o


coeficiente de correlao linear, ou coeficiente de Pearson, dado por:

S XY
S XX * SYY

r=

(2)

onde SXY representa a covarincia entre as variveis X e Y, dada por:

Sxy =

( x x )( y y)
i

n 1

(3)

onde cada x i representa uma observao da varivel aleatria x e x representa a mdia da


distribuio de probabilidade de x, estimada pela mdia dos x i observados. Percebe-se que SXY
representa efetivamente uma medida do grau de correlao entre as variveis, pois cada
parcela do somatrio ser positiva quando x i e yi estiverem ambos acima ou ambos abaixo de
suas mdias x e y e negativa no caso contrrio, sendo de magnitude tanto maior quanto for
maior a diferena de x i e yi em relao s suas mdias. No caso particular em que y = x, SXX
representa a varincia, parmetro indicativo da disperso, ou variabilidade, da varivel x.

A definio do coeficiente de correlao nada mais do que uma forma de normalizar


a covarincia entre duas variveis, anulando o efeito das disperses individuais de x e y, que
so afetadas pelas unidades adotadas. Divide-se a covarincia pelos respectivos desviospadro e obtm-se, assim, um indicador adimensional cujo valor varia entre -1 (correlao
linear negativa perfeita) e +1 (correlao linear positiva perfeita):

r=

( x x )( y y )
( x x ) ( y y)
i

2.1.2. Modelos de regresso 4

Itens 2.1.2 a 2.1.5 traduzidos e adaptados de Carraro (2005).

Modelagem Estatstica Aplicada Valorizao de Aes

(4)

Captulo 2 Estudo Bibliogrfico

29

A modelagem das relaes entre diversas variveis que apresentam variao conjunta,
tal como ser elaborada para aplicao s cotaes de aes, d-se atravs do uso das tcnicas
de regresso.

Segundo Carraro (2005), o objetivo geral das tcnicas de regresso descrever as


relaes entre diversas variveis com um objetivo de previso, a partir de observaes de tais
variveis. Em particular, o caso que interessa ao presente trabalho o de prever, ou explicar, o
comportamento de uma varivel Y, dita varivel resposta (a variao na cotao de uma ao,
por exemplo), em funo de outras variveis X1 , ..., Xp , chamadas de preditores, variveis
explicativas ou variveis preditivas. Para isso, parte-se sistematicamente de um conjunto de
dados que consiste em um determinado nmero, n, de realizaes do vetor (Y, X1 , ..., Xp ).

Nos tipos de modelos que iremos utilizar, uma limitao que a varivel resposta Y
seja quantitativa e possa ser tratada como contnua. Nos casos em que Y seja discreta ou
qualitativa, seu estudo feito atravs de outras tcnicas, como por exemplo a anlise
discriminante utilizada para classificao dos elementos de uma amostra ou populao,
portanto com resposta discreta correspondente ao grupo no qual se classifica cada um dos
elementos e os modelos lineares generalizados com resposta binria, ligada ao
acontecimento ou no de um determinado evento em funo de um conjunto de variveis
preditivas quantitativas (caso da regresso logstica).

Nas situaes nas quais aplicaremos as tcnicas de regresso, o produto final ser uma
relao do tipo:

y f ( x1 ,..., x p ) (5)
A forma da funo f pode, em alguns casos, no ser previamente determinada, sendo
estabelecida apenas aps a anlise dos dados coletados; nesse caso, trata-se de uma regresso
no-paramtrica. Caso contrrio, uma regresso paramtrica, categoria da qual a regresso
linear um caso particular, no qual f tem a forma:

f ( x1 ,..., x p ) = a0 + a1 x1 + ... + a p x p

(6)

Uma ltima distino importante deve ser feita a respeito do mecanismo de obteno
dos dados: se os nveis (valores) das variveis explicativas forem fixados pelo experimentador
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

30

que recolher os dados, tem-se um modelo de variveis controladas, com dados obtidos
atravs de mtodos de delineamento de experincias. Nesse caso, supondo-se um
planejamento adequado de recolhimento de dados, a observao do efeito das variveis
explicativas sobre a varivel resposta permite determinar uma relao de causa e efeito entre
elas. Se, ao contrrio, as variveis explicativas no forem pr-determinadas e sim observadas
ao mesmo tempo em que a varivel resposta, tem-se uma situao de variveis no
controladas. A ausncia de controle das variveis faz com que no seja possvel demonstrar
experimentalmente nenhuma relao de causa e efeito, j que sistematicamente possvel que
outras variveis no observadas possam influenciar simultaneamente o comportamento das
variveis explicativas e da resposta.

Em termos mais formais, nos mtodos de delineamento de experincias trabalha-se


com variveis explicativas determinsticas, enquanto que no segundo caso as variveis
explicativas podem ser consideradas como realizaes de variveis aleatrias.

No presente trabalho, utilizaremos essencialmente o modelo de regresso linear


mltipla (ou seja, com vrios preditores), tendo como resposta as variaes da cotao de uma
determinada ao e como variveis explicativas outras cotaes e ndices que sero tratados
como variveis aleatrias.

2.1.3. Determinao dos coeficientes de regresso

Conforme citado, o resultado de um modelo de regresso linear mltipla uma


equao que relaciona a varivel resposta y aos preditores x 1 , ..., x p , atravs de uma funo de
regresso, cf. equao (6).

Os termos a0 , ..., ap so chamados de coeficientes de regresso e sua determinao


feita de maneira a minimizar os erros (ou resduos) do modelo, isto , as diferenas entre os
valores y observados na prtica e os valores y = a0 + a1 x1 + ... + a p x p previstos pela equao
de regresso. Para isso emprega-se usualmente o chamado Mtodo dos Mnimos Quadrados,
que consiste em minimizar a soma dos erros quadrticos, definidos como o quadrado da
diferena entre cada um dos valores observados de y e seu respectivo valor previs to y :

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

31

S = ( yi y i ) = ( yi ( a0 + a1 x1i + ... + a p x p i )) 2 (7)


2

i =1

i =1

Para condensar as frmulas, utiliza-se frequentemente a notao matricial, denotando


Y o vetor (n x 1) das observaes da varivel resposta, X a matriz (n x p) das observaes dos
preditores e A o vetor (p x 1) dos coeficientes de regresso que se deseja obter:
x11 ... x1p
a1
y1

Y = ... ; X = ... ... ... ; A = ... (8)


xn1 ... x np
a p
y n

Para se estimar a matriz A, deve-se encontrar A que minimize a soma dos erros
quadrticos:

(9)

Demonstra-se atravs da lgebra matricial que o mnimo da soma acima, em funo da


matriz , d-se quando XX = XY, de onde se conclui, isolando , que:

A = ( X X ) 1 X Y (10)
O clculo da matriz dos coeficientes de regresso comumente feito por softwares de
anlise estatstica utilizando-se a frmula acima.

2.1.4. Anlise de varincia

Para medir o grau de aderncia do conjunto de dados estudados a um modelo de


regresso, emprega-se comumente a tcnica da anlise de varincia, que permite calcular a
poro da varincia da varivel resposta que explicada pelas variveis preditivas atravs do
modelo. A tabela da anlise de varincia tem a seguinte forma:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

Fonte

32

DF

SS

MS
SSR
Modelo
p
SSR
p
SSE
Erro
n p 1 SSE
n p 1
Total
n 1
SST
Tabela 2.1 - Anlise de Varincia

Na tabela, constam o nmero de graus de liberdade (DF Degrees of Freedom), a


soma dos desvios quadrticos (SS Sum of Squares) e os desvios quadrticos mdios (MS
Mean Square) explicados pelo modelo de regresso (Modelo), no explicados pelo modelo
(Erro) e os desvios totais.

O desvio quadrtico total, SST, representa a soma dos quadrados das diferenas das
observaes yi em relao sua mdia, y :

(11)

O desvio quadrtico explicado pela regresso, SSR, representa a soma dos quadrados
das diferenas em relao mdia, substituindo as observaes yi pelas previses obtidas
atravs do modelo de regresso:

(12)
A diferena entre as duas, SSE, representa a soma dos quadrados dos erros, ou
resduos, correspondentes s diferenas entre as observaes yi e os respectivos valores
previstos pelo modelo, ou seja:

(13)
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

33

O nmero de graus de liberdade, DF, indica o nmero de variveis que permitem


analisar as somas dos desvios quadrticos correspondentes.

Os desvios quadrticos mdios (MSR e MSE) destinam-se a estimar as varincias


correspondentes aos desvios SSR e SSE, sendo obtidos atravs da diviso das somas dos
quadrados pelo nmero de graus de liberdade correspondente.

A partir das somas dos quadrados define-se tambm o coeficiente de determinao


(R), que mede aproximadamente a proporo da variabilidade total que explicada pela
regresso, podendo ser considerado uma espcie de indicador de importncia do modelo :

(14)

J o quociente entre os quadrados mdios (MSR e MSE), comumente denotado F,


mede a significatividade do modelo. Demonstra-se que esse parmetro segue a chamada
distribuio F de Fisher-Snedecor, com p e n p 1 graus de liberdade; utilizando essa
propriedade, pode-se executar um teste de hipteses para verificar se o modelo significativo,
i.e., se possvel rejeitar, a um dado nvel de significncia, a hiptese inicial H0 de que os
coeficientes de regresso a1 , ..., ap so nulos. Para isso, basta comparar o valor de F calculado
com o valor tabelado da distribuio de Fisher-Snedecor.

2.1.5. Seleo de variveis

Quando se dispe de um grande nmero de variveis explicativas para a elaborao de


um modelo de regresso, surge o problema de selecionar quais dentre elas sero retidas para o
modelo final. Para essa tarefa, h duas metodologias principais, chamadas forward selection e
backward elimination.

No backward elimination, inicia-se com uma regresso contendo todos os preditores


disponveis. Para cada uma dessas variveis x i, calcula-se um teste de F de Snedecor parcial,
comparando os modelos com x i e sem x i; quando o teste mostra que uma das variveis
no significativa, ela eliminada da regresso. Repete-se o procedimento at que nenhuma
das variveis que permanecem no modelo possa ser eliminada.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

34

O forward selection tambm segue o princpio do teste de F, mas no sentido oposto:


parte-se de um modelo de regresso com apenas uma varivel x 1 , para em seguida testar as
demais variveis x i (iniciando normalmente pela de maior correlao com a resposta),
comparando via F os modelos com x i e sem x i, o que aponta a pertinncia de se incluir x i
na regresso. Quando se constata que todas as variveis que no esto no modelo no so
passveis de incluso, por no passarem no teste de F, define-se o modelo final.

H ainda um mtodo mais avanado, o stepwise, que equivale grosso modo a aplicar o
backward elimination a cada passo do forward selection. Parte-se de apenas uma varivel
explicativa e, a cada novo preditor includo, os anteriores so testados e, se considerados
dispensveis pelo teste de F, eliminados.
2.1.6. Sries temporais 5

Uma srie temporal pode ser definida como qualquer conjunto de observaes
ordenadas no tempo. Devido sua ocorrncia constante em inmeros campos do
conhecimento humano, desde a Fsica at os mercados financeiros, vrias tcnicas de anlises
de sries temporais foram desenvolvidas com vistas a aplicaes prticas, sendo amplamente
utilizadas em diversas reas. Os modelos utilizados para descrever sries temporais so
processos estocsticos, ou seja, regidos por leis probabilsticas.

Morettin (2005) define formalmente um processo estocstico da seguinte forma: seja T


um conjunto arbitrrio. Um processo estocstico uma famlia Z = {Z(t), t ? T}, tal que, para
cada t ? T, Z(t) uma varivel aleatria . Em outras palavras, um processo que liga uma
varivel aleatria a cada valor da varivel t, comumente associada ao tempo.

Um conceito importante para que se analise uma srie temporal o de


estacionariedade. A noo de que uma srie estacionria implica que ela se desenvolve ao
longo do tempo ao redor de uma mdia constante e uma varincia estvel. A maioria das
sries econmicas no estacionria, pois em geral apresenta tendncias, sendo o caso mais
simples e frequente aquele em que a srie flutua ao redor de uma reta, com inclinao positiva

Adaptado de Morettin (2005) e Roustant (2007)

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

35

ou negativa. Alm das tendncias, h tambm sries que apresentam sazonalidade, ou seja,
movimentos peridicos (ciclos), caso de muitas variveis econmicas que apresentam valores
consistentemente ligados aos meses do ano.

Para se obter uma srie estacionria a partir de uma srie no estacionria, h


transformaes que filtram tanto a tendncia quanto a sazonalidade. Roustant (2007) destaca,

como filtro de tendncia, o operador diferenciao ( ): y t


y t y t1 , considerando-se

que as tendncias tm frequentemente uma forma prxima de uma reta ascendente ou


descendente, dando a ideia de derivar a srie para elimin- las. J a sazonalidade pode ser
s
filtrada por diferenciao sazonal ( s ), ou seja, y t
yt y t s .

Para elaborar modelos capazes de explicar, e no apenas observar, os processos


estocsticos, supondo-os estacionrios, pode-se associar a eles duas caractersticas essenciais:
a funo de autocorrelao (ACF) e a funo de autocorrelao parcial (PACF).

Autocorrelaes so valores numricos que indicam como uma srie temporal se


relaciona com ela mesma durante o tempo. A autocorrelao (h) equivale correlao de
uma srie Xt com ela mesma, observada em instantes diferidos por um nmero de perodos h,
ou seja, ( h) = corr ( X t , X t + h ) . O nmero de perodos comumente chamado de lag. Por
exemplo, uma autocorrelao de lag 1 uma medida de como os valores sucessivos (de um
perodo de intervalo) de uma srie esto correlacionados; uma autocorrelao de lag 2 mede
como os valores de uma srie esto relacionados com os valores de dois perodos anteriores.

Assim como qualquer coeficiente de correlao, a autocorrelao varia entre -1


(autocorrelao negativa perfeita) e +1 (autocorrelao positiva perfeita); uma autocorrelao
prxima de 0 simplesmente diz que os dados no esto autocorrelacionados.

O diagrama de autocorrelaes, ou autocorrelograma, de uma srie ilustra a funo de


autocorrelao, que contm a magnitude de suas autocorrelaes para lags dados. Os
exemplos abaixo ilustram uma srie sem autocorrelaes significativas e outra
sistematicamente autocorrelacionada:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

36

Figura 2.2 - ACF de uma srie sem autocorrelaes significativas

Figura 2.3 - ACF de uma srie com fortes autocorrelaes

As autocorrelaes parciais de uma srie Xt com lag h medem as correlaes entre


observaes da srie que esto separadas por h perodos, aps remover o efeito das
defasagens intermedirias. Quando h autocorrelaes significativas em lag 1, por exemplo,
grande parte da correlao entre Xt e Xt-h devida s correlaes entre Xt e Xt-1 , entre Xt-1 e
Xt-2 e assim por diante; a autocorrelao parcial remove a influncia destes termos.
A funo de autocorrelao parcial (PACF) pode ser analisada de maneira
semelhante ACF. Os grficos abaixo mostram as autocorrelaes parciais das mesmas srias
cujas ACFs foram plotadas nas Figuras 2.2 e 2.3, respectivamente:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

37

Figura 2.4 Exemplo de PACF (1)

Figura 2.5 - Exemplo de PACF (2)

Nota-se que a segunda srie, apesar de possuir autocorrelaes bastante significativas


(cf. Figura 2.3), no apresenta grandes autocorrelaes parciais (Figura 2.5), pois tem
praticamente todas as autocorrelaes so explicadas pela ACF.

Os padres de autocorrelao e autocorrelao parcial so a base dos modelos


autorregressivos (AR) e dos modelos de mdia mvel (MA) utilizados para descrio e
previso de uma srie temporal.

Um modelo autorregressivo (AR) assemelha-se a uma regresso linear de uma srie


sobre ela prpria: X t = 1 X t 1 + ... + p X t p + Z t , onde (Zt) rudo branco, ou seja, as
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

38

variveis aleatrias Zt tm a mesma distribuio e no possuem qualquer correlao entre si.


J os modelos de mdia mvel (MA) so da forma X t = Z t + 1 Z t 1 + ... + q Z t q , onde Zt
rudo branco, o que equivale a dizer que Xt expresso como uma mdia mvel de Zt com os
pesos 1, 1 ,..., q .

Uma metodologia consagrada e largamente utilizada para a construo de modelos


ARMA (que combinam autorregresso e mdias mveis) proposta por Box e Jenkins,
consistindo nos seguintes passos:

Especificao: toma-se uma classe geral de modelos para anlise;

Identificao: com base nas autocorrelaes e autocorrelaes parciais, define-se o

modelo a ser utilizado;

Estimao: calcula-se os parmetros do modelo identificado;

Verificao: efetua-se a validao do modelo ajustado, atravs da anlise de seus

resduos.

O estudo dos padres formados pela ACF e PACF permite identificar quais
parmetros AR ou MA devem includos em um modelo de previso, conforme a tabela a
seguir:

Modelo

Padro ACF
Padro PACF
Declina exponencialmente com padro de
Picos significativos atravs das
AR(p)
onda senoidal
defasagens p
Picos significativos atravs das
MA(q)
Declina exponencialmente
defasagens q
ARMA(p,q)
Declina exponencialmente
Declina exponencialmente
Tabela 2.2 - Padres de autocorrelao e modelos ARMA associados

2.2. Conceitos dos mercados financeiros e aplicaes

2.2.1.

Previsibilidade dos preos e a Hiptese de Eficincia dos Mercados6

Os gestores de investimentos, ao serem procurados por um investidor, iniciam seu


trabalho tentando entender se tm pela frente um indivduo afeito ao risco, avesso ao mesmo,

Adaptado de Bruni (1998), Nakamura e Mendona (2003) Chang, Lima e Tabak (2003) e Costa (2007).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

39

ou ainda o que se pode chamar de racional: aquele que aceitar o risco como inevitvel para
conseguir algum retorno diferente do facilmente disponvel que, muitas vezes, est prximo
do zero, mas em compensao apresenta risco quase zero.

O gestor vai operar enfrentando o mercado, embora convencido do seu bom


funcionamento, buscando uma das raras oportunidades que s vezes ocorrem, pois sabe o
quanto difcil conseguir retornos elevados em pouco tempo.

Aps desviar-se do seu padro de trabalho, retorna anlise dos fatos passados,
estabelecendo correlaes com o presente para tomar suas decises, pois acredita na eficincia
dos mercados, sendo o sua maior tarefa a busca e processamento de boas informaes.

Alguns estudiosos dos mercados, ao constatarem resultados totalmente desligados de


eventos passados, buscam encontrar algum ingrediente que eventualmente tenha sido
esquecido na anlise.

H o registro de estudo feito por Taggart nos Estados Unidos e por Marsh no Reino
Unido, citando gestores que decidem comprar aes aps um movimento anormal de preos.
Operam no mercado dentro de ciclos de alta e de baixa, que eles mesmos estabelecem. Com
esse procedimento, ignoram a Hiptese da Eficincia dos Mercados (HEM), que no admite
retornos anormais obtidos atravs de decises baseadas em preos passados.

Roberts (1967) e Fama (1970), formulando as formas de eficincia dos mercados,


separaram as informaes em trs nveis:

As passadas (sries histricas dos preos);

As pblicas, incluindo preos passados e todas as outras informaes disponveis ao

mercado em geral;

Todo o conjunto de informaes (passadas e presentes, pblicas e privadas).

A Hiptese da Eficincia dos Mercados, ou HEM, a premissa de que os preos dos


ativos em um determinado momento refletem sistematicamente as informaes disponveis.
Ela apresenta trs formas, ligadas aos trs nveis de informaes apresentados, que
descreveremos a seguir.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

40

Logicamente, as trs formas de eficincia seguem um critrio de dominncia entre elas.


A forma semiforte exige que tenha sido atingido o nvel de forma fraca; a forma forte exige o
mesmo em relao s formas semiforte e fraca.

Forma Fraca: Todas as informaes baseadas em eventos passados foram


incorporadas pelo mercado e esto completamente refletidas nos preos, o que impede que se
consiga resultados anormais com base em informaes de cotaes passadas de ativos.

Forma Semiforte: Os preos incorporam amplamente as informaes disponveis ao


mercado, tanto as passadas quanto as presentes, como balanos, relatrios e anlises. Nenhum
investidor consegue resultados extraordinrios baseados em informaes pblicas, pois os
preos variam rapidamente em funo dessas informaes.

Damodaran (2001) considera que o impacto de uma informao relevante faz com que
o mercado reaja de trs maneiras diferentes:
a) imediatamente e no mesmo sentido da informao, positivo ou negativo;
b) gradualmente, medida em que vai se confirmando o contedo da informao;
c) instantaneamente, como em a), s que no sentido contrrio.

Forma Forte : Os preos incorporam instantaneamente todas as informaes


existentes, o que impede os investidores e traders de usar qualquer informao para auferir
lucros acima da mdia do mercado.

A forma forte da HEM implica a inexistncia de informaes privadas relevantes.


Aceit- la significa reconhecer que mesmo a obteno de uma informao antes de sua
divulgao pblica no ajuda a obter lucros, o que no s parece um contrassenso como
tambm j foi desprovado por estudos efetuados nos mercados do Brasil e de outros pases.
Os estudos da forma forte so feitos com investidores institucionais abastecidos
habitualmente de informaes privadas, como os fundos de penso, sendo concludo que, na
mdia, tais investidores conseguem retornos superiores aos dos ndices bursteis.

A maioria dos estudos da HEM fixa-se nas formas fraca e semiforte, rejeitando a
forma forte de eficincia. Um deles, aplicado ao mercado acionrio brasileiro, o ensaio de
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

41

Nakamura e Mendona (2003), A Hiptese de Eficincia de Mercado: Evidncia da Forma


Fraca na Bolsa de Valores de So Paulo, no qual os autores analisaram as correlaes seriais
entre mudanas sucessivas no logaritmo das cotaes (rendimentos logartmicos) de ndices e
preos de aes, tomando os ndices Ibovespa, IBX e FGV-100 e as aes Petrobras ON, Vale
PNA, Gerdau PN, Cia. Siderrgica Nacional ON, Souza Cruz ON e Bradesco PN, no perodo
de 2 de janeiro de 1996 a 3 de outubro de 2002. Consideraram as sries: intervalo dirio,
intervalo de dois dias, intervalo de quatro dias e intervalo de sete dias.

Concluram pela no evidncia de dependncia linear substancial entre as mudanas


nas cotaes dentro dos intervalos. As correlaes seriais medidas apresentaram resultados
prximos de zero, sustentando a afirmao de que no h tendncia na composio dos preos
e cotaes histricas.

Finalizam registrando que se pode afirmar que a Hiptese de Eficincia dos Mercados
foi comprovada sob a forma fraca na Bolsa de Valores de So Paulo, com a anlise dos
coeficientes lineares estudados.

Chang, Lima e Tabak (2003) tambm testaram a forma fraca da HEM para mercados
de aes da Amrica Latina (Brasil, Argentina, Chile e Mxico) e sia (ndia, Indonsia,
Japo, Malsia, Filipinas, Coreia do Sul, Taiwan e Tailndia), alm dos Estados Unidos.
Utilizando testes com o Variance Ratio (VR), ou seja,

VR( q) =

q2
q 2

(15)

onde q e 2 representam as varincias das sries de valores com incrementos de q


2

perodos e de 1 perodo, respectivamente.

Testando se os VRs desses mercados so suficientemente prximos de 1, os autores


buscaram afirmar ou negar a existncia de autocorrelaes significativas nos retornos,
analisando se poderiam considerar como vlida a chamada RWH (Random Walk Hypothesis),
ou hiptese do passeio aleatrio, segundo a qual a evoluo dos preos dos ativos se d
atravs de processos estocsticos totalmente imprevisveis, sem que uma direo seja mais
provvel do que outra.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

42

No entanto, para vrios dos mercados notadamente os emergentes asiticos os


testes apontaram para a rejeio da RWH, concluindo os autores que pode haver
oportunidades para explorar dependncias seriais nos ndices bursteis.

Ressaltamos que essa concluso aponta para uma rejeio da prpria HEM, inclusive
em sua forma fraca, indicando que pode ser possvel obter ganhos atravs de informaes
disponveis ao mercado, inclusive cotaes passadas e presentes.
2.2.2. Contgio entre mercados 7

Lobo (2007), em sua tese de doutoramento, analisa em detalhes o chamado fenmeno


de contgio entre mercados. Ressalta que a tendncia de integrao dos mercados financeiros
a nvel mundial, comumente chamada de globalizao, potencializa a ocorrncia de contgio,
j que o advento de novas tecnologias e a liberalizao dos mercados financeiros tem causado
um aumento notvel nos fluxos internacionais de capitais, o que, por sua vez, leva a um
aumento da interdependncia entre as economias e da possibilidade de transmisso
internacional de choques.

Vrias definies do que representa o conceito de contgio so apresentadas, a seguir:

Aumento significativo da probabilidade de ocorrncia de uma crise financeira num

pas, dado que h uma crise em outro pas;

Propagao da volatilidade das cotaes de ativos financeiros de um pas em crise para

os mercados financeiros de outros pases;

Aumento significativo na correlao entre as cotaes dos ativos financeiros entre

vrios mercados, dada a ocorrncia de um choque econmico em um mercado ou conjunto de


mercados;

Situao em que os movimentos dos preos so explicados largamente por fatores

no- fundamentais;

Adaptado de Lobo (2007).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

Ocorrncia

de

variaes

43

extremas

nas

cotaes

em

diversos

mercados

simultaneamente, pelo fa to de se considerar que os investidores reagem de forma no


proporcional a eventos entendidos como extremamente positivos ou extremamente negativos;

Transmisso internacional de choques.

Esta ltima a definio mais genrica, e tambm aquela que mais nos interessa para
o desenvolvimento deste trabalho. Lobo ressalta que ela difere das outras por assumir que o
contgio pode ocorrer tanto em perodos de crise como em perodos de atividade normal.
Neste contexto no h uma associao imediata apenas a choques com efeitos negativos, mas
tambm transmisso de efeitos positivos.

As teorias sobre o fenmeno de contgio indicam trs canais de transmisso: o canal


comercial, o canal financeiro e o contgio puro. No contgio fundamental (canais comercial e
financeiro), so considerados os efeitos que decorrem da interdependncia normal entre as
economias, de natureza real ou financeira, que implica que os choques, sejam eles de natureza
global ou regional, possam ser transmitidos entre pases. J o contgio dito puro ocorre
quando os canais fundamentais no conseguem explicar a totalidade da transmisso, que no
est relacionada com alteraes observadas nos fundamentos macroeconmicos ou outros,
mas sim com alteraes no comportamento dos agentes.

O contgio puro se d freque ntemente pelo chamado efeito manada, ou herding,


entre os investidores internacionais. Quando os investidores encontram motivo para imitar uns
aos outros nas suas decises de compra e venda, contribuem para que os choques econmicos
se propaguem entre os diversos mercados. Seja por no dispor de informaes particulares
para avaliar adequadamente os instrumentos financeiros que operam, seja por incentivos do
prprio mercado para que deixem de usar as suas prprias informaes e meios de avaliao,
colocando em xeque suas prprias capacidades por constatar que o mercado em geral no est
seguindo a direo esperada e, portanto, a estratgia utilizada deve ser modificada, comum
que a maioria assuma comportamentos de investimento uniformes.

Trs principais correntes buscam explicar o comportamento de herding: as cascatas de


informao, os problemas de agncia e a ineficincia informacional.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

44

A teoria das cascatas de informao pondera que a tarefa de escolher as melhores


alternativas de investimento pode ser bastante custosa, pelo que plausvel supor que, se os
indivduos forem capazes de comunicar entre si e observar as aes uns dos outros, eles
podem confiar nas informaes obtidas a partir dessa observao. essa informao derivada
do processamento dos dados obtidos pela observao dos restantes agentes que d origem s
chamadas cascatas de informao. importante notar que esse processo se baseia em decises
inteiramente racionais dos agentes de mercado, que na defesa dos seus interesses acabam por
ignorar a sua prpria informao e imitar o comportamento dos concorrentes que observa.

A hiptese dos problemas de agncia considera que os riscos de reputao dos


gestores de investimentos e analistas de mercado e a avaliao do desempenho destes agentes
em termos relativos (ou seja, o af de enfrentar a concorrncia e venc- la, sintetizado pela
expresso beat the market : vencer o mercado) conduzem ocorrncia de comportamentos de
imitao. Cada gestor tem incentivos para pautar-se pelas decises dos restantes, de maneira a
mostrar aos clientes que possui capacidades superiores. A remunerao de desempenho
atravs de taxas de performance (cf. Introduo, item 1.1) tambm uma causa dessa situao.

J os modelos que consideram as ineficincias informacionais como causa do herding


centram-se no estudo dos padres de obteno de informao por parte dos investidores.
Assim, h herding quando os investidores escolhem obter informaes sobre os mesmos
ativos a partir das mesmas fontes de informao, ou quando os investidores s processam uma
determinada informao se muitos outros tambm o fizerem.

No contexto do contgio internacional, os comportamentos de herding provenientes de


ineficincia informacional permitem explicar o fato de alguns mercados internacionais
receberem mais ateno por parte da maioria dos investidores, enquanto que outros de
caractersticas similares so praticamente ignorados.

Aplicando diversos testes, tais como testes de correlao, de raiz unitria e de


cointegrao, testes de causalidade de Granger e os baseados no clculo de modelos de
vetores autoregressivos, Lobo conclui pela existncia sistemtica de contgios entre diversos
mercados internacionais, tanto nos perodos de crise ao longo da dcada de 1990 e nas crises

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

45

da sia, da Rssia e de 11 de setembro de 2001, quanto em perodos de tranquilidade nos


mercados.

2.2.3. Aplicaes de regresso e sries temporais aos mercados de aes

Honrio (2008) analisou o comportamento das aes preferenciais da Petrobras


Petrleo Brasileiro S.A., do Banco Bradesco S.A. e da Companhia Vale do Rio Doce,
negociadas na Bovespa sob os cdigos PETR4, BBDC4 e VALE5, respectivamente, sob a
perspectiva de um investidor internacional (americano), justificada pela atratividade do
mercado acionrio brasileiro frente aos agentes estrangeiros.

Relacionando a evoluo das cotaes dos ativos citados a alguns ndices de aes,
preos de commodities, moedas e taxas de juros, atravs de anlise de correlaes, regresso
linear mltipla e sries temporais, concluiu pela influncia sistemtica de tais variveis na
valorizao das aes brasileiras.

J Castro Neto (2006), em seu Trabalho de Formatura, elaborou um modelo para


previso do Ibovespa atravs das correlaes entre sries brutas de dados, obtendo uma
equao de regresso em que as variveis preditivas so cotaes de commodities e ndices.
Tal modelo, quando testado com dados relativos a um perodo posterior ao de coleta dos
dados, obteve os seguintes resultados:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

Data
1/8/2006
2/8/2006
3/8/2006
4/8/2006
8/8/2006
9/8/2006
10/8/2006
11/8/2006
14/8/2006
15/8/2006
16/8/2006
17/8/2006
18/8/2006
21/8/2006
22/8/2006
23/8/2006
24/8/2006
25/8/2006
29/8/2006
30/8/2006
31/8/2006

46

Ibovespa
Real
36.839,31
37.288,40
37.451,19
37.847,88
37.600,44
37.255,12
37.353,76
36.944,43
36.556,88
37.295,93
37.677,81
37.558,89
37.551,71
37.160,60
36.677,51
35.512,10
35.797,26
35.957,52
36.303,67
36.313,43
36.232,22

Ibovespa
Modelo
37.405,77
37.240,29
37.502,08
37.445,22
37.948,50
37.176,47
37.207,37
37.316,55
36.797,35
36.958,34
37.502,24
37.246,36
37.153,91
37.234,50
36.603,42
36.670,35
35.652,16
36.852,45
35.824,43
36.725,16
35.671,71

Erro
-566
48
-51
403
-348
79
146
-372
-240
338
176
313
398
-74
74
-1158
145
-895
479
-412
561

Tabela 2.3 - Resultados do modelo de Castro Neto (2006) para previso do Ibovespa

Os resultados podem ser satisfatrios, considerando unicamente o objetivo de mostrar


quais variveis influenciam as flutuaes do Ibovespa, ou mesmo de analisar a evoluo do
ndice em intervalos de semanas, mas pode-se mostrar que a preciso no suficiente para
descrever suas variaes dirias. Os erros relativos para as cotaes dirias vo de 48 a 1158
pontos do ndice, cujo valor estava entre 35000 e 38000 no perodo. Isso significa erros de
0,12% at 3,3% na variao diria. Levando-se em conta que a mdia dos valores absolutos
das flutuaes dirias no perodo foi de 0,9%, os erros representam de 13% at mais de 300%
dessa mdia.

A tabela a seguir mostra os erros absolutos do modelo de Castro Neto para as


variaes dirias do Ibovespa:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

Data
1/8/2006
2/8/2006
3/8/2006
4/8/2006
8/8/2006
9/8/2006
10/8/2006
11/8/2006
14/8/2006
15/8/2006
16/8/2006
17/8/2006
18/8/2006
21/8/2006
22/8/2006
23/8/2006
24/8/2006
25/8/2006
29/8/2006
30/8/2006
31/8/2006
Desv. Pad.

Ibovespa
Real
36.839
37.288
37.451
37.848
37.600
37.255
37.354
36.944
36.557
37.296
37.678
37.559
37.552
37.161
36.678
35.512
35.797
35.958
36.304
36.313
36.232

Ibovespa
Modelo
37.406
37.240
37.502
37.445
37.949
37.176
37.207
37.317
36.797
36.958
37.502
37.246
37.154
37.235
36.603
36.670
35.652
36.852
35.824
36.725
35.672

47

Variao
Real

Variao
Modelo

449
163
397
-248
-345
99
-410
-387
739
382
-119
-7
-391
-483
-1.166
285
161
346
9
-81
433

-166
262
-57
504
-773
31
110
-520
161
544
-256
-92
81
-632
67
-1.018
1.200
-1.028
901
-1.053
622

Erro
Absoluto
615
99
454
752
428
68
520
133
578
162
137
85
472
149
1233
1303
1039
1374
892
972
Mdia

Erro
% DP
142,0%
22,9%
104,8%
173,7%
98,8%
15,7%
120,1%
30,7%
133,5%
37,4%
31,6%
19,6%
109,0%
34,4%
284,8%
300,9%
240,0%
317,3%
206,0%
224,5%
132,4%

Tabela 2.4 - Erros do modelo de Castro Neto no perodo de teste, em valores absolutos e em porcentagem do
desvio padro das variaes do Ibovespa

Como se pode ver, o erro mdio do modelo chega a ser superior ao desvio padro das
variaes. O diagrama de disperso mostra a relao entre as variaes reais e as variaes
previstas pelo modelo:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

48

Figura 2.6 - Diagrama de disperso com as variaes reais do Ibovespa em agosto de 2006 e as previses
correspondentes pelo modelo de Castro Neto.

Fica evidente no diagrama acima que os pontos no formam nada parecido com uma
reta ascendente. Calculando-se a correlao correspondente, obtivemos o valor de 0,076. Isso
mostra que o modelo de Castro Neto, apesar de vlido, no deve ser usado para prever as
flutuaes do Ibovespa em intervalos to curtos quanto 1 dia, sendo de difcil aplicao
prtica nesse sentido.

Castro Neto apresenta sua equao de regresso como sendo:

onde Y representa o Ibovespa, X1 o ndice TSX da bolsa de valores do Canad, X2 o ndice


IPC da bolsa de valores do Mxico, X3 o Risco Brasil, X4 a cotao de um contrato futuro de
caf, X5 a cotao de um contrato futuro de ouro, X6 a cotao de um contrato futuro de
acar, X7 a taxa de juros futuro para janeiro de 2008 e X8 o resduo da observao anterior
(modelo AR).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 2 Estudo Bibliogrfico

49

No so utilizadas as variaes dirias dos ndices, nem valores normalizados, mas


sim as cotaes e ndices brutos. Pode-se ver abaixo a influncia de cada uma das variveis na
modelagem do Ibovespa de 31/07/2006, ltimo dia do perodo de coleta dos dados:

Varivel
TSX
IPC
Risco Br
Caf
Ouro
Acar
JAN08
Ibovespa

Coeficiente

Valor

Peso

% Ibovespa

ai
1,8
0,605
-25,2
-3,37
48,5
0,078
696

Xi
11831
21781
225
1265
141,85
35870
14,58

ai*Xi
21296
13178
-5670
-4263
6880
2798
10148
38236

(ai*Xi)/Y
55,7%
34,5%
-14,8%
-11,1%
18,0%
7,3%
26,5%

Tabela 2.5 - Valores das variveis do modelo de Castro Neto em 31/07/2006

Temos uma soma de variveis aleatrias de ordem de grandeza pouco inferior do


Ibovespa, com pesos que respondem por fraes de seu valor absoluto. As influncias das
variaes dirias das variveis preditoras na varivel resposta dependem da magnitude dessas
variaes, ou seja, da volatilidade de cada uma das ditas variveis. Isso ilustra uma
possibilidade de testar uma metodologia diferente: no lugar de trabalhar com as sries brutas
de cotaes e ndices, podemos faz- lo com suas variaes dirias. A equao obtida atravs
da regresso sobre as variaes poder, posteriormente, ser convertida em valores para o
Ibovespa simplesmente somando as variaes estimadas cotao real do dia anterior,
obtendo-se assim uma preciso potencialmente maior.

com base nesse princpio que desenvolveremos, a seguir, um modelo de previso


para as aes da Vale, testando primeiramente uma metodologia semelhante de Castro Neto
e em seguida comparando seus resultados com os de uma regresso sobre as variaes.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

ELABORAO
DOS MODELOS

Modelagem Estatstica Aplicada Valorizao de Aes

51

Captulo 3 Elaborao dos Modelos

53

3. Elaborao dos Modelos


3.1. Seleo das variveis

Para descrever a valorizao das aes da Vale S.A. em funo de outras variveis do
mercado financeiro, selecionamos aquelas que julgamos potencialmente teis e explorveis
para a construo de modelos de regresso, por suas relaes com os fatores que influenciam
a demanda pelas ditas aes, determinando as mudanas em seu preo.

Entre essas variveis, h aquelas que so ligadas diretamente aos fundamentos da


empresa, consequentemente influenciando na expectativa dos investidores sobre os lucros
futuros da Vale e seus fluxos esperados de dividendos, o que constitui a essncia verdadeira
do investimento em renda varivel e define o preo justo de uma ao. o caso,
principalmente, dos preos de commodities como o nquel e o alumnio e do Baltic Dry Index,
ndice de preos de fretes martimos que tem ligao direta com a demanda por minrio de
ferro (principal produto da Vale) e, em decorrncia disso, com as receitas que a empresa pode
vir a obter no perodo atual e nos prximos.

Outras variveis refletem o sent imento dos investidores internacionais em relao


economia global e sua disposio de investir, sendo ligadas demanda por aes, nacionais e
estrangeiras, de modo geral. So os ndices bursteis como o Ibovespa, o S&P 500 e o FTSE
100, alm de outras variveis que de certa forma medem o aquecimento da economia, como a
cotao do barril de petrleo.

H ainda variveis ligadas viso dos investidores estrangeiros sobre o mercado


acionrio brasileiro em particular. Alm do j citado Ibovespa, temos a cotao do real frente
ao dlar norte-americano e a outras moedas (cuja relao com os preos de aes brasileiras
pode ser vista na forma de influncias nos dois sentidos, pois alm de refletir a fora da
economia nacional, ela tambm consequncia, em boa parte, da demanda por aes
brasileiras, que leva entrada ou sada de grandes volumes de capital estrangeiro e, por
conseguinte, demanda por reais ou oferta de reais por outras moedas). O Risco Brasil,
medida de percepo de risco da economia, tambm se encaixa nesta categoria.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

54

Por fim, selecionamos tambm cotaes de outras aes do setor de minerao,


negociadas na bolsa de valores de Londres, onde apresentam maior liquidez. Elas do uma
dimenso da viso dos investidores internacionais sobre o setor da economia ao qual pertence
a Vale.

A seguir, uma descrio individual de cada uma das variveis testadas. Os cdigos que
as identificam (IBOV, SPX, RIO LN, etc.) correspondem aos seus identificadores no sistema
Bloomberg Professional, de onde foi extrada a maior parte dos dados utilizados.

VALE3 (Vale ON): Cotao das aes ordinrias de emisso da Vale S.A., negociadas

na Bovespa. Representa atualmente cerca de 3% a 4% da carteira terica do Ibovespa (3


quadrimestre de 2009). Divulgada em tempo real, com histrico minuto a minuto.

VALE5 (Vale PNA): Cotao das aes preferenciais classe A de emisso da Vale

S.A., negociadas na Bovespa. Representa atualmente em torno de 12% do Ibovespa (3


quadrimestre de 2009). Divulgada em tempo real, com histrico minuto a minuto.

IBOV (Ibovespa): ndice Bovespa, considerado o mais importante indicador do

desempenho mdio das cotaes do mercado de aes brasileiro. As 60 a 70 aes que entram
em sua composio, que revisada a cada quatro meses, respondem juntas por mais de 80%
do nmero de negcios e do volume financeiro no mercado vista da Bovespa e
aproximadamente 70% do total da capitalizao burstil (valor de mercado negociado em
Bolsa) de todas as empresas com aes negociveis na Bovespa. Calculado pela prpria
Bovespa a cada 30 segundos, com histrico minuto a minuto.

SPX (S&P 500): Um dos dois ndices mais importantes do mercado acionrio norte-

americano, junto com o DJIA (Dow Jones Industrial Average), tambm o ativo subjacente
dos contratos futuros mais negociados no mundo. composto por 500 aes negociadas nas
duas principais Bolsas de Valores dos Estados Unidos, a NYSE (New York Stock Exchange)
e a NASDAQ (National Association of Securities Dealers Automated Quotations). Sua
composio definida pela Standard & Poors, empresa que publica anlises e pesquisas
sobre bolsas de valores e ttulos. Calculado em tempo real, com histrico minuto a minuto.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

55

RIO LN (Rio Tinto): Cotao das aes da mineradora australiana Rio Tinto

negociadas na bolsa de valores de Londres (London Stock Exchange). Tambm so


negociadas na NYSE (cdigo RTP) e ASX Australian Stock Exchange (cdigo RIO), mas
com menor liquidez. Divulgada em tempo real, com histrico minuto a minuto.

BLT LN (BHP Billiton): Cotao das aes da mineradora anglo-australiana BHP

Billiton negociadas na bolsa de valores de Londres (London Stock Exchange). Tambm so


negociadas na NYSE, ASX e JSE (frica do Sul), com menor liquidez. Divulgada em tempo
real, com histrico minuto a minuto.

XTA LN (XStrata): Cotao das aes da mineradora sua XStrata negociadas na

bolsa de valores de Londres (London Stock Exchange). Divulgada em tempo real, com
histrico minuto a minuto.

AAL LN (Anglo American): Cotao das aes da mineradora anglo-sul-africana

Anglo American negociadas na bolsa de valores de Londres (London Stock Exchange).


Divulgada em tempo real, com histrico minuto a minuto.

UKX (FTSE 100): ndice representativo da bolsa de valores de Londres (LSE

London Stock Exchange), composto por 100 aes, dentre as quais as quatro mineradoras j
citadas. considerado um dos ndices de aes mais significativos dos mercados mundiais.
Mantido pelo FTSE Group, unio do tradicional jornal Financial Times com a LSE, tem sua
composio revisada trimestralmente. Calculado em tempo real, com histrico minuto a
minuto.

USD (Dlar): Cotao do real em relao ao dlar norte-americano (em R$/US$).

Divulgada em tempo real, com histrico minuto a minuto.

GBP (Libra): Cotao da libra esterlina (pound sterling), moeda do Reino Unido, em

relao ao dlar norte-americano (/US$). Divulgada em tempo real, com histrico minuto a
minuto.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

56

EUR (Euro): Cotao do euro em relao ao dlar norte-americano (/US$).

Divulgada em tempo real, com histrico minuto a minuto.

LMNIDS03 (Nquel): Cotao do contrato futuro de nquel, com vencimento de 3

meses, na LME (London Metals Exchange), em dlares norte-americanos por tonelada


(US$/t). Divulgada em tempo real.

LMAHDS03 (Alumnio): Cotao do contrato futuro de alumnio puro, com

vencimento de 3 meses, na LME (London Metals Exchange), em dlares norte-americanos


por tonelada (US$/t). Divulgada em tempo real.

CLA (Petrleo): Referncia mundial de preo do petrleo, corresponde cotao do

contrato futuro de petrleo bruto (WTI Crude Oil) de vencimento mais prximo, na NYMEX
(New York Mercantile Exchange), maior mercado mundial de futuros de commodities, em
dlares norte-americanos por barril (US$/bbl). Um barril equivale a aproximadamente 159
litros. Divulgada em tempo real.

JCMBBR (Risco Brasil): J.P. Morgan Corporate Emerging Market Bond Index Brazil,

indicador que mede o grau de risco de insolvncia do Brasil, tambm chamado de Risco
Brasil. tido pela maioria dos analistas de mercado como o melhor indicador do risco-pas,
sendo o mais utilizado mundialmente para descrever a percepo de risco dos ttulos
brasileiros pelos investidores internacionais. Sua cotao representa o valor terico, em
pontos de base (basis points: 1 bp = 0,01%) ao ano, do prmio de risco de um ttulo brasileiro
em relao aos ttulos do tesouro dos Estados Unidos. Calculado diariamente.

BDIY (Baltic Dry Index): ndice representativo de uma mdia de preos de fretes

martimos de commodities slidas, das quais as principais so o minrio de ferro, carvo e


gros. Calculado diariamente pela inglesa Baltic Exchange, esse ndice frequentemente
utilizado como indicador de demanda por materiais bsicos, dado que a oferta de transporte
martimo extremamente inelstica, o que faz com que os preos dos fretes sejam
determinados essencialmente pela demanda por transporte. Indiretamente, o BDI serve como
indicador de crescimento econmico futuro, j que mede a demanda por materiais importantes
para o desenvolvimento da economia. No caso especfico de empresas que exploram
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

57

commodities slidas, categoria no qual se encaixa a Vale, o ndice tem uma relao mais
concreta com os seus volumes de vendas e, consequentemente, com suas receitas, devendo
assim influir nas expectativas sobre o resultado da empresa. Calculado diariamente.

3.2. Definio das sries de dados

Escolhidas as variveis que sero analisadas, definiremos agora quais os instantes em


que sero tomadas as observaes que comporo as sries temporais utilizadas para a
confeco dos modelos.

Em virtude de o ano de 2008 ter representado um grande choque para os mercados


financeiros em todo o mundo, com a crise de crdito cujo sintoma mais marcante foi a quebra
do banco de investimento norte-americano Lehman Brothers, em setembro, tomaremos
apenas um perodo mais recente, aps a passagem dos maiores efeitos da crise. Consideramos,
aps anlise dos reflexos da crise nas cotaes, nos volumes negociados e nas volatilidades
das bolsas de valores mundiais, que a estabilizao das bolsas ps-colapso se deu aps o ms
de novembro, motivo pelo qual estudaremos o perodo a partir de dezembro de 2008.
Utilizaremos nos clculos um perodo de seis meses, at maio de 2009, de modo a dispor dos
dados de junho de 2009 para validao e comparao dos modelos.

Quanto aos instantes do dia escolhidos para a anlise das sries de periodicidade diria,
preciso deixar claro que no podem ser usados os ltimos valores dirios de cada varivel
(correspondentes s cotaes de fechamento), pois as bolsas de valores de So Paulo, Nova
York e Londres e as bolsas de mercadorias e futuros no tm os mesmos horrios de abertura
e fechamento. Usar as cotaes de fechamento indiscriminadamente conduziria a erros graves,
pois equivaleria a misturar os efeitos dos acontecimentos de um dia e do dia seguinte.
Como exemplo, o fechamento da London Stock Exchange se d por volta das 12h30, 13h30
ou 14h30 de Braslia, conforme os horrios de vero, e o fechamento da Bovespa ocorre s
17h00 ou 18h00. Tomar as cotaes de fechamento de uma ao cotada na Bovespa e de outra
cotada na LSE como se fossem referentes ao mesmo instante seria desprezar os efeitos dos
eventos ocorridos entre, por exemplo, as 12h30 e as 17h00. Tal simplificao poderia
impactar gravemente a eficcia dos modelos e desnecessria, bastando que se utilize para
anlise das sries dirias instantes do dia em que as aes, commodities, moedas e ndices
utilizados estejam todos em negociao.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

58

Podemos tomar trs instantes-chave ao longo do dia, que correspondem a momentos


nos quais se inicia ou termina a negociao simultnea dos ativos estudados: a abertura das
aes da Vale na Bovespa (A), a abertura da Bolsa de Valores de Nova York NYSE (B) e o
fechamento da Bolsa de Valores de Londres LSE (C). Os intervalos IABC nos quais as trs
bolsas de valores negociam ao mesmo tempo so aqueles que comeam no instante A ou B
o que vier depois, dependendo dos horrios de vero e terminam no instante C. Para o
perodo estudado, temos assim a seguinte tabela (na qual os instantes A so arredondados
para dez minutos aps a abertura oficial, pois o horrio exato do primeiro negcio do dia para
cada ao da Bovespa pode variar alguns minutos em funo do leilo de abertura):

01/12/2008 a 13/02/2009
16/02/2009 a 06/03/2009
09/03/2009 a 30/03/2009
31/03/2009 a 30/06/2009

A
11:10
11:10
11:10
10:10

B
12:30
11:30
10:30
10:30

C
14:30
13:30
13:30
12:30

IABC
2:00
2:00
2:20
2:00

Tabela 3.1 - Horrios de abertura da Bovespa e NYSE e de fechamento da LSE

Nota-se que os instantes B so sistematicamente posteriores aos instantes A, exceto no


perodo de 09/03 a 30/03, em que a NYSE abriu antes da Bovespa, e que o intervalo IABC
entre a abertura das duas bolsas do continente americano e o fechamento da LSE sempre
igual ou superior a duas horas, deixando margem de manobra para que possamos trabalhar
com cotaes simultneas.

Eventualmente, pode haver algumas pequenas distores no momento exato da


abertura da Bovespa ou da NYSE (instantes A/B), corrigidas nos instantes seguintes, bem
como uma demora de alguns minutos para que os mercados internacionais se ajustem aos
dados da abertura da NYSE. Para levar em conta esses fatores, em vez de A e B tomaremos os
instantes A2 e B2 , definidos como A + 20 minutos e B + 20 minutos:

01/12/2008 a 13/02/2009
16/02/2009 a 06/03/2009
09/03/2009 a 30/03/2009
31/03/2009 a 30/06/2009

A2
11:30
11:30
11:30
10:30

B2
12:50
11:50
10:50
10:50

C
14:30
13:30
13:30
12:30

IA2B2C
1:40
1:40
2:00
1:40

Tabela 3.2 - Horrios de abertura da Bovespa e NYSE + 20 minutos e fechamento da LSE

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

59

Assim, para as sries de periodicidade dt = 1 dia, sero usados os horrios marcados


em negrito na Tabela 3.2, obtendo-se homogeneidade entre as diversas variveis estudadas.
Os dados retidos para a confeco dos modelos, referentes aos horrios escolhidos,
encontram-se no Anexo I.

3.3. Normalizao dos dados

A ttulo de evitar que haja um vis provocado pelas flutuaes cambiais, ou seja, uma
influncia sistemtica da varivel taxa de cmbio, todas as variveis que representam cotaes
em outras moedas que no sejam o real sero convertidas para seus valores em reais, pelas
cotaes das moedas em tempo real (variveis BRL, GBP e EUR).

Uma outra transformao mostra-se til a fim de tornar mais intuitiva a compreenso,
pela leitura das equaes finais dos modelos a serem desenvolvidos, da influncia de cada
uma das variveis preditivas na varivel resposta. Trata-se da normalizao das sries, a qual
utilizaremos de modo a trabalhar sistematicamente com sries de igual ordem de grandeza :
X ' (t ) =

X (t )
X ( t0 ) (15)

O instante t0 corresponde data de incio do perodo de coleta dos dados. Assim,


temos X(t0 ) = 1 para todas as variveis, o que evitar que a equao de regresso tenha
coeficientes numericamente muito pequenos em alguns termos (como o Ibovespa, que tem
valores da ordem de dezenas de milhares) e muito maiores em outros, sem refletir o peso
real das respectivas variveis. O impacto de tal transformao no significado das equaes
finais e nas etapas para sua obteno nulo, pois a normalizao no afeta as correlaes
entre as va riveis.

3.4. Observao qualitativa e grfica das variveis

Observemos graficamente o comportamento de cada uma das variveis no tempo em


comparao varivel resposta do modelo (aes ordinrias da Vale), apenas convertendo-as
em R$ e normalizando-as atravs da diviso por seus valores iniciais. Em cada um dos
grficos, a linha vermelha representa a evoluo da cotao das VALE3, para facilitar a
comparao visual:
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

60

Figura 3.1 - Evoluo das cotaes das aes ordinrias e preferenciais da Vale

Figura 3.2 - Evoluo dos ndices Ibovespa e S&P 500

Percebe-se facilmente aqui que o S&P500, expresso em reais, no acompanhou a


tendncia das VALE3. Porm, isso no significa necessariamente que o ndice norteamericano no seja uma boa varivel preditiva para as aes da Vale, mas sim evidencia a
diferena entre estudarmos as sries temporais brutas (cotaes) e as sries com diferenciao
ou transformao logartmica (rendimentos dirios), conforme veremos mais adiante.

Figura 3.3 - Evoluo das cotaes das aes das mineradoras Rio Tinto e BHP Billiton

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

61

Figura 3.4 - Evoluo das cotaes das aes das mineradoras XStrata e AngloAmerican

As aes da XStrata sofreram um choque negativo por volta de t = 50, como se pode
ver, mas seguiram a tendncia das VALE3 tanto antes quanto depois desse evento. A ttulo de
informao, o fato que gerou essa desvalorizao foi a desistncia, por parte da prpria Vale,
da aquisio do controle da XStrata.

Figura 3.5 - Evoluo do ndice FTSE 100 e das taxas de cmbio do dlar norte-americano, libra esterlina e euro
em relao ao real

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

62

de se esperar naturalmente que, como nos trs ltimos grficos acima, as taxas de
cmbio de moedas estrangeiras em relao ao real apresentem correlao negativa com as
aes da Vale, j que a desvalorizao dessas moedas em relao ao real o mesmo que a
valorizao do real frente a elas, ligada intimamente ao fluxo de capitais entrando e saindo do
mercado brasileiro, que por sua vez consequncia da demanda por aes nacionais.

Figura 3.6 - Evoluo das cotaes dos contratos futuros de commodities: nquel, alumnio, cobre e petrleo

Nquel e cobre so metais explorados pela Vale, ainda que representem uma poro
relativamente pequena (mas no desprezvel) de suas receitas. V-se que seus preos
evoluram de maneira mais prxima s aes da Vale do que os preos do alumnio e do
petrleo. No h a qualquer relao direta de causa e efeito, mas possivelmente uma
evidncia de que os fatores econmicos que influenciam a demanda por nquel e cobre so
tambm ligados demanda por minrio de ferro, produto principal da Vale. Entretanto, como
no h negociao de minrio de ferro em bolsas de mercadorias e futuros, de maneira que

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

63

no dispomos de sries histricas consistentes para seus preos, estaria fora do escopo deste
trabalho testar tais relaes.

Figura 3.7 - Evoluo dos ndices JP Morgan EMBI Brazil (Risco Brasil) e Baltic Dry Index

Os grficos apresentados permitem verificar se as tendncias das variveis explicativas


se aproximam ou no daquela da varivel VALE3, e, eventualmente, se as grandes variaes
dirias (choques) coincidem.
3.5. Correlaes
A tabela a seguir apresenta os coeficientes de correlao entre VALE3 e as outras
variveis, calculados com base nos mesmos dados que geraram os grficos:
IBOV
SPX
RIO.LN
BLT.LN
XTA.LN
AAL.LN
USD
UKX
GBP
EUR
LMNIDS03
LMAHDS03
LMCADS03
CLA
JCMBBR
BDIY

VALE3
0,87
-0,39
0,83
0,57
0,10
0,31
-0,85
-0,06
-0,71
-0,86
0,52
-0,60
0,66
0,22
-0,83
0,70

Tabela 3.3 - Coeficientes de correlao entre VALE3 e as outras variveis

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

64

Para efeito meramente ilustrativo, adotou-se a seguinte escala de significncia dos


coeficientes de correlao:
0,87
0,66
0,22
-0,60
-0,85

Correlao positiva forte (r > 0,7)


Correlao positiva moderada (0,5 < r < 0,699)
Correlao fraca (-0,499 < r < 0,499)
Correlao negativa moderada (-0,5 > r > -0,699)
Correlao negativa forte (r < -0,7)
Tabela 3.4 - Escala de coeficientes de correlao

Convencionamos que uma varivel possui correlao forte com a VALE3 quando o
coeficiente de correlao entre as duas, em valores absolutos, superior a 0,7, o que significa
que a varivel em questo explica, no mnimo, aproximadamente 50% da varincia da
VALE3 (ou seja, o coeficiente de determinao R de um modelo de regresso de uma das
variveis em funo da outra maior ou igual a 0,5). A escala adotada pode ser relacionada
com as modificaes propostas por Hopkins (2000) Escala de Cohen (1988), definindo
como moderada e forte o que Hopkins considera, respectivamente, correlao grande e
muito grande, ou seja, 0,5 < |r| < 0,69 e |r| > 0,7.

Pode-se ver que, alm do Ibovespa, a varivel com maior correlao positiva com as
aes da Vale a cotao das aes da Rio Tinto, a nica entre as quatro mineradoras
negociadas em Londres que apresenta correlao positiva forte com as VALE3; a BHP
Billiton tambm significativamente correlacionada com a Vale (correlao positiva
moderada), mas o mesmo no pode ser dito de XStrata e AngloAmerican. De fato, como se
pode ver nos grficos j apresentados, no caso da XStrata houve um choque pontual que levou
as aes da mineradora sua a perderem boa parte de seu valor de mercado, o que afeta
fortemente as correlaes quando se toma as sries brutas das cotaes. Espera-se, assim, que
o modelo de regresso retenha como varivel preditiva a cotao da Rio Tinto ou a da BHP.

No caso das taxas de cmbio, cuja observao dos grficos no fornece evidncias to
claras em relao s correlaes com as aes da Vale, pode-se ver que a valorizao do real
frente s trs moedas estudadas de fato fortemente ligada s flutuaes das aes da
mineradora: as trs taxas de cmbio tem correlao negativa forte com VALE3. Ao menos
uma delas ser provavelmente retida pelo modelo de regresso.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

65

J para as commodities, o clculo dos coeficientes de correlao confirma a


observao, feita a partir dos grficos, de que os preos do nquel e do cobre evoluram de
maneira mais prxima s aes da Vale do que os do alumnio e petrleo.

3.6. Regresso linear mltipla

Passaremos agora ao desenvolvimento dos modelos que so o objeto principal deste


trabalho. Como j citado, trata-se de modelos de regresso linear mltipla utilizando como
varivel resposta a cotao das aes ordinrias da Vale S.A. (VALE3).

Iniciaremos por um modelo cujo desenvolvimento resultar em uma equao de


regresso relacionando diretamente a cotao das VALE3 e os valores das outras variveis,
incluindo o ndice Ibovespa (Modelo 1). Aps obter a equao de regresso, ela ser
aperfeioada por uma ferramenta pertencente ao domnio da anlise de sries temporais
(modelos AR), aplicada aos resduos do modelo.

Em seguida, apresentaremos a confeco de um segundo modelo (Modelo 2),


semelhante ao Modelo 1 mas sem incluir entre as variveis preditivas o Ibovespa. Tal
metodologia tem uma razo precisa: o Ibovespa calculado ao mesmo tempo em que so
determinadas as cotaes das aes da Vale S.A., alm de ser diretamente influenciado por
elas (VALE3 e VALE5 tm, juntas, peso de mais de 15% no ndice), o que significa que no
vivel, de um ponto de vista prtico, utilizar o Ibovespa para prever as flutuaes das aes
da Vale. As outras variveis so relativas a aes, commodities e moedas que so negociadas
em bolsas diferentes e em horrios diferentes das aes da Vale, j tendo, por exemplo,
cotaes momentos antes da abertura dos negcios com VALE3 na Bovespa; assim, o Modelo
2 poder ser usado para estimar diariamente qual ser a variao da VALE3 na abertura da
Bovespa em funo do comportamento das outras variveis. O Modelo 1 serve principalmente
como parmetro para observar o quanto a utilizao do Ibovespa agregaria em preciso (no
coeficiente de determinao, por exemplo) ao Modelo 2, que o que de fato tem um maior
potencial de aplicao. No entanto, o Modelo 1 no de todo descartvel na prtica: ele pode
ser utilizado, ao longo do prego, para verificar se as flutuaes das aes da Vale esto
demasiadamente descoladas das outras variveis, inclusive do prprio Ibovespa (nesse caso
caberia, no momento da aplicao, ajustar as variaes do Ibovespa para eliminar o efeito das
aes da Vale), o que tambm pode, eventualmente, levar a uma deciso de compra ou venda.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

66

Por fim, executaremos um terceiro modelo (Modelo 3) tendo como variveis no as


cotaes absolutas das aes, commodities, moedas e ndices, mas sim suas variaes
dirias relativas aos horrios selecionados (ou seja, sries diferenciadas). Essa maneira de
proceder poder trazer uma eficcia maior, dado que a transformao algbrica de
diferenciao (logartmica, no caso) tem o efeito de eliminar as tendncias nas variveis
estudadas, conforme Roustant (2007). Aps obter a equao de regresso, no h diferena
prtica entre utilizarmos as cotaes absolutas e as variaes, j que os resultados so
facilmente conversveis de uma forma a outra, mas o emprego das variaes na elaborao do
modelo pode resultar em uma equao de regresso mais eficaz para a previso das oscilaes
dirias, hiptese esta que iremos testar.

O tratamento dos dados foi feito atravs do software R, verso 2.7.2. No Anexo 2
encontram-se as sadas do R para cada um dos passos da elaborao dos trs modelos, com o
clculo dos coeficientes da equao de regresso, a1 ... an (Estimates), seus respectivos
desvios-padro relativos s estimativas (Std. Error) e os valores calculados da distribuio t
de Student (t value = Estimates/Std.Error). A ltima coluna indica o percentil da distribuio
t para o nmero correspondente de graus de liberdade, de modo a determinar a
significatividade de cada uma das variveis atravs de teste de hipteses, em que a hiptese
nula H0 equivale a ai = 0.
Os sinais direita da ltima coluna mostram os nveis de confiana com que o teste de
hipteses permite rejeitar H0 para cada um dos coeficientes: 99,9% (***), 99% (**), 95% (*),
90% (.).

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

67

3.6.1. Modelo 1: VALE3 em funo das outras variveis, sem transformao


logartmica

Na sada do R com todas as variveis (cf. Sada 1.1 no Anexo 1) constata-se que h
diversas variveis no-significativas, para as quais no se pode rejeitar a hiptese nula de
acordo com os dados. Isso nos leva a reduzir o nmero de variveis utilizadas no modelo,
atravs da eliminao sucessiva daquelas com menor significatividade. Tal procedimento
conhecido pelo nome de backward elimination, conforme j explanado anteriormente.

No R 2.7.2, h uma funo que executa esse tipo de simplificao (cf. Sada 1.2).
Aps esse passo, podemos reduzir ainda mais a equao de regresso, removendo as variveis
preditivas muito correlacionadas entre si e as menos significativas para o modelo, de forma a
obter uma equao mais simples (Sada 1.3). A segunda simplificao equivale, de fato, a dar
continuidade ao backward elimination, estipulando limites mais estritos de significncia em
termos do parmetro F.
Obtm-se assim a seguinte equao (Modelo 1):

Y (t) = Y (t0 ) * (2,769 + 0,496

X1 (t)
X (t)
X (t)
X (t)
X (t)
+ 0,569 2 1,826 3 0,333 4 0,618 5 ) (16)
X1 (t0 )
X 2 (t0 )
X 3 (t0 )
X 4 (t0 )
X 5 (t0 )

As variveis X1 , X2 , X3 , X4 e X5 representam, respectivamente, o Ibovespa, a ao da


BHP Billiton, a taxa de cmbio /R$, a cotao do contrato futuro de cobre e o barril de
petrleo.

O grfico a seguir mostra a evoluo real da VALE3 no perodo estudado (em preto) e
o resultado do modelo (em vermelho):

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

68

Figura 3.8 - Evoluo da VALE3 e Modelo 1.

Intuitivamente, o grfico mostra que o Modelo 1 relativamente fiel ao


comportamento real da varivel resposta, mas apresenta falhas, principalmente nos dias de
maior variao da cotao da VALE3. Examinemos a seguir a distribuio dos resduos:

Figura 3.9 - Resduos do Modelo 1, em funo dos valores estimados pelo modelo

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

69

Os resduos no apresentam qualquer padro visualmente detectvel em relao aos


valores estimados, aparentando distribuir-se de maneira aleatria em torno de zero. O grfico
a seguir, dos resduos ordenados no tempo, mostra que tambm no h tendncias ou ciclos
cronolgicos:

Figura 3.10 - Resduos do Modelo 1, pela ordem cronolgica dos dados

Consideraremos que a srie temporal dos resduos seja estacionria, para analisarmos
suas funes de autocorrelao e de autocorrelao parcial a fim de tentar aprimorar o modelo.

Figura 3.11 - Funo de autocorrelao dos resduos do Modelo 1

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

70

Figura 3.12 - Funo de autocorrelao parcial dos resduos do Modelo 1

Os padres de ambas as funes (ACF com declnio exponencial e padro de onda


senoidal e PACF fortemente significativa apenas para lag 1) sugerem fortemente a utilizao
de um modelo auto-regressivo de ordem 1, ou AR(1).
Dessa maneira, os resduos podem ser modelados atravs de uma relao de regresso
linear simples, utilizando-se como varivel preditiva o resduo da observao anterior. O
software R 2.7.2 o faz atravs da funo arma, aplicada aos resduos do Modelo 1.
A sada da funo arma (cf. Anexo 1, Sada 1.4) mostra um coeficiente de 0,648, com
alto grau de significatividade. Conclui-se que o resduo do Modelo 1 para um determinado
instante

t,

denotado

Y ( t ) Y (t )

pode

ser

estimado

pela

equao

Y ( t ) Y (t ) = 0,648(Y ( t 1) Y (t 1)) . Isso transforma a equao de regresso do Modelo 1

em:

Y (t ) = Y (t 0 ) * (2,769 + 0,496
0,618

X 5 (t )
X 5 (t 0 )

X 1 (t )
X 1 (t 0 )

+ 0,569

X 2 (t )
X 2 (t 0 )

1,826

X 3 (t )
X 3 (t 0 )

0,333

X 4 (t )
X 4 (t 0 )

(17)

+ 0,648(Y (t 1) Y (t 1)))

O novo modelo descrito por essa equao ser denominado Modelo 1 com AR(1).
Vejamos a seguir seus resultados:
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

71

Figura 3.13 - Evoluo da VALE3 e Modelo 1 com AR(1).

Figura 3.14 - Resduos do Modelo 1 com AR(1), pela ordem cronolgica dos dados

Percebe-se visualmente um aumento da aderncia do modelo aos dados, traduzido pela


maior proximidade da curva em vermelho (modelo) em relao curva em preto (evoluo
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

72

real das VALE3). Em particular, pode-se notar que os atrasos nos picos diminuram muito,
o que reflexo do desaparecimento das autocorrelaes dos resduos.

Para efeito de verificao, segue o autocorrelograma dos resduos do Modelo 1 aps


AR(1):

Figura 3.15 - Funo de autocorrelao dos resduos do Modelo 1 com AR(1)

Como era de se esperar, no h mais padro de autocorrelaes significativas.

As tabelas a seguir ilustram a anlise da eficcia do Modelo 1 com AR(1) em um


perodo de validao correspondente a junho de 2009, ms seguinte ao da coleta dos dados
utilizados em sua formulao. A anlise desses dados de extrema importncia, pois as
relaes encontradas pelo modelo de regresso para o perodo de dezembro de 2008 a maio de
2009 poderiam no se manter vlidas nos meses subsequentes, o que tornaria sua modelagem
invivel de se aplicar, ou seja, intil. Obtendo resultados satisfatrios para o ms de junho,
estimamos que o mesmo modelo possa ser aplicado na prtica, sem grandes perdas de
preciso, ao menos durante o ms seguinte, ao final do qual ele poder ser revisto para
verificar se houve alteraes significativas nos mercados que tornem necessrio modificar
seus parmetros.

Na primeira tabela, calculamos os valores estimados para VALE3 em funo das


variveis preditivas, inclusive do resduo do dia anterior. Na segunda, comparamos as
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

73

variaes dirias da cotao da VALE3 estimadas pelo Modelo 1 com AR(1) e as variaes
reais correspondentes, comparando o erro obtido com o desvio padro das flutuaes
percentuais, ou seja, a volatilidade.
Data
Coef
5/6/2009
8/6/2009
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009

X0
2,769
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Data
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009
Desv. Pad.

X1
0,496
1,431
1,401
1,434
1,426
1,434
1,396
1,392
1,348
1,351
1,368
1,339
1,322
1,342
1,316
1,380
1,381
1,393

X2
X3
X4
X5
Y (sem AR) Y (real) Resduo
0,567 -1,826
-0,333
-0,618
25,64
25,64
0,648
1,216 0,862
1,201
1,029
39,924
38,60
1,324
1,159 0,862
1,217
1,039
38,463
37,42
1,043
1,164 0,853
1,220
1,034
39,434
38,76
0,674
1,230 0,858
1,248
1,065
39,287
38,92
0,367
1,165 0,853
1,257
1,072
38,520
39,29
-0,770
1,140 0,847
1,221
1,062
38,395
37,53
0,865
1,129 0,848
1,211
1,082
37,939
38,02
-0,081
1,092 0,867
1,212
1,064
36,236
36,39
-0,154
1,097 0,869
1,210
1,081
35,991
36,53
-0,539
1,116 0,856
1,218
1,083
36,962
36,79
0,172
1,101 0,872
1,198
1,087
35,748
35,15
0,598
1,094 0,885
1,202
1,089
34,753
34,71
0,043
1,100 0,871
1,220
1,077
35,830
35,32
0,510
1,077 0,862
1,229
1,086
35,329
33,78
1,549
1,071 0,861
1,226
1,081
36,203
35,17
1,033
1,088 0,865
1,246
1,098
35,834
34,80
1,034
1,108 0,864
1,229
1,110
36,283
34,91
1,373
Tabela 3.5 - Clculo de VALE3 pelo Modelo 1 com AR(1)

VALE3
Real
38,76
38,92
39,29
37,53
38,02
36,39
36,53
36,79
35,15
34,71
35,32
33,78
35,17
34,80
34,91

VALE3
Modelo
39,43
39,72
38,76
37,90
38,50
36,18
35,89
36,61
35,86
35,14
35,86
35,66
37,21
36,50
36,95

Variao
Variao
Erro
Real (%) Modelo (%)
Absoluto
3,6%
2,0%
1,6%
0,4%
0,7%
0,3%
1,0%
-2,4%
3,4%
-4,5%
-2,2%
2,3%
1,3%
1,6%
0,3%
-4,3%
-6,0%
1,7%
0,4%
-0,8%
1,2%
0,7%
2,0%
1,3%
-4,5%
-2,1%
2,4%
-1,3%
-2,0%
0,8%
1,8%
2,0%
0,3%
-4,4%
-0,6%
3,8%
4,1%
4,3%
0,2%
-1,1%
-1,9%
0,8%
0,3%
1,2%
0,9%
2,8%
2,6% % mdia DP

Tabela 3.6 - Estudo dos erros do Modelo 1 com AR(1) no perodo de validao

Modelagem Estatstica Aplicada Valorizao de Aes

Y (com AR)

39,321
40,110
39,723
38,757
37,895
38,499
36,183
35,891
36,613
35,860
35,141
35,858
35,660
37,206
36,503
36,953

Erro
% DP
55,3%
11,3%
118,7%
79,2%
10,1%
60,7%
41,9%
45,6%
84,3%
26,4%
10,0%
133,6%
7,8%
29,4%
32,1%
49,8%

Captulo 3 Elaborao dos Modelos

74

O modelo apresenta uma preciso satisfatria, apesar de haver erros de magnitude no


desprezvel. A ttulo de comparao, no modelo de Castro Neto para a previso do Ibovespa o
erro mdio no perodo de validao foi de 132% do desvio padro das variaes reais.

Abaixo, o diagrama de disperso das variaes da cotao da VALE3 estimadas pelo


Modelo 1 com AR(1) em relao s variaes reais no perodo de validao:

Figura 3.16 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as previses
correspondentes pelo Modelo 1 com AR(1)

A correlao calculada entre variaes estimadas e reais de aproximadamente 0,765.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

75

3.6.2. Modelo 2: VALE3 em funo das outras variveis, exceto Ibovespa, sem
transformao logartmica.
Aps os mesmos passos seguidos no Modelo 1 (ver Sadas 2.1 a 2.3 no Anexo 1),
obtm-se a seguinte equao (Modelo 2):

Y (t ) = Y (t 0 ) * (3,663 + 0,937

X1 (t )
X (t )
X (t )
X (t )
2,734 2
0,337 3
0,472 4 ) (18)
X 1 (t 0 )
X 2 (t 0 )
X 3 (t 0 )
X 4 (t 0 )

As variveis X1 , X2 , X3 e X4 representam, respectivamente, a ao da BHP Billiton, a


taxa de cmbio /R$, a cotao do contrato futuro de cobre e o barril de petrleo. Nota-se que
as variveis retidas so as mesmas do Modelo 1.

A seguir, o grfico comparativo do Modelo 2 (em vermelho) com a srie real da


VALE3 (em preto) no perodo estudado:

Figura 3.17 - Evoluo da VALE3 e Modelo 2

Comparando o grfico acima com o do Modelo 1 (cf. figura 3.7), nota-se que h pouca
diferena entre os dois no que se refere aderncia aos dados. A seguir, a distribuio dos
resduos:
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

Figura 3.18 - Resduos do Modelo 2, pela ordem cronolgica dos dados

Figura 3.19 - Resduos do Modelo 2, em funo dos valores estimados pelo modelo

Modelagem Estatstica Aplicada Valorizao de Aes

76

Captulo 3 Elaborao dos Modelos

77

A distribuio dos resduos bastante semelhante do Modelo 1. Consideraremos


novamente que a srie temporal dos resduos seja estacionria, para aprimorar o modelo
atravs das autocorrelaes.

Figura 3.20 - Funo de autocorrelao dos resduos do Modelo 2

Figura 3.21 - Funo de autocorrelao parcial dos resduos do Modelo 2

Assim como no Modelo 1, as autocorrelaes sugerem a aplicao de um modelo


AR(1) nos resduos. O software R calcula o coeficiente do termo AR(1) em 0,675 (cf. Sada
2.4 do Anexo 1).
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

A equao do Modelo 2 passa, assim, a:

Y (t ) = Y (t 0 ) * (3,663 + 0,937

X1 (t )
X (t )
X (t )
X (t )
2,734 2
0,337 3
0,472 4
X 1 (t 0 )
X 2 (t 0 )
X 3 (t 0 )
X 4 (t 0 ) (19)

+ 0,675(Y (t 1) Y (t 1)))
Os resultados do Modelo 2 com AR(1) so:

Figura 3.22 - Evoluo da VALE3 e Modelo 2 com AR(1)

Figura 3.23 - Resduos do Modelo 2 com AR(1), pela ordem cronolgica dos dados

Modelagem Estatstica Aplicada Valorizao de Aes

78

Captulo 3 Elaborao dos Modelos

79

Figura 3.24 - Funo de autocorrelao dos resduos do Modelo 2 com AR(1)

Aparentemente, os resultados do Modelo 2 com AR(1) so bastante semelhantes aos


do Modelo 1 com AR(1). Comparemos numericamente atravs das tabelas de validao para
o mesmo perodo (ms seguinte ao da coleta dos dados):
Data
Coef
5/6/2009
8/6/2009
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009

X0
3,663
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

X1
X2
X3
X4
Y (sem AR) Y (real) Resduo
0,937 -2,734
-0,337
-0,472
25,64
25,64
0,675
1,216
0,862
1,201
1,029
39,836
38,60
1,236
1,159
0,862
1,217
1,039
38,271
37,42
0,851
1,164
0,853
1,220
1,034
39,057
38,76
0,297
1,230
0,858
1,248
1,065
39,623
38,92
0,703
1,165
0,853
1,257
1,072
38,281
39,29
-1,009
1,140
0,847
1,221
1,062
38,509
37,53
0,979
1,129
0,848
1,211
1,082
38,067
38,02
0,047
1,092
0,867
1,212
1,064
36,059
36,39
-0,331
1,097
0,869
1,210
1,081
35,831
36,53
-0,699
1,116
0,856
1,218
1,083
37,061
36,79
0,271
1,101
0,872
1,198
1,087
35,733
35,15
0,583
1,094
0,885
1,202
1,089
34,580
34,71
-0,130
1,100
0,871
1,220
1,077
35,764
35,32
0,444
1,077
0,862
1,229
1,086
35,605
33,78
1,825
1,071
0,861
1,226
1,081
35,606
35,17
0,436
1,088
0,865
1,246
1,098
35,362
34,80
0,562
1,108
0,864
1,229
1,110
35,911
34,91
1,001
Tabela 3.7 - Clculo de VALE3 pelo Modelo 2 com AR(1)

Modelagem Estatstica Aplicada Valorizao de Aes

Y (com AR)

39,105
39,631
39,824
38,756
37,828
38,728
36,091
35,608
36,589
35,915
34,974
35,676
35,904
36,838
35,656
36,290

Captulo 3 Elaborao dos Modelos

Data
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009
Desv. Pad.

VALE3
Real
38,76
38,92
39,29
37,53
38,02
36,39
36,53
36,79
35,15
34,71
35,32
33,78
35,17
34,80
34,91

VALE3
Modelo
39,63
39,82
38,76
37,83
38,73
36,09
35,61
36,59
35,92
34,97
35,68
35,90
36,84
35,66
36,29

80

Variao
Variao
Erro
Real (%) Modelo (%)
Absoluto
3,6%
1,3%
2,2%
0,4%
0,5%
0,1%
1,0%
-2,7%
3,6%
-4,5%
-2,4%
2,1%
1,3%
2,4%
1,1%
-4,3%
-6,8%
2,5%
0,4%
-1,3%
1,7%
0,7%
2,8%
2,0%
-4,5%
-1,8%
2,6%
-1,3%
-2,6%
1,4%
1,8%
2,0%
0,3%
-4,4%
0,6%
5,0%
4,1%
2,6%
1,5%
-1,1%
-3,2%
2,2%
0,3%
1,8%
1,5%
2,8%
2,8% % DP mdia

Erro
% DP
78,5%
2,5%
127,5%
73,2%
37,7%
88,5%
60,5%
71,7%
91,8%
48,1%
8,8%
175,4%
53,2%
75,6%
51,3%
69,6%

Tabela 3.8 - Estudo dos erros do Modelo 2 com AR(1) no perodo de validao

O erro mdio das variaes dirias subiu de 49,8% do desvio padro das flutuaes, no
Modelo 1 com AR(1), para 69,6% no Modelo 2 com AR(1), mantendo-se na mesma ordem de
grandeza. O diagrama de disperso das variaes passa a:

Figura 3.25 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as previses
correspondentes pelo Modelo 1 com AR(1)

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

81

A correlao calculada entre variaes estimadas e reais de aproximadamente 0,639.

Como era de se esperar, j que a diferena entre os dois modelos reside no fato de o
Modelo 2 com AR(1) utilizar uma varivel a menos, que tem correlao alta com a VALE3, o
Modelo 2 com AR(1) menos eficiente do que o Modelo 1 com AR(1) para descrever o
comportamento das VALE3. Entretanto, a diferena entre os dois modelos no muito grande,
e o Modelo 2 com AR(1) muito mais eficaz em sua aplicao prtica. Cabe ressaltar que no
convm discutir resultados de testes de F de Snedecor ou similares para comparar o Modelo 1
com o Modelo 2, pelos motivos explicitados; mais uma vez, a nica comparao que se pode
estabelecer entre ambos nesse sentido constatar quanto da eficincia do Modelo 1 para
descrever o comportamento das aes da Vale durante o perodo de dezembro a junho
perdida quando passamos ao Modelo 2.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

82

3.6.3. Modelo 3: VALE3 em funo das outras variveis, exceto Ibovespa, com
transformao logartmica.

Trabalharemos a seguir com as sries das variaes relativas das cotaes, em termos
de rendimentos logartmicos, ou seja, para cada srie de dados S com periodicidade dt (que
pode ser de 1 dia, 1 hora, 10 minutos ou 1 minuto, por exemplo), tomamos a srie S definida
por:

S t' = ln(

St
)
S t dt

(20)

Essa trans formao tem por objetivo eliminar o efeito de tendncias e fazer com que a
regresso se concentre nas variaes dirias das cotaes (dt = 1 dia), minimizando tambm
os efeitos de choques (grandes variaes pontuais).

Poderamos, igualmente, utilizar rendimentos dirios percentuais:

S t' =

S t S t dt
S t dt

(21)

o que resultaria em sries bastante semelhantes, fato que pode ser demonstrado atravs do
clculo de limites para St tendendo a St-dt. Optamos pela transformao logartmica devido
facilidade de composio dos rendimentos dirios; de fato, devido s propriedades algbricas
da funo logartmica, os rendimentos logartmicos das datas t 1 , t 2 , t 3 e t4 , por exemplo, podem
ser simplesmente somados para se obter o rendimento total entre t 0 e t 4 , conforme ilustrado
abaixo:

ln(

S1
S
S
S
S S S S
S
) + ln( 2 ) + ln( 3 ) + ln( 4 ) = ln( 1 * 2 * 3 * 4 ) = ln( 4 )
S0
S1
S2
S3
S 0 S1 S 2 S3
S0

(22)

A seguir, a tabela dos coeficientes de correlao entre VALE3 e as outras variveis,


calculados a partir dos rendimentos dirios logartmicos:

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

83

VALE3
IBOV
0,89
SPX
0,47
RIO.LN
0,78
BLT.LN
0,83
XTA.LN
0,53
AAL.LN
0,79
USD
-0,62
UKX
0,65
GBP
-0,07
EUR
-0,26
LMNIDS03
0,39
LMAHDS03
0,19
LMCADS03
0,42
CLA
0,37
JCMBBR
0,12
BDIY
-0,09
Tabela 3.9 - Coeficientes de correlao entre rendimentos dirios de VALE3 e das outras variveis

A diferena entre as correlaes das sries brutas e as das sries de rendimentos


logartmicos reflete uma filtragem da tendncia, conforme evidencia Roustant (2007). As
correlaes agora refletem o grau de propenso de duas variveis a apresentarem variaes no
mesmo sentido diariamente, e no mais a similaridade entre suas tendncias no mdio ou
longo prazo.

H algumas diferenas significativas nos coeficientes de correlao entre as duas


modalidades de sries observadas. As variaes dirias dos ndices de aes S&P 500 (SPX) e
FTSE 100 (UKX) apresentam correlaes positivas com as flutuaes das aes da Vale, o
que no acontecia com as sries de cotaes. Entre as mineradoras listadas na bolsa de valores
de Londres, AngloAmerican e XStrata so melhor correlacionadas Vale nas flutuaes
dirias do que nas cotaes brutas.

Em compensao, para as outras variveis, os coeficientes de correlao (tanto os


positivos quanto os negativos) tornam-se menores em valores absolutos. Isso ocorre devido ao
fato de que nem sempre os reflexos de uma varivel na outra so perceptveis diretamente nas
flutuaes dirias, mesmo que se tornem evidentes no mdio prazo. Assim, as variveis
retidas para o Modelo 3 podem no ser as mesmas dos modelos 1 e 2.
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

84

Aps as mesmas etapas seguidas nos Modelos 1 e 2 (cf. Sadas 3.1 a 3.3 no Anexo 1),
obtm-se a seguinte equao (Modelo 3):
Y (t) = Y (t 1) * exp(0,117* ln(

X1 (t )
X (t )
X (t )
X (t)
) + 0,361* ln( 2
) + 0,258* ln( 3
) 0,503* ln( 4
)) (23)
X1 (t 1)
X2 (t 1)
X 3 (t 1)
X 4 (t 1)

As variveis X1 , X2 , X3 e X4 representam, respectivamente, as aes da Rio Tinto,


BHP Billiton e AngloAmerican e a taxa de cmbio /R$. Nota-se que as variveis retidas no
coincidem totalmente com as dos modelos 1 e 2, por razo j explicitada.

O grfico seguinte ilustra as variaes (rendimentos logartmicos) reais da VALE3


(em preto) e as estimadas pelo Modelo 3 para o perodo estudado (em vermelho).

Figura 3.26 - Rendimentos logartmicos reais da VALE3 e Modelo 3 em funo do tempo

Ao contrrio dos Modelos 1 e 2, no Modelo 3 a simples observao do grfico no


permite tirar concluses rpidas sobre a aderncia dos dados, mas pode-se perceber que, em
geral, as variaes estimadas pelo modelo seguem aproximadamente as reais.

No observaremos graficamente o resultado de uma retransformao dos rendimentos


estimados pelo modelo em srie de cotaes da VALE3 (que resultaria em um grfico
comparvel aos observados nos Modelos 1 e 2), por no ser objetivo do Modelo 3 comparar a
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

85

evoluo das cotaes ao longo do tempo a composio temporal dos rendimentos dirios
e sim as variaes dirias individualmente.

Na sequncia, a distribuio temporal dos resduos e sua funo de autocorrelao:

Figura 3.27 - Resduos do Modelo 3, pela ordem cronolgica dos dados

Figura 3.28 - Funo de autocorrelao dos resduos do Modelo 3

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

86

No h qualquer evidncia de padres, tendncias ou ciclos nos resduos em relao ao


tempo, nem tampouco de autocorrelao.

Seguem-se as tabelas de validao (teste no ms de junho de 2009), semelhantes s


confeccionadas para os Modelos 1 e 2.
Data
Coef
5/6/2009
8/6/2009
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009

Data
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009
Desv. Pad.

VALE3
Real
38,76
38,92
39,29
37,53
38,02
36,39
36,53
36,79
35,15
34,71
35,32
33,78
35,17
34,80
34,91

X1
0,117

X2
0,361

X3
0,258

X4
-0,503

Y (modelo)

-0,033 -0,048
-0,050
-0,001
37,33
0,015
0,004
0,024
-0,011
38,39
0,079
0,056
0,021
0,007
39,50
-0,019 -0,055
-0,048
-0,006
38,04
-0,054 -0,022
-0,016
-0,007
38,16
-0,037 -0,010
0,000
0,001
37,49
-0,259 -0,033
-0,061
0,022
36,81
-0,028 0,004
0,001
0,002
36,38
-0,013 0,017
0,028
-0,014
36,39
-0,014 -0,013
0,050
0,018
35,63
0,008 -0,007
-0,008
0,015
34,76
0,028
0,006
0,034
-0,017
35,49
-0,027 -0,022
-0,015
-0,010
32,97
-0,010 -0,005
0,018
-0,001
33,84
0,022
0,016
-0,010
0,004
35,29
0,042
0,018
0,023
-0,001
35,42
Tabela 3.10 - Clculo de VALE3 pelo Modelo 3

VALE3
Modelo
38,39
39,50
38,04
38,16
37,49
36,81
36,38
36,39
35,63
34,76
35,49
32,97
33,84
35,29
35,42

Y (real)
38,60
37,42
38,76
38,92
39,29
37,53
38,02
36,39
36,53
36,79
35,15
34,71
35,32
33,78
35,17
34,80
34,91

Variao
Variao
Erro
Real (%) Modelo (%)
Absoluto
3,6%
2,6%
1,0%
0,4%
1,9%
1,5%
1,0%
-2,2%
3,2%
-4,5%
-2,9%
1,6%
1,3%
-0,1%
1,4%
-4,3%
-3,2%
1,1%
0,4%
0,0%
0,4%
0,7%
-0,4%
1,1%
-4,5%
-3,2%
1,3%
-1,3%
-1,1%
0,2%
1,8%
2,3%
0,5%
-4,4%
-6,7%
2,3%
4,1%
0,2%
3,9%
-1,1%
0,3%
1,4%
0,3%
1,8%
1,5%
2,8%
2,5% % DP mdia

Tabela 3.11 - Estudo dos erros do Modelo 3 no perodo de validao

Modelagem Estatstica Aplicada Valorizao de Aes

Erro
% DP
35,1%
52,6%
112,3%
56,1%
49,1%
38,6%
14,0%
38,6%
45,6%
5,4%
17,4%
80,7%
138,0%
48,6%
51,2%
52,2%

Captulo 3 Elaborao dos Modelos

87

Os valores estimados para VALE3 so meramente ilustrativos, refletindo na verdade


as estimativas para os rendimentos logartmicos dirios, aplicadas aos valores reais das
cotaes do dia anterior, tal como se pretende que o Modelo 3 seja utilizado na prtica.

O erro mdio das variaes dirias menor do que o do Modelo 2 com AR(1) (52,2%
do desvio padro das flutuaes reais, contra 69,6% do Modelo 2), mostrando um ganho de
preciso na passagem da modelagem das sries de cotaes para a modelagem da srie de
rendimentos. O diagrama de disperso no perodo de validao :

Figura 3.29 - Diagrama de disperso com as variaes reais da VALE3 em junho de 2009 e as previses
correspondentes pelo Modelo 3

A correlao calculada entre variaes estimadas e reais de aproximadamente 0,779,


maior do que a do Modelo 2 com AR(1) e prxima do Modelo 1 com AR(1), que utiliza o
Ibovespa entre as variveis preditoras. Temos a uma indicao de que, ao menos para o
curtssimo prazo (dias), o modelo construdo a partir dos rendimentos logartmicos mais
eficaz do que o calculado diretamente pelas sries de cotaes.

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

88

3.6.4. Discusso dos modelos

A tabela abaixo mostra, lado a lado, os resultados dos trs modelos comparados s
flutuaes efetivas da cotao das VALE3 durante o ms de junho, subsequente ao perodo
utilizado na determinao das equaes de regresso:

Data
9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009
Mdia (abs.)
% Desv. Pad.

VALE3 Variao Variao Variao Variao


Erro
Erro
Erro
Real Real (%) Modelo 1 Modelo 2 Modelo 3 Modelo 1 Modelo 2 Modelo 3
38,76
3,6%
2,0%
1,3%
2,6%
-1,6%
-2,2%
-1,0%
38,92
0,4%
0,7%
0,5%
1,9%
0,3%
0,1%
1,5%
39,29
1,0%
-2,4%
-2,7%
-2,2%
-3,4%
-3,6%
-3,2%
37,53
-4,5%
-2,2%
-2,4%
-2,9%
2,3%
2,1%
1,6%
38,02
1,3%
1,6%
2,4%
-0,1%
0,3%
1,1%
-1,4%
36,39
-4,3%
-6,0%
-6,8%
-3,2%
-1,7%
-2,5%
1,1%
36,53
0,4%
-0,8%
-1,3%
0,0%
-1,2%
-1,7%
-0,4%
36,79
0,7%
2,0%
2,8%
-0,4%
1,3%
2,0%
-1,1%
35,15
-4,5%
-2,1%
-1,8%
-3,2%
2,4%
2,6%
1,3%
34,71
-1,3%
-2,0%
-2,6%
-1,1%
-0,8%
-1,4%
0,2%
35,32
1,8%
2,0%
2,0%
2,3%
0,3%
0,3%
0,5%
33,78
-4,4%
-0,6%
0,6%
-6,7%
3,8%
5,0%
-2,3%
35,17
4,1%
4,3%
2,6%
0,2%
0,2%
-1,5%
-3,9%
34,80
-1,1%
-1,9%
-3,2%
0,3%
-0,8%
-2,2%
1,4%
34,91
0,3%
1,2%
1,8%
1,8%
0,9%
1,5%
1,5%
1,4%
2,0%
1,5%
49,8%
69,6%
52,2%
Tabela 3.12 - Resultados dos modelos 1, 2 e 3 no ms de junho de 2009

A linha intitulada Mdia (abs.) refere-se mdia dos erros absolutos, calculada com
o intuito de compar- los ao desvio padro das flutuaes reais da cotao das VALE3 (ou seja,
volatilidade da ao). A linha % Desv. Pad. mostra essa comparao, dividindo a linha
anterior pelo desvio padro calculado, que de 2,8%.

Observa-se que o Modelo 3, quando aplicado ao ms de junho, foi nitidamente mais


preciso do que o Modelo 2, indicando que seu emprego prefervel ao do Modelo 2 para a
aplicao principal imaginada para este trabalho: a de estimar diariamente qual ser a variao
da VALE3 na abertura da Bovespa. No entanto, para a utilizao durante o prego, para
verificar se as flutuaes das aes da Vale esto demasiadamente descoladas das outras
variveis, o Modelo 1 e o Modelo 3 tm eficcia semelhante.

Podemos ainda trabalhar com a possibilidade de uma composi o entre os modelos 1 e


3 (ou 2 e 3), levando-se em conta a tabela seguinte, que mostra as correlaes calculadas pelo
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

89

software R entre os erros dos modelos 1, 2 e 3 no ms de junho (trs ltimas colunas da


Tabela 3.12):

Modelo 1 Modelo 2 Modelo 3


Modelo 1
1
0,9612
0,1620
Modelo 2 0,9612
1
0,1354
Modelo 3 0,1620
0,1354
1
Tabela 3.13 - Correlaes entre os erros dos modelos 1, 2 e 3

A baixa correlao dos erros do Modelo 3 com os dos outros dois modelos mostra que
nem sempre as suas imprecises provm da mesma natureza, pois, apesar de seus erros
mdios terem magnitudes semelhantes (conforme j calculado em termos do desvio padro
das flutuaes), h dias em que seus erros apresentam sinais opostos, ou seja, um deles
subestima a valorizao das aes da Vale naquele dia e o outro a superestima. Decorre da a
ideia de testar dois modelos suplementares, denotados 1+3 e 2+3, definidos como as mdias
entre 1 e 3 e entre 2 e 3. Os erros desses novos modelos equivalentes, por definio, s
mdias dos erros dos modelos que os originaram esto na tabela a seguir, com os dos
modelos 1, 2 e 3 repetidos por convenincia:

Data

Erro
Erro
Erro
Erro
Erro
Modelo 1 Modelo 2 Modelo 3
1+3
2+3
9/6/2009
-1,6%
-2,2%
-1,0%
-1,3%
-1,6%
10/6/2009
0,3%
0,1%
1,5%
0,9%
0,4%
12/6/2009
-3,4%
-3,6%
-3,2%
-3,3%
-0,4%
15/6/2009
2,3%
2,1%
1,6%
1,9%
1,9%
16/6/2009
0,3%
1,1%
-1,4%
-0,6%
-1,5%
17/6/2009
-1,7%
-2,5%
1,1%
-0,3%
3,6%
18/6/2009
-1,2%
-1,7%
-0,4%
-0,8%
0,2%
19/6/2009
1,3%
2,0%
-1,1%
0,1%
-1,6%
22/6/2009
2,4%
2,6%
1,3%
1,9%
1,7%
23/6/2009
-0,8%
-1,4%
0,2%
-0,3%
1,1%
24/6/2009
0,3%
0,3%
0,5%
0,4%
-0,8%
25/6/2009
3,8%
5,0%
-2,3%
0,8%
-0,9%
26/6/2009
0,2%
-1,5%
-3,9%
-1,9%
-4,1%
29/6/2009
-0,8%
-2,2%
1,4%
0,3%
1,6%
30/6/2009
0,9%
1,5%
1,5%
1,2%
0,1%
Mdia (abs.)
1,4%
2,0%
1,5%
1,1%
1,4%
Desv. Pad.
49,8%
69,6%
52,2%
36,9%
50,0%
Tabela 3.14 - Erros dos novos modelos 1+3 e 2+3 no ms de junho

A Tabela 3.14 deixa claro o interesse em reter, no lugar do Modelo 1, o modelo


composto 1+3 para aplicao durante o prego da Bovespa. Ao menos no ms de junho, a
composio aumentou consideravelmente a preciso em relao tanto ao Modelo 1 puro
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 3 Elaborao dos Modelos

90

quanto ao Modelo 3 puro. J o modelo composto 2+3 no se mostra to til, pois seu erro
mdio bastante prximo daquele do Modelo 3 puro, no justificando a complexidade
adicional introduzida pelo emprego de novas variveis preditivas.

Para efeito ilustrativo, a tabela e o grfico abaixo apresentam os valores projetados


pelo Modelo 3 e pelo modelo composto 1+3 para a cotao de VALE3, juntamente com as
cotaes reais dessa ao.

9/6/2009
10/6/2009
12/6/2009
15/6/2009
16/6/2009
17/6/2009
18/6/2009
19/6/2009
22/6/2009
23/6/2009
24/6/2009
25/6/2009
26/6/2009
29/6/2009
30/6/2009

VALE3
Real
38,76
38,92
39,29
37,53
38,02
36,39
36,53
36,79
35,15
34,71
35,32
33,78
35,17
34,80
34,91

VALE3
1+3
38,91
39,27
38,01
38,29
37,81
36,27
36,24
36,83
35,83
34,60
35,46
34,05
34,54
34,90
35,32

VALE3
3
38,39
39,50
38,05
38,16
37,50
36,81
36,39
36,39
35,63
34,76
35,50
32,97
33,84
35,29
35,42

Tabela 3.15 - Cotaes de VALE3 (real e modelos 1+3 e 3)


40,00
39,00
38,00
37,00
36,00
35,00
34,00
33,00

9/6
/20
09
11
/6/
20
09
13
/6/
20
09
15
/6/
20
09
17
/6/
20
09
19
/6/
20
09
21
/6/
20
09
23
/6/
20
09
25
/6/
20
09
27
/6/
20
09
29
/6/
20
09

32,00

Real

Modelo 1+3

Modelo 3

Figura 3.30 - Evoluo das cotaes de VALE3 (real e modelos 1+3 e 3)

Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 4 Concluso

CONCLUSO

Modelagem Estatstica Aplicada Valorizao de Aes

91

Captulo 4 Concluso

93

4. Concluso
Considera-se que o objetivo de obter modelos que fornecessem referncias para as
valorizaes das aes da Vale em relao a outras variveis foi atingido adequadamente,
atravs de uma metodologia apropriada que permitiu aplicar a um caso prtico os conceitos
tericos envolvidos na modelagem por regresso linear mltipla e anlise de sries temporais,
proporcionados em grande parte pela formao acadmica do curso de Engenharia de
Produo. Os resultados apresentados permitem avaliar que os modelos so eficientes e
refletem na medida do possvel a realidade dos mercados.

A partir dos modelos desenvolvidos, um investidor ou trader pode obter, na abertura


da bolsa de valores ou ao longo do prego, uma estimativa da valorizao adequada das aes
em questo, dado o comportamento de outras variveis dos mercados financeiros, e comparla com a respectiva cotao instantnea. Caso haja uma divergncia significativa, tem-se uma
oportunidade de compra, caso a projeo do modelo aponte uma valorizao superior do
mercado, ou de venda, no caso oposto.

Logicamente, cabe ressaltar que no se pretende que o resultado do presente estudo


seja aplicado s cegas, sem uma anlise dos acontecimentos que podem estar,
eventualmente, influenciando as cotaes e que no sejam contemplados pelos modelos. o
caso, por exemplo, de notcias especficas sobre a Vale S.A., que tenham um grande impacto
sobre o valor da empresa, mas reflexos reduzidos em outras variveis do mercado. Apenas na
ausncia de eventos especficos que se deve considerar a utilidade dos modelos para detectar
oportunidades de operaes. Em outras palavras, o produto deste trabalho no deve ser usado
para desenvolver algoritmos quantitativos de negociao, mas sim para fornecer uma
ferramenta adicional para decises rpidas que envolvam uma anlise no apenas tcnica, mas
tambm fundamentalista.

A anlise das variveis estudadas e de suas relaes com a cotao das aes da Vale
tambm proporcionou outras constataes, algumas j esperadas e outras relativamente
surpreendentes. A premissa fundamental que motivou toda a metodologia empregada foi a
existncia dessas relaes, com intensidade suficiente para que pudssemos obter modelos
que permitissem estimar com preciso razovel o comportamento de uma varivel, dadas as
outras; pudemos comprovar que essa ideia , de fato, pertinente. Viu-se tambm que algumas
Modelagem Estatstica Aplicada Valorizao de Aes

Captulo 4 Concluso

94

das variveis que se esperava que explicassem melhor as flutuaes das cotaes da Vale tm,
de fato, grande influncia sobre elas o que no significa uma relao de causa e efeito, no
sentido de que as valorizaes da Vale sejam causadas diretamente por essas variveis, mas
sim que elas so boas referncias para se avaliar o que est acontecendo com as VALE3 em
um dado momento.

Por outro lado, variveis como o Risco Brasil e o Baltic Dry Index, as quais
consideramos que representem fatores importantes na determinao do valor de mercado da
Vale S.A. (o risco de se investir no pas e a demanda pelos principais produtos da empresa,
respectivamente), mostraram-se pouco eficazes para explicar suas flutuaes, ao menos da
maneira como o fazem os modelos desenvolvidos.

Por fim, ressaltamos o fato de que as informaes disponveis para uma tomada de
deciso frequentemente so incompletas e envolvem cenrios de elevada complexidade, o que
nos leva a trabalhar sistematicamente com imprecises e incertezas, buscando otimizar o
dinamismo e a eficcia das decises em ambientes nos quais h riscos inerentes de que os
acontecimentos no tomem os rumos esperados. Isso se aplica certamente aos mercados
financeiros e em particular ao mercado acionrio, mas tambm a inmeros outros domnios da
atividade profissional, notadamente aqueles em que so mais exigidas as competncias de um
engenheiro de produo.

Modelagem Estatstica Aplicada Valorizao de Aes

Referncias Bibliogrficas

REFERNCIAS
BIBLIOGRFICAS

Modelagem Estatstica Aplicada Valorizao de Aes

95

Referncias Bibliogrficas

97

REFERNCIAS BIBLIOGRFICAS
BRUNI, A. L. ; FAM, R. Eficincia, Previsibilidade dos Preos e Anomalias em
Mercados de Capitais : Teoria e Evidncias. Caderno de Pesquisas Em
Administrao, So Paulo, v. 1, n. 7, p. 71-84, 1998.

HOPKINS, W.G. A Scale of Magnitudes for Effect Statistics. In: A New View of Statistics.
Auckland, 2000.

COSTA NETO, P.L.O.; CYMBALISTA, M. Estatstica. So Paulo: Edgard Blcher, 2005.

NAKAMURA, W. T.; MENDONA, P. C. P. A Hiptese de Eficincia de Mercado:


evidncias da forma fraca na Bolsa de Valores de So Paulo. VI
SEMEAD Seminrios em Administrao FEA-USP, So Paulo, 2003.

LIMA, E. J. A. ; TABAK, B. M. ; Chang, E. J.

Testing Weak Form Efficiency for

Emerging Equity Markets. VI SEMEAD Seminrios em Administrao FEA-USP,


So Paulo, 2003.

LOPES, A. B. Testing the Relation Between Earnings and Returns Using the Grangercausality Test: an Exploratory Study in Brazil. Anais do III encontro da Sociedade
Brasileira de Finanas, 2003. So Paulo : SBF, 2003.

TABAK, B. M ; GUERRA, S. M. The dynamics of the price-volume relationship: linear


and nonlinear Granger causality in the Brazilian stock market. Anais do III
encontro da Sociedade Brasileira de Finanas, 2003. So Paulo : SBF, 2003.

ROUSTANT, O. Introduction aux sries chronologiques. Saint-tienne: cole Nationale


Suprieure des Mines de Saint-tienne, 2004. 51 p.

CARRARO, L. Introduction la Rgression. Saint- Etienne: cole Nationale Suprieure des


Mines de Saint-Etienne, 2005. 52 p.

Modelagem Estatstica Aplicada Valorizao de Aes

Referncias Bibliogrficas

98

LIMA, M.E. Dupla Negociao e Arbitragem entre aes e ADRs de empresas brasileiras.
2005. Dissertao (Mestrado em Cincias Contbeis) - Universidade de Braslia.
Orientador: Otvio Ribeiro de Medeiros.

MORETTIN, P. A. Anlise de sries temporais. So Paulo: Edgard Blcher, 2006.

CASTRO NETO, S.M. Proposio de um modelo de regresso para a previso do ndice


Ibovespa. 2006. Trabalho de Concluso de Curso. (Graduao em Engenharia de
Produo) - Universidade de So Paulo. Orientador: Prof. Dr. Luis Fernando Pinto de
Abreu.

COSTA, T. A.; FAM, R. A turbulncia das finanas modernas: ser o fim do


comportamento aleatrio e o surgimento do comportamento determinstico do
caos? X SEMEAD Seminrios em Administrao FEA-USP, So Paulo, 2007.

LOBO, J.F.F.S.M. Contgio entre mercados de aces de pases desenvolvidos : um


estudo de processos de transmisso de choques de rendibilidade num contexto de
episdios de crises financeiras. 2007. Tese de Doutoramento em Cincias
Empresariais - Universidade do Minho. Orientador: Manuel Jos da Rocha Armada.

R Development Core Team. R: A language and environment for statistical computing. R


Foundation for Statistical Computing, Vienna, Austria, 2008.

HONRIO, J. S. Estudo de um modelo de anlise de aes. 2008. Trabalho de Concluso


de Curso. (Graduao em Engenharia de Produo) - Universidade de So Paulo.
Orientadora: Profa. Dra. Linda Lee Ho.

GOULART, A. M. C.; LIMA, G. A. S. F.; GREGRIO, J. Mercado de Renda Varivel. In:


Curso de Mercado Financeiro Tpicos Especiais. So Paulo: Atlas, 2009.

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

99

ANEXOS

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

100

ANEXO I DADOS UTILIZADOS NA CONFECO DOS MODELOS


8/12/2008 12:50
9/12/2008 12:50
10/12/2008 12:50
11/12/2008 12:50
12/12/2008 12:50
15/12/2008 12:50
16/12/2008 12:50
17/12/2008 12:50
18/12/2008 12:50
19/12/2008 12:50
22/12/2008 12:50
23/12/2008 12:50
26/12/2008 12:50
29/12/2008 12:50
30/12/2008 12:50
2/1/2009 12:50
5/1/2009 12:50
6/1/2009 12:50
7/1/2009 12:50
8/1/2009 12:50
9/1/2009 12:50
12/1/2009 12:50
13/1/2009 12:50
14/1/2009 12:50
15/1/2009 12:50
16/1/2009 12:50
20/1/2009 12:50
21/1/2009 12:50
22/1/2009 12:50
23/1/2009 12:50
26/1/2009 12:50
27/1/2009 12:50
28/1/2009 12:50
29/1/2009 12:50
30/1/2009 12:50
2/2/2009 12:50
3/2/2009 12:50
4/2/2009 12:50
5/2/2009 12:50
6/2/2009 12:50
9/2/2009 12:50
10/2/2009 12:50
11/2/2009 12:50
12/2/2009 12:50
13/2/2009 12:50
17/2/2009 11:50
18/2/2009 11:50
19/2/2009 11:50
20/2/2009 11:50

VALE3
25,64
26,06
28,35
29,10
27,76
29,32
29,08
30,72
29,90
28,60
28,59
27,44
26,76
27,60
26,74
29,07
30,18
33,27
32,20
31,00
31,30
30,42
30,23
28,62
28,29
30,07
29,07
28,88
28,75
28,80
30,98
31,02
33,33
33,00
33,18
32,05
32,90
35,81
36,00
38,00
39,57
37,27
37,22
34,66
35,54
34,40
33,85
35,83
32,89

VALE5
23,10
23,38
24,96
25,32
24,55
25,54
25,39
26,53
26,10
25,10
24,95
24,25
23,80
24,34
23,79
25,18
26,22
29,39
28,20
27,40
27,90
27,15
26,75
25,70
25,40
26,75
26,03
25,72
25,57
25,38
26,85
27,00
29,05
28,55
28,69
27,57
28,19
30,34
30,53
32,07
32,87
31,45
31,35
29,54
30,15
29,38
28,98
30,26
28,16

IBOV
37.563,17
38.122,04
39.055,99
39.142,56
38.155,28
39.538,35
39.587,37
40.306,93
39.799,45
39.324,01
38.942,26
37.905,91
37.086,63
37.288,11
37.160,94
38.665,46
39.915,91
42.110,35
41.403,11
40.726,38
41.226,32
40.264,07
39.917,73
38.282,71
37.652,22
39.641,91
38.542,38
37.860,07
37.801,43
36.942,36
38.446,53
38.632,99
39.810,05
39.651,45
40.093,23
38.652,51
38.932,15
40.693,09
40.128,31
41.936,73
43.115,01
42.772,12
41.911,41
40.190,27
41.125,98
40.133,30
39.777,67
40.150,67
38.764,44

Modelagem Estatstica Aplicada Valorizao de Aes

SPX
904,34
901,73
893,85
894,03
860,13
879,96
880,35
905,95
903,30
893,39
882,45
875,73
871,66
872,30
875,41
903,09
920,49
942,12
920,78
898,53
895,01
881,83
873,09
850,02
830,66
856,77
831,97
817,87
820,42
811,11
841,47
844,78
862,57
860,02
848,41
814,83
823,33
842,11
824,25
858,91
868,13
868,05
836,47
816,75
829,77
790,52
790,33
794,56
768,02

RIO LN
1.187,00
1.224,00
1.465,00
1.573,00
1.519,00
1.564,00
1.507,00
1.545,00
1.517,00
1.444,00
1.382,00
1.417,00
1.433,00
1.439,00
1.437,00
1.639,00
1.700,00
1.924,00
1.851,00
1.715,00
1.648,00
1.602,00
1.541,00
1.409,00
1.361,00
1.512,00
1.482,00
1.478,00
1.537,00
1.507,00
1.614,00
1.625,00
1.563,00
1.550,00
1.567,00
1.589,00
1.572,00
1.788,00
1.802,00
1.972,00
1.937,00
1.980,00
1.978,00
1.840,00
1.922,00
1.856,00
1.854,00
1.982,00
1.848,00

BLT LN
1.111,00
1.135,00
1.230,00
1.210,00
1.191,00
1.256,00
1.217,00
1.269,00
1.237,00
1.221,00
1.243,00
1.217,00
1.243,00
1.251,00
1.264,00
1.377,00
1.367,00
1.462,00
1.356,00
1.266,00
1.281,00
1.243,00
1.251,00
1.174,00
1.129,00
1.196,00
1.164,00
1.142,00
1.163,00
1.154,00
1.219,00
1.237,00
1.291,00
1.266,00
1.218,00
1.153,00
1.134,00
1.247,00
1.252,00
1.349,00
1.385,00
1.356,00
1.300,00
1.207,00
1.258,00
1.162,00
1.137,00
1.173,00
1.165,00

Anexos

26/2/2009 11:50
27/2/2009 11:50
2/3/2009 11:50
3/3/2009 11:50
4/3/2009 11:50
5/3/2009 11:50
6/3/2009 11:50
9/3/2009 11:30
10/3/2009 11:30
11/3/2009 11:30
12/3/2009 11:30
13/3/2009 11:30
16/3/2009 11:30
17/3/2009 11:30
18/3/2009 11:30
19/3/2009 11:30
20/3/2009 11:30
23/3/2009 11:30
24/3/2009 11:30
25/3/2009 11:30
26/3/2009 11:30
27/3/2009 11:30
30/3/2009 11:30
31/3/2009 11:30
1/4/2009 10:50
2/4/2009 10:50
3/4/2009 10:50
6/4/2009 10:50
7/4/2009 10:50
8/4/2009 10:50
9/4/2009 10:50
13/4/2009 10:50
14/4/2009 10:50
15/4/2009 10:50
16/4/2009 10:50
17/4/2009 10:50
20/4/2009 10:50
22/4/2009 10:50
23/4/2009 10:50
24/4/2009 10:50
27/4/2009 10:50
28/4/2009 10:50
29/4/2009 10:50
30/4/2009 10:50
4/5/2009 10:50
5/5/2009 10:50
6/5/2009 10:50
7/5/2009 10:50
8/5/2009 10:50
11/5/2009 10:50

101

VALE3
30,97
29,78
29,77
29,76
31,59
31,50
32,13
30,25
31,96
31,91
31,09
30,70
31,32
30,74
30,34
31,89
31,81
33,50
32,54
32,96
33,08
32,24
30,62
30,54
30,39
33,04
33,70
32,87
32,51
32,43
33,72
34,75
35,94
35,76
35,32
35,40
34,06
33,87
34,71
35,68
35,39
34,07
34,79
35,71
38,25
39,70
40,50
39,50
39,40
38,05

VALE5
26,90
25,96
26,10
25,79
27,35
27,25
27,85
26,36
27,28
27,36
26,76
26,50
26,97
26,59
26,40
27,36
27,49
28,42
27,88
28,17
28,32
27,71
26,69
26,65
26,28
28,33
28,90
28,47
28,25
28,40
29,10
29,78
30,71
30,50
30,05
30,06
29,16
29,01
29,80
30,37
30,11
29,20
29,88
30,43
31,88
32,99
33,33
32,70
32,70
31,95

IBOV
38.697,20
37.489,13
37.432,62
36.620,81
37.735,56
37.572,97
38.245,96
37.169,69
38.514,45
38.650,70
38.623,31
38.657,03
39.437,33
38.811,68
39.185,96
40.561,03
40.966,74
42.049,69
41.867,69
42.458,31
42.393,87
41.912,89
40.665,64
40.720,80
40.314,14
43.533,84
43.965,99
43.602,04
43.679,77
44.115,73
45.409,94
45.332,57
46.068,07
45.317,65
45.437,61
45.891,15
44.576,51
44.581,26
45.335,67
46.226,54
46.484,50
45.071,85
46.545,34
47.735,14
48.918,88
50.402,79
51.334,99
50.979,77
51.253,57
50.081,11

Modelagem Estatstica Aplicada Valorizao de Aes

SPX
770,95
737,32
724,82
707,21
706,47
700,53
695,66
686,68
714,05
721,88
733,53
744,62
768,93
762,32
775,64
786,71
782,50
803,13
815,96
819,06
825,90
820,64
787,78
794,39
788,28
829,51
831,56
829,52
817,71
823,07
846,99
847,00
848,08
839,67
850,87
864,31
849,81
840,87
847,04
858,36
859,51
851,93
866,54
882,64
888,10
903,23
911,42
922,68
924,73
909,86

RIO LN
1.839,00
1.781,00
1.743,00
1.640,00
1.759,00
1.778,00
1.822,00
1.770,00
1.962,00
2.017,00
1.924,00
1.953,00
2.019,00
2.037,00
2.073,00
2.279,00
2.433,00
2.588,00
2.445,00
2.364,00
2.497,00
2.406,00
2.202,00
2.349,00
2.321,00
2.494,00
2.540,00
2.226,00
2.166,00
2.231,00
2.385,00
2.448,00
2.492,00
2.395,00
2.505,00
2.400,00
2.273,00
2.400,00
2.624,00
2.674,00
2.640,00
2.563,00
2.621,00
2.751,00
2.873,00
2.992,00
2.992,00
3.111,00
3.024,00
2.947,00

BLT LN
1.132,00
1.093,00
1.069,00
1.050,00
1.127,00
1.128,00
1.168,00
1.139,00
1.252,00
1.285,00
1.254,00
1.268,00
1.324,00
1.275,00
1.290,00
1.391,00
1.428,00
1.501,00
1.424,00
1.330,00
1.401,00
1.318,00
1.176,00
1.268,00
1.346,00
1.480,00
1.477,00
1.398,00
1.358,00
1.363,00
1.409,00
1.423,00
1.428,00
1.384,00
1.407,00
1.402,00
1.345,00
1.354,00
1.398,00
1.429,00
1.383,00
1.364,00
1.370,00
1.427,00
1.461,00
1.489,00
1.528,00
1.550,00
1.539,00
1.491,00

Anexos

102

10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50
10:50

VALE3
38,73
36,68
36,70
36,50
37,06
39,60
40,34
38,02
37,60
37,64
38,80
38,57
39,06

VALE5
32,57
31,19
31,25
31,19
31,65
33,50
34,00
32,42
32,15
32,29
33,17
32,80
33,11

IBOV
50.573,98
48.961,86
48.690,36
49.164,33
49.939,24
51.624,75
52.145,69
50.498,13
50.072,24
50.481,40
52.301,36
52.681,78
52.945,69

SPX
905,80
892,81
884,04
891,77
895,49
907,84
920,37
894,31
885,34
887,33
910,41
901,01
905,05

RIO LN
2.880,00
2.516,00
2.507,00
2.673,00
2.620,00
2.767,00
2.846,00
2.673,00
2.739,00
2.696,00
2.771,00
2.743,00
2.836,00

BLT LN
1.479,00
1.403,00
1.384,00
1.407,00
1.433,00
1.470,00
1.490,00
1.397,00
1.418,00
1.403,00
1.447,00
1.431,00
1.493,00

8/12/2008 12:50
9/12/2008 12:50
10/12/2008 12:50
11/12/2008 12:50
12/12/2008 12:50
15/12/2008 12:50
16/12/2008 12:50
17/12/2008 12:50
18/12/2008 12:50
19/12/2008 12:50
22/12/2008 12:50
23/12/2008 12:50
26/12/2008 12:50
29/12/2008 12:50
30/12/2008 12:50
2/1/2009 12:50
5/1/2009 12:50
6/1/2009 12:50
7/1/2009 12:50
8/1/2009 12:50
9/1/2009 12:50
12/1/2009 12:50
13/1/2009 12:50
14/1/2009 12:50
15/1/2009 12:50
16/1/2009 12:50
20/1/2009 12:50
21/1/2009 12:50
22/1/2009 12:50
23/1/2009 12:50
26/1/2009 12:50
27/1/2009 12:50
28/1/2009 12:50
29/ 1/2009 12:50
30/1/2009 12:50

XTA LN
619,00
632,00
685,50
728,50
716,00
737,50
686,00
711,00
711,50
664,00
605,50
609,50
626,00
631,50
637,00
714,50
773,50
904,00
895,50
854,00
822,00
808,50
782,50
697,00
685,00
748,00
717,00
709,50
716,50
689,50
665,50
699,00
617,50
614,00
610,00

AAL LN
1425
1448
1519
1507
1492
1531
1556
1632
1583
1456
1450
1473
1491
1506
1521
1661
1692
1825
1703
1619
1507
1461
1436
1325
1276
1378
1334
1291
1287
1249
1323
1352
1392
1343
1294

BRL
2,45995
2,49800
2,47125
2,37150
2,37160
2,36915
2,38835
2,35500
2,35927
2,38137
2,38480
2,37535
2,37370
2,40575
2,32495
2,32950
2,29288
2,20455
2,23045
2,26902
2,29655
2,30325
2,31005
2,34625
2,37952
2,31480
2,35885
2,35250
2,34735
2,35302
2,30550
2,31060
2,30415
2,27997
2,30675

UKX
4.258,79
4.359,63
4.357,32
4.388,46
4.261,29
4.293,28
4.302,42
4.315,75
4.296,44
4.262,70
4.276,78
4.289,28
4.302,00
4.306,43
4.379,58
4.497,99
4.553,02
4.670,55
4.527,84
4.437,33
4.464,26
4.428,45
4.385,99
4.208,34
4.128,95
4.209,41
4.098,63
4.061,81
4.065,47
4.006,78
4.158,40
4.173,78
4.292,07
4.171,47
4.207,05

GBP
1,48465
1,47198
1,48101
1,49400
1,50070
1,52665
1,53510
1,53946
1,53108
1,49808
1,48043
1,48013
1,47015
1,46173
1,44840
1,45192
1,45253
1,46105
1,51067
1,52509
1,51501
1,48700
1,45819
1,45924
1,45129
1,48990
1,39414
1,38515
1,37469
1,36343
1,39169
1,40830
1,42675
1,42795
1,43230

EUR
1,29060
1,28468
1,29910
1,32710
1,33944
1,35880
1,37590
1,43020
1,44030
1,39194
1,39865
1,39751
1,40481
1,42830
1,41422
1,39146
1,36325
1,34223
1,36585
1,37469
1,35197
1,34005
1,32264
1,31190
1,30669
1,32795
1,29105
1,29520
1,29690
1,28165
1,31404
1,31965
1,32462
1,31040
1,28648

12/5/2009
13/5/2009
14/5/2009
15/5/2009
18/5/2009
19/5/2009
20/5/2009
21/5/2009
22/5/2009
26/5/2009
27/5/2009
28/5/2009
29/5/2009

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

2/2/2009 12:50
3/2/2009 12:50
4/2/2009 12:50
5/2/2009 12:50
6/2/2009 12:50
9/2/2009 12:50
10/2/2009 12:50
11/2/2009 12:50
12/2/2009 12:50
13/2/2009 12:50
17/2/2009 11:50
18/2/2009 11:50
19/2/2009 11:50
20/2/2009 11:50
26/2/2009 11:50
27/2/2009 11:50
2/3/2009 11:50
3/3/2009 11:50
4/3/2009 11:50
5/3/2009 11:50
6/3/2009 11:50
9/3/2009 11:30
10/3/2009 11:30
11/3/2009 11:30
12/3/2009 11:30
13/3/2009 11:30
16/3/2009 11:30
17/3/2009 11:30
18/3/2009 11:30
19/3/2009 11:30
20/3/2009 11:30
23/3/2009 11:30
24/3/2009 11:30
25/3/2009 11:30
26/3/2009 11:30
27/3/2009 11:30
30/3/2009 11:30
31/3/2009 11:30
1/4/2009 10:50
2/4/2009 10:50
3/4/2009 10:50
6/4/2009 10:50
7/4/2009 10:50
8/4/2009 10:50
9/4/2009 10:50
13/4/2009 10:50
14/4/2009 10:50
15/4/2009 10:50
16/4/2009 10:50
17/4/2009 10:50

103

XTA LN
559,00
606,00
687,50
729,00
837,00
792,50
767,00
764,50
707,00
747,00
695,00
698,50
723,50
663,00
636,50
675,50
639,50
332,25
370,50
356,00
338,00
332,00
361,00
379,00
370,00
368,00
369,00
369,00
368,00
416,00
445,00
488,00
451,00
430,00
446,00
424,00
389,00
412,00
484,50
551,00
558,00
527,50
517,00
513,00
572,50
594,00
606,50
572,00
601,50
591,50

AAL LN
1225
1244
1368
1363
1478
1499
1475
1374
1285
1279
1211
1208
1260
1057
1013
972
957,5
945,5
1008
989,5
1031
996
1087
1142
1101
1117
1139
1121
1114
1225
1285
1373
1279
1209
1252
1196
1087
1169
1137
1310
1395
1322
1289
1307
1400
1410
1407
1388
1411
1378

BRL
2,35435
2,32427
2,29800
2,31697
2,26515
2,23515
2,24400
2,26485
2,29500
2,27715
2,30990
2,33350
2,32925
2,38865
2,35535
2,38040
2,40800
2,42100
2,40012
2,38690
2,36925
2,36705
2,34645
2,34070
2,32665
2,31155
2,26100
2,27895
2,30482
2,25360
2,25220
2,27702
2,25065
2,24050
2,23535
2,27540
2,32960
2,30250
2,29515
2,24645
2,21672
2,23140
2,23440
2,19887
2,18160
2,17350
2,18962
2,21200
2,17825
2,18160

UKX
4.062,89
4.104,80
4.209,51
4.159,20
4.315,79
4.303,07
4.308,74
4.232,22
4.165,11
4.196,36
3.999,41
3.987,63
4.035,63
3.901,75
3.895,10
3.795,59
3.710,38
3.546,43
3.589,50
3.577,93
3.580,40
3.543,26
3.714,52
3.693,30
3.707,32
3.753,85
3.854,61
3.849,70
3.799,99
3.817,80
3.836,51
3.960,51
3.909,52
3.897,23
3.919,79
3.895,61
3.782,30
3.896,93
3.889,15
4.071,62
4.057,31
3.982,72
3.918,56
3.930,34
3.969,07
3.962,00
3.951,97
3.954,85
4.023,86
4.094,77

Modelagem Estatstica Aplicada Valorizao de Aes

GBP
1,41435
1,43170
1,44830
1,46330
1,46873
1,49519
1,47256
1,43773
1,42068
1,43955
1,42629
1,41966
1,44095
1,42908
1,43272
1,41720
1,40575
1,40490
1,41245
1,41015
1,42700
1,42469
1,41872
1,41726
1,41435
1,41787
1,42431
1,42597
1,42776
1,43453
1,42755
1,42712
1,42013
1,42482
1,42959
1,42354
1,41908
1,42303
1,43425
1,46890
1,48120
1,48306
1,47180
1,47084
1,47159
1,47306
1,48819
1,49560
1,49079
1,48419

EUR
1,27934
1,29169
1,28718
1,27910
1,28640
1,30619
1,29935
1,29456
1,27349
1,28458
1,26052
1,25538
1,27458
1,26269
1,27590
1,26405
1,25981
1,25909
1,25700
1,25252
1,27035
1,27730
1,28412
1,28615
1,29334
1,29447
1,30147
1,30580
1,30129
1,30317
1,29963
1,29861
1,30063
1,30618
1,31076
1,30619
1,30519
1,31292
1,32509
1,34518
1,34125
1,34540
1,32592
1,32555
1,32718
1,32690
1,32730
1,31770
1,32070
1,30540

Anexos

104

20/4/2009 10:50
22/4/2009 10:50
23/4/2009 10:50
24/4/2009 10:50
27/4/2009 10:50
28/4/2009 10:50
29/4/2009 10:50
30/4/2009 10:50
4/5/2009 10:50
5/5/2009 10:50
6/5/2009 10:50
7/5/2009 10:50
8/5/2009 10:50
11/5/2009 10:50
12/5/2009 10:50
13/5/2009 10:50
14/5/2009 10:50
15/5/2009 10:50
18/5/2009 10:50
19/5/2009 10:50
20/5/2009 10:50
21/5/2009 10:50
22/5/2009 10:50
26/5/2009 10:50
27/5/2009 10:50
28/5/2009 10:50
29/5/2009 10:50

XTA LN
524,50
506,00
542,00
598,00
598,00
558,00
575,00
605,50
654,00
683,00
689,00
717,50
726,50
688,50
683,00
603,50
596,00
619,00
603,50
647,50
666,00
630,00
649,50
642,00
670,00
654,00
693,00

8/12/2008 12:50
9/12/2008 12:50
10/12/2008 12:50
11/12/2008 12:50
12/12/2008 12:50
15/12/2008 12:50
16/12/2008 12:50
17/12/2008 12:50
18/12/2008 12:50
19/12/2008 12:50
22/12/2008 12:50
23/12/2008 12:50
26/12/2008 12:50
29/12/2008 12:50
30/12/2008 12:50
2/1/2009 12:50
5/1/2009 12:50
6/1/2009 12:50
7/1/2009 12:50
8/1/2009 12:50
9/1/2009 12:50

AAL LN
1294
1285
1349
1393
1407
1340
1404
1491
1540
1570
1584
1618
1628
1574
1552
1485
1434
1470
1482
1572
1615
1576
1610
1579
1674
1691
1755

LMNIDS03
9642
9179
9450
10799
10500
10300
9950
9835
9520
9863
10200
10209
9869
9900
10020
12902
12800
13363
12415
12009
11600

BRL
2,23452
2,22962
2,20155
2,18782
2,20985
2,21125
2,18667
2,18105
2,24241
2,11987
2,12575
2,09935
2,07710
2,07832
2,06075
2,09697
2,10822
2,07065
2,08070
2,06425
2,02425
2,03150
2,03327
2,04375
2,00870
2,01235
1,98250

LMAHDS03
1.527,00
1.510,00
1.520,00
1.548,00
1.512,00
1.495,00
1.488,00
1.470,00
1.475,00
1.504,50
1.535,00
1.561,00
1.548,00
1.517,00
1.485,00
1.543,00
1.553,00
1.608,00
1.592,00
1.552,00
1.559,00

UKX
3.985,24
3.969,56
4.061,18
4.119,16
4.134,58
4.084,33
4.156,72
4.262,35
4.306,00
4.347,91
4.415,04
4.483,94
4.478,08
4.402,98
4.419,18
4.354,92
4.329,34
4.349,87
4.420,17
4.459,38
4.479,87
4.362,45
4.338,65
4.338,17
4.415,69
4.396,78
4.436,52
CLA
52,62
54,13
59,00
55,01
54,18
58,33
56,07
54,33
52,02
51,30
51,06
48,75
44,79
47,90
48,25
52,84
55,94
60,28
57,65
54,42
53,36

Modelagem Estatstica Aplicada Valorizao de Aes

GBP
1,45560
1,44927
1,45352
1,47532
1,45952
1,46555
1,47661
1,47046
1,49257
1,50895
1,50543
1,50732
1,50540
1,51008
1,52590
1,51285
1,51330
1,52681
1,52889
1,54536
1,56078
1,57100
1,58832
1,58732
1,60248
1,59644
1,61066
JCMBBR
141,173
141,616
141,990
142,163
142,494
142,848
144,155
145,742
146,463
146,329
146,887
146,671
146,747
147,201
148,425
148,673
149,492
151,423
151,755
151,103
151,236

EUR
1,29235
1,29978
1,30090
1,32665
1,31009
1,30497
1,32567
1,32079
1,32938
1,33886
1,33050
1,34300
1,34910
1,35866
1,36519
1,35966
1,35930
1,35972
1,34946
1,35730
1,37870
1,37553
1,39971
1,39337
1,39600
1,39418
1,40963
BDIY
671
679
691
711
764
803
828
836
829
818
801
784
765
770
776
773
772
775
789
821
872

Anexos

105

12/1/2009 12:50
13/1/2009 12:50
14/1/2009 12:50
15/1/2009 12:50
16/1/2009 12:50
20/1/2009 12:50
21/1/2009 12:50
22/1/2009 12:50
23/1/2009 12:50
26/1/2009 12:50
27/1/2009 12:50
28/1/2009 12:50
29/1/2009 12:50
30/1/2009 12:50
2/2/2009 12:50
3/2/2009 12:50
4/2/2009 12:50
5/2/2009 12:50
6/2/2009 12:50
9/2/2009 12:50
10/2/2009 12:50
11/2/2009 12:50
12/2/2009 12:50
13/2/2009 12:50
17/2/2009 11:50
18/2/2009 11:50
19/2/2009 11:50
20/2/2009 11:50
26/2/2009 11:50
27/2/2009 11:50
2/3/2009 11:50
3/3/2009 11:50
4/3/2009 11:50
5/3/2009 11:50
6/3/2009 11:50
9/3/2009 11:30
10/3/2009 11:30
11/3/2009 11:30
12/3/2009 11:30
13/3/2009 11:30
16/3/2009 11:30
17/3/2009 11:30
18/3/2009 11:30
19/3/2009 11:30
20/3/2009 11:30
23/3/2009 11:30
24/3/2009 11:30
25/3/2009 11:30
26/3/2009 11:30
27/3/2009 11:30

LMNIDS03
10537
10650
10520
10550
11000
11051
11100
11100
11625
11950
11300
11234
11058
11050
11245
11425
11800
11455
11234
11075
11075
10600
10200
10400
10025
9815
10050
9703
10100
9800
9707
9779
9846
9910
9910
9931
9925
9955
9929
9921
9889
9845
9804
9784
9771
9760
9760
9740
9717
9692

LMAHDS03
1.518,50
1.500,00
1.490,00
1.467,00
1.482,00
1.384,00
1.350,00
1.345,00
1.334,00
1.360,00
1.349,00
1.380,00
1.354,00
1.340,00
1.366,00
1.380,00
1.428,00
1.428,00
1.467,00
1.455,00
1.439,00
1.404,00
1.372,00
1.377,00
1.338,00
1.327,00
1.346,00
1.307,00
1.350,00
1.338,50
1.316,50
1.320,00
1.347,00
1.345,00
1.327,50
1.318,00
1.329,00
1.319,00
1.320,00
1.298,00
1.297,00
1.317,00
1.319,00
1.310,00
1.318,00
1.286,00
1.277,00
1.293,00
1.295,00
1.289,00

CLA
52,83
53,05
53,37
52,45
54,23
50,28
48,74
49,41
49,01
53,23
50,66
50,57
51,07
52,07
49,74
49,01
49,34
49,90
49,92
52,68
52,90
50,04
48,89
49,07
44,75
43,07
43,23
43,76
48,10
47,32
46,36
45,21
47,62
48,75
49,38
50,32
50,38
48,03
46,82
50,10
47,34
50,43
51,58
54,73
54,94
55,43
56,31
54,98
56,63
55,06

Modelagem Estatstica Aplicada Valorizao de Aes

JCMBBR
151,955
151,743
152,069
152,238
151,791
150,986
150,838
151,004
150,627
150,835
151,898
152,370
152,230
152,613
153,199
152,654
151,981
152,294
152,535
152,873
154,478
155,320
155,582
154,418
155,534
155,725
154,898
155,349
154,465
153,389
153,919
152,732
152,818
152,554
152,217
151,935
152,118
151,792
151,726
151,750
151,619
151,552
151,556
151,563
151,197
151,083
150,886
151,192
150,928
151,215

BDIY
889
911
920
908
881
872
900
945
980
995
1004
1014
1036
1070
1099
1148
1316
1498
1642
1815
1974
2055
1989
1908
1895
1986
2057
2099
1950
1986
2014
2034
2084
2167
2225
2262
2298
2271
2201
2122
2058
1974
1861
1795
1782
1773
1758
1740
1714
1678

Anexos

106

30/3/2009 11:30
31/3/2009 11:30
1/4/2009 10:50
2/4/2009 10:50
3/4/2009 10:50
6/4/2009 10:50
7/4/2009 10:50
8/4/2009 10:50
9/4/2009 10:50
13/4/2009 10:50
14/4/2009 10:50
15/4/2009 10:50
16/4/2009 10:50
17/4/2009 10:50
20/4/2009 10:50
22/4/2009 10:50
23/4/2009 10:50
24/4/2009 10:50
27/4/2009 10:50
28/4/2009 10:50
29/4/2009 10:50
30/4/2009 10:50
4/5/2009 10:50
5/5/2009 10:50
6/5/2009 10:50
7/5/2009 10:50
8/5/2009 10:50
11/5/2009 10:50
12/5/2009 10:50
13/5/2009 10:50
14/5/2009 10:50
15/5/2009 10:50
18/5/2009 10:50
19/5/2009 10:50
20/5/2009 10:50
21/5/2009 10:50
22/5/2009 10:50
26/5/2009 10:50
27/5/2009 10:50
28/5/2009 10:50
29/5/2009 10:50

LMNIDS03
9667
9647
9651
10300
10550
10825
10620
10842
11050
11208
11350
12340
12450
12585
12301
11550
11500
11339
11100
10930
11229
11234
11540
11950
12430
13250
13416
13455
13475
12640
12249
12450
12130
12511
12650
12250
12644
12960
13565
13525
13800

LMAHDS03
1.300,00
1.284,00
1.366,00
1.429,00
1.458,00
1.478,00
1.469,50
1.488,00
1.509,00
1.501,00
1.493,00
1.495,00
1.494,50
1.475,00
1.460,00
1.460,00
1.464,00
1.460,00
1.440,00
1.440,00
1.465,00
1.465,00
1.501,00
1.522,00
1.575,00
1.584,00
1.555,00
1.533,00
1.559,00
1.523,00
1.516,00
1.516,50
1.510,00
1.510,00
1.500,00
1.456,00
1.436,00
1.442,00
1.426,00
1.400,00
1.422,00

CLA
53,69
51,57
50,93
55,17
55,69
55,00
54,33
53,72
56,33
54,22
54,73
54,80
54,23
54,87
51,59
50,31
50,60
52,64
50,32
50,65
52,10
51,98
55,35
55,82
56,65
59,06
58,86
58,75
60,05
59,45
58,35
58,81
58,67
59,09
61,60
60,42
60,98
60,61
62,99
64,06
65,85

Modelagem Estatstica Aplicada Valorizao de Aes

JCMBBR
151,179
150,848
155,242
155,800
155,375
155,543
155,856
156,470
156,028
156,692
156,836
158,649
158,313
157,878
158,142
157,854
158,178
158,221
158,760
158,854
158,865
159,065
159,730
160,271
161,557
161,199
161,465
162,175
162,738
162,769
162,914
162,851
163,500
164,639
165,516
165,265
165,300
165,342
165,376
165,697
167,923

BDIY
1646
1615
1574
1538
1506
1486
1466
1463
1478
1480
1492
1534
1604
1682
1737
1869
1897
1873
1839
1790
1772
1786
1850
1897
2065
2194
2214
2215
2253
2332
2432
2544
2605
2644
2665
2707
2786
2942
3164
3298
3494

Anexos

107

ANEXO II SADAS DO SOFTWARE R 2.7.2


Sada 1.1 (Modelo 1 com todas as variveis) :
Call:
lm(formula = VALE3 ~ IBOV + SPX + RIO.LN + BLT.LN + XTA.LN +
AAL.LN + USD + UKX + GBP + EUR + LMNIDS03 + LMAHDS03 + LMCADS03 +
CLA + JCMBBR + BDIY)
Residuals:
Min
1Q
Median
-0.062703 -0.026336 -0.005954

3Q
0.023894

Coefficients:
Estimate Std. Error t value
(Intercept) 0.60214
0.85805
0.702
IBOV
1.75126
0.27652
6.333
SPX
-0.73859
0.38358 -1.926
RIO.LN
-0.11717
0.06594 -1.777
BLT.LN
0.94637
0.16198
5.842
XTA.LN
0.09686
0.05635
1.719
AAL.LN
-0.26239
0.15900 -1.650
USD
1.60067
0.70848
2.259
UKX
-0.37190
0.44658 -0.833
GBP
0.84449
0.58896
1.434
EUR
-1.61745
0.33478 -4.831
LMNIDS03
0.21988
0.08622
2.550
LMAHDS03
-0.12663
0.21276 -0.595
LMCADS03
-0.55447
0.15543 -3.567
CLA
-0.62748
0.12189 -5.148
JCMBBR
-0.62162
0.46630 -1.333
BDIY
-0.01110
0.01304 -0.852
--Signif. codes: 0 *** 0.001 ** 0.01

Max
0.090299

Pr(>|t|)
0.484817
1.22e-08
0.057633
0.079314
1.00e-07
0.089384
0.102709
0.026519
0.407387
0.155411
6.22e-06
0.012628
0.553371
0.000606
1.77e-06
0.186194
0.396966

***
.
.
***
.
*

***
*
***
***

* 0.05 . 0.1 1

Residual standard error: 0.03852 on 82 degrees of freedom


(18 observations deleted due to missingness)
Multiple R-squared: 0.9402,
Adjusted R-squared: 0.9285
F-statistic: 80.53 on 16 and 82 DF, p-value: < 2.2e-16

Sada 1.2 (funo step para o Modelo 1 ) :


Call:
lm(formula = VALE3 ~ IBOV + SPX + RIO.LN + BLT.LN + XTA.LN +
AAL.LN + USD + EUR + LMNIDS03 + LMCADS03 + CLA + JCMBBR)
Residuals:
Min
1Q
Median
-0.061605 -0.028619 -0.008379

3Q
0.023365

Max
0.083116

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.45944
0.81074
0.567
0.5724
IBOV
1.76708
0.25231
7.004 5.22e-10 ***
SPX
-1.02206
0.22680 -4.506 2.07e-05 ***
RIO.LN
-0.13150
0.06353 -2.070
0.0415 *
BLT.LN
0.88290
0.14947
5.907 6.80e-08 ***
XTA.LN
0.12448
0.04887
2.547
0.0126 *

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

108

AAL.LN
-0.21634
USD
2.03862
EUR
-1.35415
LMNIDS03
0.16355
LMCADS03
-0.42471
CLA
-0.60735
JCMBBR
-0.66463
--Signif. codes: 0 ***

0.12714
0.49268
0.28344
0.07139
0.09490
0.11368
0.42792

-1.702
4.138
-4.777
2.291
-4.475
-5.343
-1.553

0.0924
8.14e-05
7.24e-06
0.0244
2.32e-05
7.39e-07
0.1241

.
***
***
*
***
***

0.001 ** 0.01 * 0.05 . 0.1 1

Residual standard error: 0.03832 on 86 degrees of freedom


(18 observations deleted due to missingness)
Multiple R-squared: 0.9379,
Adjusted R-squared: 0.9292
F-statistic: 108.2 on 12 and 86 DF, p-value: < 2.2e-16

Sada 1.3 (Modelo 1 final) :

Call:
lm(formula = VALE3 ~ IBOV + BLT.LN + EUR + LMCADS03 + CLA)
Residuals:
Min
1Q
Median
-0.110741 -0.036936 -0.003595

3Q
0.033710

Coefficients:
Estimate Std. Error t value
(Intercept) 2.76916
0.23540 11.764
IBOV
0.49554
0.08693
5.700
BLT.LN
0.56886
0.09904
5.744
EUR
-1.82604
0.21271 -8.585
LMCADS03
-0.33278
0.05878 -5.662
CLA
-0.61818
0.10178 -6.074
--Signif. codes: 0 *** 0.001 ** 0.01

Max
0.128640

Pr(>|t|)
< 2e-16
1.07e-07
8.79e-08
7.96e-14
1.27e-07
1.94e-08

***
***
***
***
***
***

* 0.05 . 0.1 1

Residual standard error: 0.04632 on 107 degrees of freedom


(4 observations deleted due to missingness)
Multiple R-squared: 0.8994,
Adjusted R-squared: 0.8947
F-statistic: 191.2 on 5 and 107 DF, p-value: < 2.2e-16

Sada 1.4 (AR(1) sobre resduos do Modelo 1) :

Call:
arma(x = modelo1$residuals, order = c(1, 0))
Model:
ARMA(1,0)
Residuals:
Min
1Q
Median
-0.1202918 -0.0219493 -0.0005069
Coefficient(s):
Estimate
ar1
0.6477053

Std. Error
0.0715812

3Q
0.0198878

Max
0.0810046

t value Pr(>|t|)
9.049
<2e-16 ***

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

109

intercept 0.0001964
0.0032204
0.061
0.951
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Sada 2.1 (Modelo 2 com todas as variveis) :


Call:
lm(formula = VALE3 ~ SPX + RIO.LN + BLT.LN + XTA.LN + AAL.LN +
USD + UKX + GBP + EUR + LMNIDS03 + LMAHDS03 + LMCADS03 +
CLA + JCMBBR + BDIY)
Residuals:
Min
1Q
Median
-0.091156 -0.033411 -0.005679

3Q
0.039666

Max
0.108277

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.004911
1.005472
1.994 0.049435 *
SPX
-0.252840
0.455858 -0.555 0.580629
RIO.LN
0.124099
0.065286
1.901 0.060792 .
BLT.LN
0.617304
0.186093
3.317 0.001351 **
XTA.LN
-0.015481
0.064872 -0.239 0.811969
AAL.LN
-0.004902
0.186438 -0.026 0.979089
USD
0.033389
0.805204
0.041 0.967024
UKX
0.363228
0.523049
0.694 0.489344
GBP
0.935546
0.714146
1.310 0.193803
EUR
-2.166570
0.392205 -5.524 3.72e-07 ***
LMNIDS03
0.116350
0.102681
1.133 0.260428
LMAHDS03
-0.269948
0.256604 -1.052 0.295851
LMCADS03
-0.286270
0.181394 -1.578 0.118332
CLA
-0.575605
0.147511 -3.902 0.000193 ***
JCMBBR
0.427628
0.528680
0.809 0.420909
BDIY
-0.010535
0.015813 -0.666 0.507090
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.04672 on 83 degrees of freedom
(18 observations deleted due to missingness)
Multiple R-squared: 0.9109,
Adjusted R-squared: 0.8948
F-statistic: 56.57 on 15 and 83 DF, p-value: < 2.2e-16

Sada 2.2 (funo step para o Modelo 2 ):


Call:
lm(formula = VALE3 ~ RIO.LN + BLT.LN + GBP + EUR + LMNIDS03 +
LMCADS03 + CLA + JCMBBR)
Residuals:
Min
1Q
Median
-0.084993 -0.033376 -0.003279

3Q
0.035959

Max
0.102340

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.66376
0.48714
3.415 0.000958 ***
RIO.LN
0.13616
0.05816
2.341 0.021423 *
BLT.LN
0.61272
0.13955
4.391 3.07e-05 ***
GBP
1.03328
0.25948
3.982 0.000138 ***
EUR
-2.21291
0.29020 -7.626 2.39e-11 ***

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

LMNIDS03
0.11748
LMCADS03
-0.37049
CLA
-0.53544
JCMBBR
0.60242
--Signif. codes: 0 ***

110

0.06359
0.07868
0.12149
0.28697

1.848
-4.709
-4.407
2.099

0.067947
9.00e-06
2.88e-05
0.038592

.
***
***
*

0.001 ** 0.01 * 0.05 . 0.1 1

Residual standard error: 0.04539 on 90 degrees of freedom


(18 observations deleted due to missingness)
Multiple R-squared: 0.9088,
Adjusted R-squared: 0.9007
F-statistic: 112.1 on 8 and 90 DF, p-value: < 2.2e-16

Sada 2.3 (Modelo 2 final) :

Call:
lm(formula = VALE3 ~ BLT.LN + EUR + LMCADS03 + CLA)
Residuals:
Min
1Q
Median
-0.13934 -0.03726 -0.00678

3Q
0.03946

Max
0.13339

Coefficients:
Estimate Std. Error t value
(Intercept) 3.66268
0.19959 18.351
BLT.LN
0.93722
0.08530 10.988
EUR
-2.73418
0.16018 -17.069
LMCADS03
-0.33720
0.06679 -5.049
CLA
-0.47206
0.11194 -4.217
--Signif. codes: 0 *** 0.001 ** 0.01

Pr(>|t|)
< 2e-16
< 2e-16
< 2e-16
1.82e-06
5.16e-05

***
***
***
***
***

* 0.05 . 0.1 1

Residual standard error: 0.05264 on 108 degrees of freedom


(4 observations deleted due to missingness)
Multiple R-squared: 0.8688,
Adjusted R-squared: 0.8639
F-statistic: 178.8 on 4 and 108 DF, p-value: < 2.2e-16

Sada 2.4 (AR(1) sobre resduos do Modelo 2) :

Call:
arma(x = modelo2$residuals, order = c(1, 0))
Model:
ARMA(1,0)
Residuals:
Min
1Q
Median
-0.130475 -0.025507 -0.001867

3Q
0.024790

Coefficient(s):
Estimate Std. Error t
ar1
0.6754633
0.0691637
intercept 0.0002181
0.0035615
--Signif. codes: 0 *** 0.001 **

Max
0.088457

value Pr(>|t|)
9.766
<2e-16 ***
0.061
0.951
0.01 * 0.05 . 0.1 1

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

111

Sada 3.1 (Modelo 3 com todas as variveis) :


Call:
lm(formula = VALE3 ~ SPX + RIO.LN + BLT.LN + XTA.LN + AAL.LN +
USD + UKX + GBP + EUR + LMNIDS03 + LMAHDS03 + LMCADS03 +
CLA + JCMBBR + BDIY)
Residuals:
Min
1Q
-0.033597 -0.013345

Median
0.001063

3Q
0.011687

Max
0.043722

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.001944
0.002361 -0.823 0.413267
SPX
0.452946
0.237610
1.906 0.060844 .
RIO.LN
0.221607
0.076273
2.905 0.004945 **
BLT.LN
0.171371
0.128241
1.336 0.185898
XTA.LN
-0.023855
0.031289 -0.762 0.448451
AAL.LN
0.320526
0.092271
3.474 0.000898 ***
USD
0.016030
0.339622
0.047 0.962493
UKX
-0.180632
0.280903 -0.643 0.522361
GBP
-0.174191
0.318825 -0.546 0.586611
EUR
-0.283410
0.262338 -1.080 0.283815
LMNIDS03
0.001397
0.072636
0.019 0.984707
LMAHDS03
-0.022880
0.153512 -0.149 0.881962
LMCADS03
0.063873
0.115654
0.552 0.582570
CLA
0.009882
0.087406
0.113 0.910317
JCMBBR
0.831234
0.460427
1.805 0.075446 .
BDIY
0.006640
0.054957
0.121 0.904185
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.0185 on 68 degrees of freedom
(32 observations deleted due to missingness)
Multiple R-squared: 0.801,
Adjusted R-squared: 0.7571
F-statistic: 18.25 on 15 and 68 DF, p-value: < 2.2e-16

Sada 3.2 (funo step para o Modelo 3) :


Call:
lm(formula = VALE3 ~ 0 + RIO.LN + BLT.LN + AAL.LN + EUR + LMCADS03 +
JCMBBR)
Residuals:
Min
1Q
-5.067e-02 -1.275e-02

Median
1.756e-05

3Q
1.118e-02

Max
4.620e-02

Coefficients:
Estimate Std. Error t value Pr(>|t|)
RIO.LN
0.11946
0.05781
2.067 0.041251 *
BLT.LN
0.33862
0.09254
3.659 0.000399 ***
AAL.LN
0.24809
0.06963
3.563 0.000555 ***
EUR
-0.48185
0.15171 -3.176 0.001964 **
LMCADS03 0.10864
0.07500
1.448 0.150498
JCMBBR
0.60911
0.40767
1.494 0.138176
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Modelagem Estatstica Aplicada Valorizao de Aes

Anexos

112

Residual standard error: 0.01937 on 104 degrees of freedom


(6 observations deleted due to missingness)
Multiple R-squared: 0.7518,
Adjusted R-squared: 0.7375
F-statistic: 52.5 on 6 and 104 DF, p-value: < 2.2e-16

Sada 3.3 (Modelo 3 final) :

Call:
lm(formula = VALE3 ~ 0 + RIO.LN + BLT.LN + AAL.LN + EUR)
Residuals:
Min
1Q
-0.042986 -0.010274

Median
0.001177

3Q
0.011657

Coefficients:
Estimate Std. Error t value
RIO.LN 0.11680
0.05824
2.005
BLT.LN 0.36113
0.09140
3.951
AAL.LN 0.25772
0.07003
3.680
EUR
-0.50269
0.15256 -3.295
--Signif. codes: 0 *** 0.001 **

Max
0.046390

Pr(>|t|)
0.047464
0.000140
0.000368
0.001339

*
***
***
**

0.01 * 0.05 . 0.1 1

Residual standard error: 0.01953 on 106 degrees of freedom


(6 observations deleted due to missingness)
Multiple R-squared: 0.7428,
Adjusted R-squared: 0.7331
F-statistic: 76.54 on 4 and 106 DF, p-value: < 2.2e-16

Modelagem Estatstica Aplicada Valorizao de Aes

Você também pode gostar