Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Ativos Financeiros
1.1 Análise Preliminar de Dados de Ativos Financeiros
Os ativos financeiros normalmente se apresentam sob a forma de cotações ao longo do tempo, sendo essa uma
forma inadequada para os procedimentos de análise.
Desta forma, é necessário, antes de mais nada, calcular os retornos dos ativos (na verdade, os log-retornos),
segundo a fórmula
xi
reti = log = log ( xi ) − log ( xi−1 ) (1)
x i −1
=LN(<x[t]>)-LN(<x[t-1]>)
Considerando que a taxa livre de risco (risk-free) é a taxa do 10-yr bond do Tesouro Americano, que deve
ser considerada para esse estudo como sendo 3.06% ao ano, calculam-se os excessos de retorno dos ativos,
subtraindo deles a taxa risk-freeefetiva diária, por meio da fórmula
onde Ndias é o número de dias úteis de trabalho do ativo. No presente caso, considerar Ndias = 251. Assim,
rfdiaria = 0.0120092%.
Assim, os excessos de retorno ficam
1
Tabela 3: Tabela de Excessos de Retornos de Ativos
O último título examinado (NYA) não é propriamente um título negociável. Ele é a cotação Dow-Jones da
Bolsa de NY. Será usado como referência para o estudo do CAPM.
Vamos, portanto, trabalhar com os 8 primeiros ativos listados.
2
Percebe-se que a escolha dos pesos provocou um retorno negativo da carteira, apesar da baixa volatilidade.
Pode-se usar um otimizador não-linear para melhorar essa carteira, por exemplo maximizando o seu índice
de Sharpe, que é a razão entre a média dos retornos e a volatilidade da carteira.
x̄i
Sharpe = (3)
si
Nota-se o melhor indice de Sharpe para o ativo PG, vamos tentar montar uma carteira ainda melhor.
Tabela 10: Médias, Volatilidades e Sharpe de Excessos de Retornos de Ativos e Carteira Ótima
Nota-se um excelente desempenho do Índice de Sharpe para a Carteira apresentada, com um retorno anuali-
zado de 51.3%.
Suponha agora que seu cliente, por exemplo, quer pelo menos 25% de AAPL na carteira. Pode-se verificar o
desempenho rodando o otimizador mais uma vez com a inclusão dessa restrição.
Tabela 11: Pesos Ótimos para Excessos de Retornos de Ativos com AAPL=0.25
Tabela 12: Médias, Volatilidades e Sharpe de Excessos de Retornos de Ativos e Carteira Ótima com AAPL=0.25
Houve uma queda desempenho do Índice de Sharpe para a Carteira apresentada, com um retorno anualizado
de 24.1%.
3
1.3 Modelo CAPM
O CAPM (Capital Assets Pricing Model) é um modelo que permite avaliar o risco sistemático a que um ativo
financeiro está submetido. Ele é implementado por meio de uma regressão linear com a forma
Um ativo bem comportado apresentará α = 0 e 0 6 β 6 1 para um ativo conservador e β > 1 para um ativo
agressivo.
No EXCEL, o α é calculado por meio da função =INTERCEPT(<ativo>;<mercado>) e o β por meio da função
=SLOPE(<ativo>;<mercado>). Essa é a parte simples, que dá como resultado, para cada um dos ativos,
O classifica os ativos GE, WMT, PG, XOM como conservadores e os ativos PBR, AMZN, AAPL, BABA como agressivos.
Para sabermos se os coeficientes α e β são diferentes de zero, é necessário fazer um teste t para cada um deles,
da seguinte forma:
r
∑y−α−β x
SE = (6)
N−2
s
SE2
SEβ = (7)
∑ ( x − x̄ )2
s
∑ x2
SEα = SEβ (8)
N
coef
tcoef = (9)
SEcoef
onde y é o ativo a ser analisado e x é o mercado contra o qual esse ativo será analisado e N é o número de
observações; o EXCEL possui uma fórmula para calcular SE, que é o começo de nossos cálculos; essa fórmula
é
=STEYX(<ativo>;<mercado>)
Como passo seguinte, cria-se uma coluna acessória subtraindo-se a média do retorno do mercado de cada um
dos retornos do mercado.
A seguir, usa-se a função do EXCEL SUMSQ(<x-xmedio>) e obtém-se o valor 0.0054094.
Aplicando-se a fórmula (7) a cada ativo, obtém-se o erro padrão do coeficiente Beta:
4
Tabela 15: Erro padrão do Beta da regressão CAPM dos ativos
A seguir, aplica-se a fórmula (9) a cada um dos coeficientes e seu respectivo erro padrão, obtendo-se a estatís-
tica t e, a seguir, a sua probabilidade associada por meio da fórmula do EXCEL =2*(1-T.DIST(<t>;<N-2>;1))
onde N é o número de casos coletados. Essa fórmula dá a probabilidade bilateral de que o coeficiente seja zero.
Dessa análise, depreende-se que todos os ativos estão devidamente ligados ao mercado, exceto no caso do
ativo GE, que apresenta uma anomalia no Beta, indicando desconexão do mercado e no Alfa, indicando que
os retornos estão anormalmente baixos.
O ativo PG deve ser monitorado pois parece estar quase se desvinculando do mercado.
2 Modelos de Previsão
2.1 Regressão Logística
A regressão logística é usada como método eficiente de previsão do comportamento de uma variável dicotô-
mica em função de variáveis que possivelmente são preditivas desse comportamento.
Suponhamos o seguinte conjunto de dados relativos a clientes
5
Tabela 18: Dados de clientes
6. grinst: grau de instrução — 0) sem instrução formal; 1) nível fundamental; 2) nível médio; 3) nível
superior; 4) pós-graduado
A tarefa da regressão logística consiste em tentar explicar a influência das variáveis antecedentes sobre a con-
dição do cliente ser adimplente ou não, construindo um modelo que depois permita fazer previsões sobre
futuros clientes.
Para tal, usaremos as propriedades da curva logística para permitir a estimação dos parâmetros utilizando o
EXCEL. Uma curva logística tem a forma
1.0
0.8
0.6
plogis(x, 0, 1)
0.4
0.2
0.0
−4 −2 0 2 4
6
e tem como equação
ez 1
p= = (10)
1+e z 1 + e−z
onde
z = β 0 + β 1 x1 + β 2 x2 + · · · + β n x n (11)
Como esse produtório pode levar a valores muito pequenos, normalmente usa-se o logaritmo da função de
verossimilhança, que vai gerar um somatório
O SOLVER necessita ser inicializado com um objetivo que é maximizar o somatório dos logaritmos das veros-
similhanças, alterando as variáveis correspondentes a β 0 (constante) a β 7 . Assim, tem-se algo como
Supondo um vetor beta de coeficientes com valores beta = [0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1]
Na coluna z usa-se a função =SUMPRODUCT(<betas>;<valoresx>), gerando os valores
7
Tabela 21: Dados de clientes com p
Somando-se os valores da coluna LL, obtém-se ∑ LL = −724.6658651, que é o valor provisório da nossa função
objetivo a ser maximizada.
Usando o SOLVER, obtém-se os seguintes valores para o vetor beta:
gerando os resultados
8
Somando-se os valores da coluna LL, obtém-se ∑ LL = −260.1676157, que é o valor máximo da nossa função
objetivo.
A interpretação dos coeficientes fica ainda mais interessante ao calcularmos o valor
exp.beta = e β (14)
1. e β1 = 0.5831102 indica que cada filho a mais leva o indivíduo 42% a mais na direção da inadimplência.
2. e β2 = 1.4335968 indica que cada mil reais a mais no salário leva o indivíduo 43% a mais na direção da
adimplência.
3. e β3 = 6.3331951 indica que ter um companheiro leva o indivído a ser 6.33 vezes mais adimplente que
aquele que não tem.
4. e β4 = 0.8550363 indica que o indivíduo possuir casa própria o leva cerca de 15% a mais na direção da
inadimplência.
5. e β5 = 1.7023927 indica que o indivíduo ser mulher o leva cerca de 70% a mais na direção da adimplência.
2.1.1 Previsão
Cada indivíduo que recebeu uma probabilidade p maior que 0.5 foi previsto como adimplente, então pode-se
confrontar esse resultado com a realidade.
Tabela 25: Dados de clientes com a classificação prevista
Comparando as colunas adimplente e y, pode-se verificar a quantidade de acertos em cada categoria. Esse
tabelamento se chama confusion matrix:
0 1
0 322 57
1 66 155
onde nas linhas está a categoria observada e nas colunas a categoria prevista. Isso indica que, de 379 inadim-
plentes, o modelo previu corretamente 322 e que de 221 adimplentes, o modelo previu corretamente 155.
Assim, pode-se dizer que o modelo previu corretamente 79.5% do total de casos, sendo que 85% dos casos
inadimplentes e 70.1% dos casos adimplentes.
9
Suponha agora que um indivíduo que tem 1 filho, com renda de 10 mil reais, solteiro, com casa própria,
do gênero masculino, com grau de instrução superior venha a pedir a concessão de crédito. Baseado nesse
modelo, qual a probabilidade dele ser um bom cliente?
Sabe-se que
z = β 0 + β 1 x1 + β 2 x2 + β 3 x3 + β 4 x4 + β 5 x5 + β 6 x6 (15)
1
p= (16)
1 + e−z
logo,
10