Alocação de Carteiras de Ações Através da Utilização de Modelos de Lógica Fuzzy

Autoria: Silas Roberto Trigo de Castro, Afonso de Campos Pinto

Resumo
Este trabalho tem por objetivo propor uma carteira composta por posições compradas e
vendidas de ações que supere os principais Índices de mercado. O resultado é obtido através
de um modelo de Lógica Fuzzy, que é um modelo de inteligência artificial que trata os dados
de maneira lógica, ou seja, sem relacionar as variáveis através de modelos matemáticos
convencionais. Para esse estudo utilizamos como variáveis de entrada os múltiplos
Preço/Lucro Esperado e Preço/Valor Patrimonial da Empresa de cada ação considerada.
Foram estudadas as ações do mercado americano pertencentes ao índice S&P 500, do ano de
2000 até 2007. Com o intuito de comparar a eficiência do Modelo de Lógica Fuzzy,
utilizamos o modelo de Regressão Linear Multivariada e os índices de mercado S&P 500 e o
S&P 500 com uma modificação para se adequar aos dados escolhidos para o estudo. O
modelo proposto produziu resultados satisfatórios. Para quase todos os anos estudados o
retorno da carteira obtida foi muito superior ao dos Índices de mercado e do modelo linear
convencional. Através de testes adequados comprovamos estatisticamente a eficiência do
modelo em comparação aos Índices de mercado e ao modelo linear convencional.
Introdução
Um dos maiores desafios do mercado financeiro é identificar dentre uma série de
ativos, aqueles que terão melhores desempenhos no futuro. Metodologias foram
desenvolvidas com o intuito de tentar obter carteiras de ativos com retornos mais altos do que
a média de mercado. Dentre as metodologias desenvolvidas existem aquelas que levam em
consideração informações passadas de retorno e volatilidade, como a fronteira eficiente de
Markowitz, até métodos que levam em consideração informações específicas de cada ação,
como análises de múltiplos da empresa. Para identificar se o retorno de uma carteira de ativos
é alto, precisamos primeiramente ter uma carteira de comparação, que chamamos de Índice de
mercado. Geralmente o Índice de mercado de ações é a carteira composta pelas ações mais
líquidas desse mercado, ponderadas pelo valor de mercado de cada empresa. No nosso estudo
utilizamos ações americanas e o Índice de mercado é o S&P500.
O modelo utilizado para a obtenção dessa carteira de ativos foi um modelo de Lógica
Fuzzy, o qual utiliza interações lógicas entre as variáveis explicativas e a variável resposta.
Foi ainda desenvolvida uma carteira utilizando um modelo de Regressão Linear, para que a
eficácia do modelo proposto fosse testada não somente em relação ao mercado, mas também
frente a um modelo matemático tradicional. Portanto, esse trabalho busca uma metodologia
capaz de identificar quais ações deveriam ser compradas e vendidas por um investidor, para
obter uma carteira que supere o retorno do Índice de mercado. Muitas são as abordagens para
atingir esse objetivo: Markowitz (1952) identificou técnicas para a obtenção de carteiras
ótimas a partir do risco que o investidor estava disposto a correr, considerando para isso o
histórico das rentabilidades e das volatilidades; outros estudos como o de Basu (1977) e
Rosenberg, Reid e Lanstein (1985), identificaram múltiplos de mercado capazes de explicar o
retorno futuro das ações, contrariando a teoria de mercado eficiente, que diz que toda e
qualquer informação disponível é instantaneamente assimilada pelos operadores de mercado,
impedindo que qualquer investidor tenha vantagens na obtenção de lucros (Ross, 2000). O
objetivo desse trabalho é, portanto, utilizando um modelo de Lógica Fuzzy, obter um portfolio
composto por posições compradas e vendidas em ações e no fim de um ano comparar o
rendimento dessa carteira com o Índice de mercado utilizado pelos investidores como
parâmetro na tomada de decisão. O Modelo utiliza para isso, conceitos lógicos ao invés de

1
simplesmente utilizar relações matemáticas. Mais do que evidenciar que o Modelo traz
melhores retornos se comparado ao Índice de mercado, demonstramos também que ele é
melhor (no sentido de ser capaz de obter melhores rentabilidades) que um modelo matemático
tradicional. Por esse motivo, será obtida uma carteira de ações compradas e vendidas, a partir
de um modelo de regressão linear (o Modelo de Regressão Linear Multivariada). Assim,
nosso segundo objetivo é evidenciar que o Modelo de Lógica Fuzzy traz resultados melhores
que o Modelo Linear, ou seja, melhores rentabilidades.
Na Seção 2, apresentamos uma revisão bibliográfica que justificará os indicadores e o
modelo utilizados. Na Seção 3 descrevemos a metodologia adotada: a escolha dos indicadores
utilizados como variáveis independentes, a base de dados escolhida, as características do
Modelo de Lógica Fuzzy adotado e a descrição dos modelos utilizados para obtermos as
carteiras, desde o funcionamento do Modelo de Lógica Fuzzy até o desenvolvimento do
Modelo de Regressão Linear assim como os Índices de mercado, que serão utilizados para
gerar carteiras-teste para o estudo. Na Seção 4 apresentamos os resultados da modelagem com
os dados analisados. Por fim, na Seção 5 destacamos nossas principais conclusões,
comentando também as limitações do trabalho e o que pode ser desenvolvido futuramente a
partir dele.

2. Revisão Bibliográfica

Basu (1977) comprovou que o múltiplo formado pela razão entre Preço e Lucro por
ação (P/L), era correlacionado com o retorno dos ativos. O trabalho provou que ações com um
baixo P/L tendiam a render mais do que ações com alto P/L. A teoria era de que se a relação
entre preço e lucro de uma ação é baixa é porque essa ação está mal precificada pelo mercado,
ou seja, está barata. Rosenberg, Reid e Lanstein (1985) identificaram que o múltiplo obtido
pela razão entre Preço e Valor Patrimonial, ou seja, o valor contábil da empresa (P/VP) por
ação também possuía correlação com os retornos dos ativos. A idéia por trás do trabalho é a
de que se o preço está muito baixo em relação ao valor que os próprios contadores atribuem à
empresa, é também porque a ação está barata. Fama e French (1992) analisaram vários fatores
que poderiam influenciar o rendimento das ações conjuntamente, dentre eles estavam o
múltiplo P/VP e o valor de mercado das empresas. Constataram que para as empresas
menores, os múltiplos P/VP mais baixos geram retornos ainda maiores. Basu (1983) também
estudou o efeito do valor de mercado das empresas sobre o múltiplo P/L e constatou que o
efeito do múltiplo também é maior nas ações de empresas menores. Alguns trabalhos mais
recentes estudaram os modelos que correlacionavam múltiplos e outros índices aos retornos
maiores de ativos no futuro e identificaram algumas anomalias. Damodaran (2001) conseguiu
provar que os múltiplos P/L e P/VP realmente eram negativamente correlacionados com os
retornos dos ativos, porém, algumas variáveis também tinham que ser consideradas, como
taxa de crescimento, valor de mercado da empresa e qualidade da avaliação contábil. Um fato,
porém, dificultava o estudo desses múltiplos: Eles se relacionam de maneira lógica com o
retorno dos ativos, mas não através de um modelo matemático convencional. Isso fica
evidente nos trabalhos de Basu (1977), Rosenberg, Reid e Lanstein (1985), Fama e French
(1992), e Basu (1983) que, para comprovarem a relação entre as variáveis, tiveram que
separá-las em categorias, para só então comparar o desempenho de cada grupo.
Um dos objetivos deste trabalho consiste em obter um modelo que consiga analisar, de
maneira adequada, variáveis com esta característica. Uma abordagem que pareceu ser
adequada para tratar esse tipo de dados foi a Lógica Fuzzy, por utilizar conceitos lógicos no
tratamento dos dados, de tal forma que a relação seja como uma resposta humana ao analisar a
variável.

2
 Zadeh (1965) desenvolveu a teoria de conjuntos Fuzzy como um modelo alternativo
para analisar conhecimentos imprecisos que se relacionam logicamente, porém não através de
modelos tradicionais. Mamdani (1977) realizou estudos que buscavam aplicar as teorias de
Lógica Fuzzy em sistemas de controle. A partir de seus estudos, surgiram modelos de lógica
Fuzzy aperfeiçoados, que foram base de nosso trabalho. Modelo de lógica Fuzzy passaram a
ser empregados em diversos campos. Souto-maior (2007) tentou prever movimentos diários
de queda e alta de índices de ações a partir da variação destes mesmos índices nos três dias
anteriores. Utilizou para isso o Modelo de Lógica Fuzzy e analisou diversos mercados para
períodos diversos obtendo resultados satisfatórios. Pereira (2008) utilizou Lógica Fuzzy para
desenvolver de um modelo que auxilie um analista técnico a tomar decisões de compra e
venda de ações diariamente, a partir de dados técnicos de mercado, como a média móvel e um
índice que expressa a força relativa de um movimento de preço.

3. Metodologia

3.1. Principais indicadores

Para estimarmos a carteira de ações com alto rendimento que estamos buscando,
utilizamos alguns indicadores de mercado, que, em trabalhos anteriores, foram identificados
como correlacionados com o bom desempenho de ações. Estes indicadores são:

A Relação Preço / Lucro Esperado (P/L): É talvez o múltiplo mais difundido e

utilizado pelos investidores de ações pela simplicidade e o apelo intuitivo. Uma ação
negociada a um baixo múltiplo de seu lucro é freqüentemente caracterizada como
barata (Damondaran, 2001). Basu (1977) analisou ações negociadas na Bolsa de Nova
York e mostrou em seu artigo que ações com baixo P/L geravam retornos maiores que
as de alto P/L. Damondaran (2001) identificou outros indicadores que podem
influenciar essa razão entre os dois índices, como por exemplo, o setor de atuação e o
tamanho da empresa. Nesse artigo, utilizamos o lucro esperado como denominador do
múltiplo, pois dessa forma a relação entre preço e lucro traz exatamente o múltiplo que
necessitamos em nosso estudo, ou seja, o preço de cada ação em relação à unidade de
lucro esperada por ação.

A Relação Preço / Valor Patrimonial da Empresa (P/VP): É também outro índice

muito observado pelos investidores. O valor patrimonial da ação é a medida contábil
de quanto vale o patrimônio de uma empresa. Os investidores acreditam que ele
fornece uma medida mais realista do real valor das ações do que os mercados
financeiros, muitas vezes afetados por oscilações irracionais de humor. A
conseqüência lógica dessa visão é a de que ações negociadas a preços menores do que
o valor patrimonial são subestimadas e ações negociadas a valores muito maiores são
superestimadas (Damondaran, 2001). Em 1985, Rosenberg, Reid e Lanstein,
mostraram com uma série de ações da Bolsa de Nova York que, ações com baixa
relação P/VP obtiveram melhores rendimentos que as com alto P/VP. Damondaran
(2001) encontrou alguns fatores que o trabalho inicial não considerou, como, por
exemplo, a ocasional existência de fraudes por parte dos contadores no intuito de dar
valores bons às empresas que nem sempre estão com a saúde financeira tão boa.

Valor de mercado da empresa: Além dos múltiplos estudados, também utilizamos o

valor da empresa para balancear as carteiras que pretendemos comparar com nosso
modelo. O valor da empresa, portanto, não é uma variável independente do modelo, e

3
 foi coletado para a elaboração da carteira-teste que será comparada com a carteira
obtida através do modelo proposto.

3.2. Base de dados

Para validar o modelo proposto, precisávamos analisar um mercado com as seguintes

características:

Alta liquidez: impedindo a escolha de ações difíceis de serem negociadas;

Mercado pulverizado: com um grande número de ações disponíveis para negociação,

garantindo uma carteira resultante bem diversificada;

Baixa concentração: o que impediria que uma determinada ação tivesse rendimentos
muito significativos numa carteira ponderada por valores de mercado.

Para atender a esses pré-requisitos, optamos por utilizar o mercado americano de ações
e analisar as ações pertencentes ao índice S&P 500 no ano de 2008. Após a escolha das ações
que seriam observadas, utilizamos a base de dados da Bloomberg, para coletar as informações
necessárias para a análise. Optamos por fazer observações anuais, pois as empresas
observadas possuem ciclos de vendas diferentes e, desta forma, uma análise trimestral
incorreria em erros de sazonalidade. Os dados utilizados são do encerramento do ano de 2000
até o encerramento de 2007. Dessa forma, temos 500 ações, observadas durante 7 anos, sendo
que para cada ação observamos as variáveis: P/L, P/VP, retorno e valor de mercado da
empresa. É importante destacar que a composição do S&P500 não se manteve a mesma
durante todo o período estudado, por isso, optamos por utilizar as ações que faziam parte do
índice em junho de 2008, data da elaboração do trabalho.

3.3. Modelo de Lógica Fuzzy

O Modelo de Lógica Fuzzy foi o escolhido para obtermos uma carteira de ações com
posições compradas e vendidas por se tratar de um modelo de inteligência artificial, que
obtém resultados a partir de informações que não precisam ser precisas, mas que se
relacionam de maneira lógica com a resposta procurada, sem que se exija utilizar um modelo
matemático tradicional para essa análise.
A teoria de conjuntos Fuzzy, desenvolvida por Zadeh (1965), tem sido empregada com
sucesso para exprimir conhecimento impreciso e resolver problemas em muitas áreas, onde o
processo de modelagem convencional é difícil, ineficiente ou muito oneroso (Lemos, 2003).
Por essas razões o Modelo de Lógica Fuzzy é muito utilizado em estudos financeiros, onde os
dados são muito imprecisos, ou seja, são afetados por diversos fatores, o que dificulta sua
mensuração através de modelos convencionais. A força dos modelos está justamente em sua
habilidade para extrair conclusões e respostas a partir de informações imprecisas, qualitativas,
incompletas ou até mesmo ambíguas. Mamdani (1977) propôs métodos de inferência através
de um modelo de Lógica Fuzzy. Ele propôs as seguintes etapas para se obter um modelo de
Lógica Fuzzy:

Fuzzificação: trata-se do processo de atribuir uma qualidade, e seu grau de

pertinência, a um determinado valor observado de uma variável estudada;

4
 Regras Fuzzy: São as regras que utilizam as qualidades obtidas na fuzzificação para
ajudar nas decisões que serão tomadas;

Defuzzificação: É o processo de escolha do grau de confiança na decisão que será

tomada. O modelo utiliza alguma relação estabelecida para chegar num grau de
confiança da decisão tomada.

3.4. Modelo Proposto

Para a realização do trabalho utilizamos como variáveis independentes do modelo os

múltiplos P/L e P/VP. A resposta que buscávamos para o modelo é a de quais ações deveriam
ser compradas e vendidas em um universo considerado, para um dado horizonte de tempo (no
caso do trabalho, esse tempo foi de um ano). De início tínhamos uma base com 500 ações
pertencentes ao S&P 500 em junho de 2008 e seus respectivos P/Ls, P/VPs, valor de mercado
e rentabilidade anual do ano de 2001 até 2007. O primeiro passo do trabalho foi ajustar a base
de dados. Eliminamos as ações que não possuíam valores em algum dos anos considerados.
Após essa filtragem restaram 373 ações com todas as informações necessárias em nosso
estudo. A partir dessa base reduzida, fizemos um estudo descritivo dos dados para
observarmos como as variáveis que iríamos estudar estavam distribuídas. O Quadro 1 abaixo
traz as características das variáveis estudadas para o primeiro ano estudado, ou seja, o de
2001. Podemos notar que o desvio padrão é muito grande para ambas as variáveis, além disso,
encontramos valores máximos muito distantes da mediana, o que demonstra uma incidência
muito alta de valores discrepantes de alto valor.

PL PVP
Mínimo 2,75 0,38
Mediana 19,43 3,33
Máximo 1065,63 243,47
Média 29,67 5,88
Desvio Padrão 58,93 13,99
Quadro 1: Estatística Descritiva - 2001

Os Gráficos 1 e 2, trazem, respectivamente, os histogramas das variáveis P/L e P/VP

para o mesmo ano de 2001 e, através deles, notamos que realmente os dados estão muito
dispersos.

Histograma - P/L Histogr ama - P /VP

160
90
140
80
120 70
Frequencia

100 60
F requ en cia

50
80
40
60
30

40 20

20
10

0
0
0

8
10

12

14

16

18

20

22

26

28

30
24

0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 More

Gráfico 1: Histograma para variável P/L Gráfico 2: Histograma para variável P/VP

É interessante que esses valores não estejam tão dispersos quando formos qualificar as
ações em grupos e criar as regras de grau de pertinência. Desta forma, como os dados
parecem se distribuir de maneira log-normal, a utilização do logaritmo da variável nos traria
5
uma distribuição mais adequada para o nosso trabalho. No Quadro 2 temos as novas
estatísticas para os logaritmos das variáveis P/L e P/VP para o ano de 2001. Podemos notar
que a transformação realmente nos trouxe valores menos dispersos, o que pode ser bem
exemplificado pela diminuição do desvio padrão e pela diminuição da diferença entre o valor
máximo e a mediana:

Ln (PL) Ln (PVP)
Mínimo 1,01 -0,96
Mediana 2,97 1,20
Máximo 6,97 5,50
Média 3,08 1,30
Desvio Padrão 0,66 0,82
Quadro 2: Estatística Descritiva - 2001

Os gráficos 3 e 4, trazem respectivamente os histogramas dos logaritmos das variáveis

P/L e P/VP para o ano de 2001. Notamos que, após as transformações, as distribuições dos
dados estão menos dispersas e se aproximam de uma distribuição Normal.

H is t o g r a m a - L n ( P /L ) His t o g ra m a - L n (P /V P )
12 0
80

70
10 0

60
80
F re que nc
F re q u en c

50

60 40

30
40
20

20
10

0
0
.6

re
.8

.4

8
6

4
0

3
re

0.

1.

3.

4.

4.

5.
.4

.8

.4

.6

-0
.2

.4

o
1

2
1

o
2.

3.

4.

5.

M
1

Gráfico 3: Histograma da variável Ln(P/L) Gráfico 4: Histograma da variável Ln(P/VP)

Para testar se os dados se distribuem segundo uma Distribuição Normal, realizamos o

teste de Kolmogorov-Smirnov. A hipótese nula deste teste é a de que a distribuição é normal,
portanto só confirmamos que a distribuição é normal se o p-value obtido for superior a 0,05
(supondo que queremos 95% de confiança no teste). Observando os resultados no Quadro 3,
vemos que os p-values para as variáveis P/L e P/VP eram zero, indicando que a distribuição
não era Normal. Com a transformação obtivemos um valor de p-value de 0,041 para o
Ln(P/L) e um valor de 0,084 para o Ln(P/VP). Portanto os dados se aproximam mais de uma
Normal, sendo que somente o Ln(P/VP) pode ser considerado uma distribuição Normal
através do teste.

Kolmogorov-Smirnov Test
P/L P/VP Ln(P/L) Ln(P/VP)
N 373 373 373 373
Normal Parameters(a,b) Mean 29.667 5.883 3.076 1.305
Std. Deviation 58.933 13.994 0.656 0.816
Most Extreme Differences Absolute 0.343 0.350 0.072 0.065
Positive 0.284 0.294 0.072 0.065
Negative (0.343) (0.350) (0.049) (0.049)
Kolmogorov-Smirnov Z 6.618 6.762 1.395 1.260
p-value - - 0.041 0.084
Quadro 3: Teste de Kolmogorov-Smirnov para todas as variáveis

6
 Com essas transformações, passamos a ter uma nova base de dados que será utilizada
para desenvolvermos o Modelo de Lógica Fuzzy efetivamente. A utilização do logaritmo das
variáveis impede que tenhamos alguns valores muito altos (valores discrepantes), nos levando
a acreditar que todos os demais são muito baixos. O logaritmo corrige essa falha ao aproximar
os dados. Isso será importante, como veremos a seguir, quando utilizamos modelos
matemáticos que se baseiam na diferença entre o máximo e a mediana e entre o mínimo e a
mediana, para determinar se um valor é alto, médio ou baixo.
O primeiro passo é o da Fuzzificação que, para cada ação i, determina se os valores
obtidos para as variáveis Ln(P/L) e Ln(P/VP) são Baixo, Médio ou Alto, e atribui um grau de
pertinência a esse valor dentro da classificação em que se encontra. Notar que não
necessariamente a ação terá a mesma classificação para ambas as variáveis estudadas. Esse
grau de pertinência, que varia de 0 a 1, indica o quão grande é a confiança que temos ao
alocar esta ação dentro da classificação e, logicamente, seu valor está associado ao valor que a
variável nos fornece. Essa relação é obtida através de uma relação matemática que será
exposta a seguir. Para cada ano estudado, observamos a mediana de cada uma das variáveis
Ln(P/L) e Ln(P/VP) e a partir desses valores desenvolvemos uma regra de decisão para
determinar se cada variável, para cada ação, possui um valor Baixo, Médio ou Alto. Para cada
ação, observamos o valor de cada variável e obtemos um grau de pertinência (GP) para cada
classificação (alto, médio e baixo), a que possuir o maior valor será a escolhida para aquela
variável. Para atribuir um grau de pertinência a cada ação i, em cada classificação, a partir de
um determinado valor das variáveis Ln(P/L) e Ln(P/VP), utilizamos as mesmas regras para
ambas as variáveis estudadas. Para obtermos o grau de pertinência (GP) em cada
classificação, a partir do valor da variável (X) utilizamos as Fórmulas 1,2 e 3 apresentadas
abaixo. Aplicamos essas regras para todas as N ações.

Baixo:
Mediana − X
GP =
Mediana − Mínimo , se Mínimo ≤ X ≤ Mediana (1)
GP= 0 , caso contrário

Médio:
X − Mínimo
GP =
Mediana − Mínimo , se Mínimo ≤ X ≤ Mediana (2)
Máximo − X
GP =
(Máximo − Mediana ) , se Mediana ≤ X ≤ Máximo

Alto:
X − Mediana
GP =
Máximo − Mediana , se Mediana ≤ X ≤ Máximo (3)
GP = 0 , caso contrário

Essas regras foram utilizadas para todos os anos analisados, sendo que a única
variação de um ano para outro eram os valores: Mínimo, Mediana e Máximo. Podemos notar
que, para qualquer valor da variável, obtemos um grau de pertinência nas três classificações.
A soma de todos os graus sempre resulta em 1. Após a determinação desse grau de
pertinência, classificamos a variável de acordo com o maior grau de pertinência.

7
 A Figura 2 mostra como seria a representação gráfica da regra de fuzzificação descrita.
Essa é uma forma mais clara de visualizar o processo de determinação do grupo que um
indivíduo estaria e qual seria seu grau de pertinência a partir de um determinado valor para a
variável.

Baixo Médio Alto

1 1 1
Grau de Pertinência

Grau de Pertinência

Grau de Pertinência
0 0 0
Mínimo Mediana Máximo Mínimo Mediana Máximo Mínimo Mediana Máximo
Variável Variável Variável

Figura 1: Regra de Fuzzificação

Assim, para qualquer valor da variável, teremos um grau de pertinência para as três
classificações: Baixo, Médio e Alto. Dentre as classificações, a que nos der o maior grau de
pertinência será a forma como a variável será classificada.
A Figura 3 traz um exemplo de como a regra foi aplicada para a variável Ln(P/L) para
o ano de 2001 e a Figura 4, como foi aplicada para a variável Ln(P/VP) para o mesmo ano.

Figura 2: Regra de Fuzzificação Ln (P/L) – 2001

Figura 3: Regra de Fuzzificação Ln (P/VP) - 2001

Podemos observar que o conjunto dos 3 gráficos são semelhantes para as duas
variáveis estudadas, sendo a única diferença os valores do Mínimo, Mediana e Máximo, que
correspondem a cada variável. Esses valores são os mesmos obtidos pela análise descritiva e
mostrados no Quadro 2. Podemos notar que a mediana fica mais próxima do valor mínimo do
que do máximo. Isso se deve ao grande número de valores discrepantes de alto valor. Para

8
cada um dos demais anos analisados teríamos outros conjuntos de 3 gráficos (Baixo, Médio e
Alto) para cada variável com diferentes valores de Mínimo, Mediana e Máximo. Se
tomarmos, como exemplo um valor de Ln(P/L) de 1,76 e Ln(P/VP) de -0,09 teríamos,
aplicando as fórmulas para o cálculo dos graus de pertinência, os seguintes valores para cada
classificação.

Classificação do Ln(P/L) = 1,76:

Baixo: 0,62
Médio: 0,38
Alto: 0,00

Classificação do Ln(P/VP) = -0,09:

Baixo: 0,59
Médio: 0,41
Alto: 0,00

Ou seja, classificaríamos essa ação como uma ação de Ln(P/L) baixo e Ln(P/VP)
baixo, já que nessas classificações encontramos os maiores graus de pertinência para cada
variável dentre as 3 analisadas.
A Figura 5 traz a representação gráfica da obtenção dos graus de pertinência para o
exemplo acima para a variável Ln(P/L) nas 3 classificações e a Figura 6 traz a mesma
representação para a variável Ln(P/VP).

Figura 4: Exemplo de Grau de Pertinência para o valor de Ln (P/L) = 1,76

Baixo Médio Alto

1 1 1
Grau de Pertinência

Grau de Pertinência

Grau de Pertinência

0,59
0,41

0 0 0
-0.96 -0,09 1.16 5.50 -0.96 -0,09 1.16 -0,09
5.50 -0.96 1.16 5.50
Log P/VP Log P/VP Log P/VP

Figura 5: Exemplo de Grau de Pertinência para o valor de Ln (P/VP) = -0,09

O segundo passo é a criação de regras, utilizando o que já foi demonstrado nos estudos
de Basu (1977), que relacionou P/L com Retorno Esperado, e Rosenberg, Reid e Lanstein
(1985), que relacionou P/VP com Retorno Esperado. O Quadro 4 mostra as regras utilizadas
em nosso estudo:

9
 REGRAS STATUS RESPOSTA
REGRA 1: PL ALTO VENDER
REGRA 2: PL BAIXO COMPRAR
REGRA 3: PVP ALTO VENDER
REGRA 4: PVP BAIXO COMPRAR
Quadro 4: Regras da Fuzzificação

Podemos notar que apesar de serem 4 regras, elas funcionam como dois pares de
regras, já que as duas primeiras se referem ao Ln(P/L) e as duas últimas ao Ln(P/VP). Em
cada par, as regras são excludentes, ou seja, se o Ln(P/L) for baixo utilizamos a regra 2 e
descartamos a 1, se for alto utilizamos a regra 1 e descartamos a 2, se for médio não
utilizamos nenhuma das duas regras, ou seja não compramos nem vendemos a ação. O mesmo
vale para a variável Ln(P/VP) e as regras 3 e 4. Com essas regras decidimos o que fazer com
as ações a partir da classificação obtida. No nosso exemplo, onde Ln(P/L) é igual a 1,76 e
considerado baixo, a regra 2 diz que essa ação deve ser comprada; o Ln(P/VP) é igual a -0,09
e também é considerado baixo, a regra 4 também diz que essa ação deve ser comprada.
O próximo passo é a defuzzificação, onde atribuímos um grau de confiança na decisão
que será tomada, ou seja, obtemos um resultado numérico que representa a força da decisão
que iremos tomar. Chamamos esse resultado de Crisp. Para o cálculo do Crisp, utilizamos as
fórmulas 4 e 5 abaixo para o cálculo da compra e da venda de ações, a partir do GP:

Compra: Crisp = GP (4)

Venda: Crisp = −GP (5)

Portanto, após todo esse processo, teremos sempre um par de respostas, o Crisp1 e o
Crisp2, sendo que o primeiro se refere á variável Ln(P/L) e o segundo se refere à variável
Ln(P/VP). Estes Crisps assumem valores positivos quando formos comprar as ações,
negativos quando formos vendê-las e zero quando não compramos nem vendemos a ação. É
importante notar que um Crisp, não precisa estar relacionado com o outro, ou seja, podemos
obter valores negativos para um (indicando que devemos vender a ação) e positivo para o
outro (indicando que devemos comprá-la). O último passo é obter um Crisp único para cada
ação i, ou seja, que receba todas as regras ao mesmo tempo. Observando o comportamento do
mercado e através da análise dos dados, notamos que a variável P/L possui mais influência no
retorno esperado do que a variável P/VP, por isso, optamos por atribuir 80% de peso para o
Crisp da variável Ln(P/L) e 20% para o Crisp da variável Ln(P/VP), conforme a fórmula
abaixo:

crisp (i) = 0,8 * crisp1 (i) + 0,2 * crisp2 (i) (6)

Para o exemplo de ação sugerido, temos: o Ln(P/L) igual a 1,76, portanto

compraríamos a ação com grau de pertinência igual a 0,62, e para acharmos o Crisp1,
utilizaríamos a fórmula de compra 4, que nos daria um valor de 0,62; o Ln(P/VP) igual a -
0,09, indica que devemos comprar a ação com grau de pertinência igual a 0,59 e, para
acharmos o Crisp2 , utilizaríamos a fórmula de compra 4 novamente, que nos daria o valor de
0,59. Temos agora que calcular o Crisp resultante. Esse seria calculado através da fórmula 6 e
obteríamos um Crisp de 0,614. Portanto, a ação i considerada teria um Crisp de 0,614 e, por
ser positivo, indica que compraríamos a ação i.
Após realizarmos este procedimento para uma ação repetimos o mesmo para todas as
outras restantes, até que tenhamos 373 valores de Crisp (variando entre -1 e 1), sendo que os
10
positivos indicam as ações que devem ser compradas, os negativos as que devem ser vendidas
e os de valor zero as que não serão utilizadas. Dispondo das informações de quais ações
deveriam ser compradas ou vendidas e que grau de confiança tínhamos nessa decisão (Crisp),
desenvolvemos uma metodologia para ponderar o percentual de ações (xi) que seriam
compradas e vendidas, para compor a carteira final de ações. Usamos uma média ponderada
respeitando as Fórmulas 7 e 8 abaixo:

Crispnegi
xi =
∑ Crispneg + ∑ Crisppos i (7)

Crispposi
xi =
∑ Crispneg + ∑ Crisppos i
, (8)

Onde Crisppos é cada um dos Crisps positivos e Crispneg é cada um dos Crisps
negativos. Essa fórmula assegura que sejam compradas e vendidas as ações,
proporcionalmente ao Crisp de cada ação, ou seja, proporcional ao grau de confiança que
temos na decisão. As vendas terão valor negativo e as compras, valores positivos. Com a nova
carteira proposta, utilizamos os retornos já conhecidos, para calcular qual o retorno a carteira
geraria se fosse montada no começo do período.

3.5. Modelo de comparação

Para testar a efetividade do modelo, precisávamos de carteiras-teste que pudessem ser

comparadas com o modelo proposto. Usamos duas abordagens: a primeira a de usar carteiras
que o mercado americano acompanha como índice de referência (índice de mercado), o que
nos permite testar a eficiência do modelo frente ao índice padrão do mercado (S&P 500); e a
segunda foi a utilização de um modelo de regressão linear, o que permitiu comparar o modelo
proposto com um modelo estatístico convencional. Para cada ano comparamos 4 carteiras de
ações:

1) Modelo de Lógica Fuzzy, que já foi apresentado e é o alvo do estudo;

2) S&P 500, Índice de mercado padrão dos investidores americanos. É composto pelas
500 ações mais líquidas do mercado, cujo peso de cada uma na carteira é ponderado
pelo valor da empresa no mercado;

3) S&P 500 modificado, O mesmo índice mostrado acima, porém considerando

somente as ações utilizadas em nosso estudo. Ou seja, utilizamos as mesmas 373 ações
usadas, ponderadas pelo valor de mercado da empresa que elas representam. Isso
permitiu chegar a um índice mais “justo” para ser comparado com o Modelo Fuzzy, já
que este descartou as ações que não utilizamos em nossa análise.

4) Modelo de Regressão Linear Multivariada (MRLM), que seria um modelo

matemático convencional, para relacionar os múltiplos estudados com o retorno
esperado.

Fizemos uma regressão linear multivariada utilizando os dados de cada ano. Com os
valores obtidos para os coeficientes, estimamos retornos futuros para o ano seguinte. Somente
no primeiro ano estudado (2001) é que utilizamos os coeficientes obtidos através da
Regressão aplicada no próprio ano de 2001. Utilizamos como variável independente o
11
logaritmo das variáveis originais (P/L e P/VP). Essa transformação permitiu que utilizássemos
na regressão, variáveis com distribuição próximas de uma Normal. Essa transformação é
muito útil, pois, com a falta da normalidade dos dados, perdemos a homogeneidade das
variâncias, o que é uma das suposições iniciais para que possamos fazer uma análise de
regressão. O MRLM, ao contrário do Modelo de Lógica Fuzzy, não indica as ações que
devem ser compradas e vendidas. Na realidade, ele estima retornos futuros. Por isso
utilizamos a seguinte regra para escolher dentre as ações estudadas quais iriam fazer parte da
carteira: Compramos as 21 ações de maior retorno estimado e vendíamos as 20 ações com
menor retorno estimado. Assim garantimos que a carteira resultante será uma carteira,
comprada em uma unidade monetária, como as demais. Desta forma montamos uma carteira
baseada no MRLM. Este modelo tem uma importância muito grande, pois os outros dois
testes confirmam que utilizar os múltiplos é uma boa forma de obter bons retornos. Porém o
MRLM comprova a eficiência do Modelo Fuzzy frente a um modelo linear tradicional,
provando que o modelo lógico é mais eficaz nesse tipo de estudo que um modelo matemático
convencional.

4.3. Fluxo para a formação das carteiras através do Modelo de Lógica Fuzzy

Abaixo apresentamos de forma resumida os passos seguidos pela análise aqui

apresentada:

1) Para cada ano estudado determinamos os parâmetros para cada variável: Ln(P/L) e
Ln(P/VP):
Mínimo Ln ( P / L ) , Mediana Ln ( P / L ) , Máximo Ln ( P / L )
Mínimo Ln ( P / VP ) , Mediana Ln ( P / VP ) , Máximo Ln ( P / VP )
2) Geramos os gráficos e as fórmulas 1, 2 e 3 que são utilizados na fuzzificação;

3) Para cada ação i, sendo i = 1, 2,...N, onde N é o número total de ações analisadas
(com com = 373 em nosso estudo), utilizamos as fórmulas 1, 2 e 3 para obter os Graus
de Pertinência para cada classificação:
Ln ( P / L ) Ln ( P / L ) Ln ( P / L )
GPBaixo , GPMédio , GPAlto ,
Ln ( P / VP ) Ln ( P / VP ) Ln ( P / VP )
GPBaixo , GPMédio , GPAlto ,

4) Classificamos cada ação i de acordo com o maior GP e desta forma temos duas
classificações, uma referente à variável Ln(P/L) e outra referente à variável Ln(P/VP);

5) Sobre as classificações obtidas, aplicamos as regras de fuzzifcação apresentadas no

Quadro 3. Novamente, temos duas respostas, uma para cada variável estudada (por
exemplo: comprar e comprar);

6) Para cada ação i obtemos 2 Crisps a partir das Fórmulas 4 e 5, o que se refere à
variável Ln(P/L) e o que se refere à variável Ln(P/VP);

7) Determinamos o , que é o Crisp único obtido através da Fórmula 6, para a ação i.

12
 8) Repetimos os passos de 3 até 8 para todas as ações estudadas, até que tenhamos N
Crisps, sendo que, se o valor desse Crisp for positivo, a ação deve ser comprada; se
for negativo, deve ser vendida e se for zero, não deve ser adicionada ao portfolio;

9) Determinamos o peso que cada ação i terá na carteira através da Fórmula 7. Desta
forma, obtemos uma carteira de ativos ponderadas pelos seus respectivos Crisps;

10) Todo o processo é repetido para os demais anos do estudo.

5. Resultados

5.1. Obtenção de parâmetros do MRLM

O Quadro 5 traz os resultados do Modelo de Regressão Linear e da Análise de

Variância para esse modelo. Podemos notar que o coeficiente de correlação é muito baixo
(0,0716), mostrando que a correlação linear não se ajusta muito bem às variáveis. Os
coeficientes da regressão obtidos vêm de encontro ao que esperávamos, ou seja, temos um
intercepto alto e valores negativos para os coeficientes das variáveis, demonstrando que
quanto maior o valor das variáveis independentes, menor será o retorno, pois maior será o
valor retirado do valor do intercepto. Em outras palavras, quanto maior as relações P/L e P/VP
de uma empresa, menor será o Retorno Esperado.

Estatística de regressão
R múltiplo 0,2675
R-Quadrado 0,0716
R-quadrado ajustado 0,0666
Erro padrão 0,3399
Observações 373

ANOVA
gl SQ MQ F F de significação
Regressão 2 3,2951 1,6476 14,2637 0,0000
Resíduo 370 42,7380 0,1155
Total 372 46,0331

Coeficientes Erro padrão Stat t valor-P

Intercepto 0,4415 0,0868 5,0853 0,0000
Ln (P/L) -0,1083 0,0320 -3,3814 0,0008
Ln (P/VP) -0,0418 0,0258 -1,6230 0,1054
Quadro 5: Dados da Regressão Linear Mltivariada

Esses resultados nos mostram que realmente a regressão linear não se ajusta
perfeitamente aos dados. O provável motivo desses resultados ruins é a característica dos
dados econômicos, que em geral são influenciados por diversos fatores que não conseguimos
mensurar e que acabam prejudicando as previsões sobre essas variáveis.

5.2. Análise de desempenho dos modelos

Após desenvolvermos o Modelo de Lógica Fuzzy, constatamos que ele se mostrou

muito eficiente. Como podemos observar no Quadro 6, em quase todos os anos estudados o
Modelo de Lógica Fuzzy se comportou muito melhor que o S&P 500 e que o S&P 500
Modificado, e foi um pouco pior somente no ano de 2006. O Modelo de Regressão Linear

13
também se mostrou melhor que os índices de mercado. Isso já era esperado, já que estudos
anteriores demonstraram haver correlação entre as variáveis estudadas e o retorno das ações.
Na comparação entre o Modelo Linear e o Modelo de Lógica Fuzzy, notamos que em
todos os anos estudados o Modelo de Lógica Fuzzy traz retornos muito maiores. Se
observarmos o Retorno Total, ou seja, o acumulado durante todo o período de estudo,
podemos notar que o retorno do Modelo de Lógica Fuzzy é muito superior aos demais
modelos comprovando a eficiência do modelo proposto frente aos demais. Outra observação
interessante é a de que os retornos obtidos a partir do Modelo de Lógica Fuzzy foram
positivos até mesmo nos anos em que os Índices de mercado tiveram retornos negativos.
ANO S&P 500 S&P 500 Modif. Regressão linear Retorno Mod. Fuzzy Total MRLM Total Mod. Fuzzy
2001 -13,04% -10,96% 21,76% 27,24% 41 39
2002 -23,37% -21,32% 6,99% 18,30% 41 49
2003 26,38% 26,33% 9,00% 74,73% 41 18
2004 8,99% 9,80% 8,65% 128,14% 41 35
2005 3,00% 4,83% 10,32% 47,26% 41 43
2006 13,62% 14,60% 4,86% 13,61% 41 68
2007 3,53% 5,50% 0,06% 12,28% 41 58
TOTAL 11,22% 23,17% 78,57% 1027,10%
Quadro 6: Retornos obtidos em cada carteira simulada para cada modelo

Observando as duas últimas colunas do Quadro 5, que indicam o número de ações que
compunham a carteira do MRLM e do Modelo de Lógica Fuzzy, respectivamente, também
podemos notar que as carteiras obtidas pelo Modelo de Lógica Fuzzy possuem quantidades de
ações parecidas com as utilizadas no MRLM, o que nos mostra que utilizar 41 ações para
formar a carteira do MRLM foi uma boa aproximação. A Figura 5 traz os retornos para cada
modelo estudado e por ela podemos notar que o desempenho do Modelo Fuzzy realmente é
superior aos demais modelos para quase todos os anos estudados.
130,00%

110,00%

90,00%

70,00%

50,00%

30,00%

10,00%

-10,00% 2001 2002 2003 2004 2005 2006 2007

-30,00%

-50,00%

S&P 500 S&P 500 Modif. Regressão linear Retorno Mod. Fuzzy

Figura 6: Retornos de cada Modelo para cada ano estudado

Para testar se o Modelo de Lógica Fuzzy gerou melhores retornos do que os demais
utilizamos um teste estatístico que compara o retorno dos modelos um a um contra o Modelo
de Lógica Fuzzy. A estatística utilizada foi o Teste t-Student Pareado que analisa se as
diferenças de retorno são significativas se comparadas ano a ano. O Quadro 7 traz os
resultados obtidos na comparação dos modelos contra o Modelo de Lógica Fuzzy:

MODELO p-value
S&P 500 1,24%
S&P 500 modificado 1,44%
Regressão linear 2,94%
Quadro 7: P-value da estatística T pareada - Comparação entre o Modelo Fuzzy e os demais

14
 Através do Quadro 7 podemos notar que o Modelo de Lógica Fuzzy pode ser
considerado mais eficiente na obtenção de altos retornos do que os dois índices de mercado,
com um grau de 95% de confiança, já que, para ambos os casos, o modelo possui um p-value
abaixo de 5% (1,24% para o S&P 500 e 1,44% para o S&P 500 modificado). Na comparação
com o Modelo de Regressão Linear, obtivemos um p-value de 2,94%, o que indica que o
Modelo de Lógica Fuzzy é também superior ao Modelo de Regressão Linear.

5. Conclusão

O trabalho usou Lógica Fuzzy para compor portfolios de ações a partir de múltiplos
conhecidos de mercado (P/L e P/VP). Em outros estudos, já foi demonstrado que esses
múltiplos realmente se relacionam com o rendimento futuro das ações. A partir dessa
modelagem, foi montada uma carteira de ações que tinha por objetivo superar os índices
padrões de mercado e também um modelo de regressão linear. Desta forma o modelo
proposto mostraria sua eficiência e, além disso, seria comprovado que ele obtém melhores
resultados que um modelo linear tradicional na composição de uma carteira de alto
rendimento.
Tivemos algumas limitações no trabalho, como a de não ter um histórico maior para os
múltiplos estudados. Não utilizamos as ações do mercado brasileiro, por não ser um mercado
muito pulverizado, pois neste caso, teríamos que comparar a carteira com o IBOVESPA,
Índice de mercado de ações para o mercado brasileiro. Como o valor de mercado da Petrobrás
e Vale do Rio Doce são muito maiores que o das demais empresas, por mais que o modelo
indicasse que estas ações deveriam ser compradas ou vendidas, elas nunca seriam adquiridas
na proporção de aproximadamente 35% da carteira, que é o peso dessas ações juntas no
IBOVESPA.
Após analisarmos os resultados, notamos que o Modelo Fuzzy não somente apresentou
melhores resultados, como também mostrou tratar melhor os dados econômicos, que muitas
vezes são muito influenciados por fatores que não conseguimos mensurar, o que torna as
relações entre as variáveis, imprecisas. O Modelo Linear mostrou-se frágil, já que a
correlação entre os múltiplos e os retornos ficou muito baixa. Mesmo assim, trouxe resultados
melhores do que os índices de mercado, o que era esperado, já que as variáveis realmente se
correlacionam com o retorno, como evidenciado em estudos anteriores. O Modelo Fuzzy
comprovou tratar as variáveis imprecisas de maneira mais coerente. Os resultados obtidos
através desse modelo foram muito superiores aos índices de mercado e bem superior ao
Modelo de Regressão Linear.
O fato do Modelo de Lógica Fuzzy aceitar também variáveis qualitativas (que aqui não
foram utilizadas) indica possíveis extensões deste trabalho. As mesmas podem ser um bom
sinalizador de bons rendimentos, como, por exemplo, a qualidade dos diretores da empresa,
opinião dos operadores sobre o setor de atuação e taxa de crescimento da empresa. Além
disso, o modelo pode ser aplicado a outros mercados, desde que estes tenham um número
considerável de ações e que as mesmas sejam pulverizadas e líquidas.

Referências Bibliográficas

BASU, S. (1977). Investiment performance of commom stocks in relation to their price-

earning ratios: a test of market efficiency. Journal of Finance, 32 (junho), pp.663-682.

15
BASU, S. (1983). The Relationship Between Earnings’ yield, Market Value and Return for
NYSE Common Stocks: Further Evidence. Journal of Financial Economics 12 (june 1983),
129-56.

DAMODARAN, A. (2001). Avaliação de investimentos: ferramentas e técnicas para

determinação do valor de qualquer ativo. São Paulo: Qualitmark, 630 p.

FAMA, E. & FRENCH, K. (1992). The Cross-section of Expected Stock Returns. Journal of
Financial Economics 6.

MARKOWITZ, Harry (1952). Portfolio Selection – Journal of Finance (March) 77 – 91.

MAMDANI, E. H. (1977). Aplications of Fuzzy Set Theory to Control Systems: A Survey. In

Fuzzy Automata and Decision Processes, M. M. Gupta, G. N. Saridis & B. R. Gaines, eds.,
North-Holland, New York, pp. 1-13.

PEREIRA, C. R. T. (2008). Sistema de Tomada de Decisão para Compra e Venda de Ativos

Financeiros Utilizando Lógica Fuzzy. Escola Politécnica da Universidade de São Paulo.
Departamento de Engenharia de Sistemas Eletrônicos.

ROSENBERG, B., REID, K. & LANSTEIN, R. (1985). Persuasive Evicence of Market

Inefficiency. Journal of Portfolio Management

ROSS, Stephen A., WESTERFIELD,R. W., JORDAN, B. D. (2000). Princípios de

Administração Financeira, 2a ed. São Paulo, Atlas.

SOUTO-MAIOR, César Duarte (2007). Previsão da direção de movimento de índices de

ações usando um sistema fuzzy. 197f

ZADEH, L. A. (1973) Outline of a new approach to the analysis of complex systems and
decision processes. Journal IEEE Trans. On Systems, Man and Cybernetics. Vol. SMC-3, n.
1, January 1973.

16