Objetivo

O objetivo deste trabalho é avaliar a existência de uma relação entre

o valor de mercado das ações de uma empresa e alguns de seus índices
econômicos,derivados da avaliação do balanço patrimonial da empresa e da
demonstração de resultados da mesma.Os dados foram obtidos no site da
Bovespa,onde as empresas devem,obrigatoriamente, divulgar suas
informações financeiras.A variável explicada é o valor de mercado da
ação.As explicativas são valor patrimonial liquido da ação e lucro por
ação.Ao longo do trabalho explicarei mais detalhadamente a origem dos
dados,sua relevância,motivo da escolha,bem como uma breve introdução
ao mercado financeiro e os modelos de precificação de ações mais
utilizados atualmente.
1.Introdução.
A introdução é composta por uma breve introdução ao mercado
financeiro e alguns conceitos de extrema relevância para esse trabalho.Ao
final,temos a fundamentação teórica bem como a metodologia utilizada e as
diligencias tomadas na coleta dos dados,extremamente importante para a
validade das conclusões alcançadas.
1.1O mercado financeiro:
Devemos primeiramente discutir a natureza deste mercado.Temos
nele a circulação de moeda,mas não a moeda típica com a qual lidamos no
dia a dia.Devemos entender o que é a moeda:
É um facilitador das trocas de bens e serviços,que se
manifesta,essencialmente,em três formas:
• Moeda Metálica
• Papel-Moeda
• Moeda escritural

Suas funções são igualmente delimitadas como medida de valor,reserva de

valor e,principalmente, intermediaria de trocas.Neste trabalho devemos
atentar a todas essas funções.No entanto,nossa analise deverá se restringir
apenas ao Papel Moeda e a Moeda escritural.O motivo é simples,alem de
todos os inúmeros fatores que determinam o valor de uma determinada
moeda,estes dois tipos devem contabilizar um outro fator de extrema
relevância:A confiança.A fundamentação do valor destes dois tipos de
moeda esta em sua maior parte na confiança que o mercado atribui ao lastro
dessas moedas.
No caso deste trabalho,a confiança que o investidor tem na
capacidade de uma empresa de dar lucros.Para isso o investidor analisa os
dados da empresa,os dados macroeconômicos(fora do âmbito deste
trabalho) e outros fatores.Do resultado do conjunto de avaliações dos
investidores participantes do mercado temos um valor de mercado.Até que
ponto podemos determinar a influencia dessas características próprias de
cada empresa na sua precificação.Esta deve ser ,lato sensu,a pergunta
fundamental deste trabalho.
O sistema financeiro funciona como um meio de intermediar a
transferência de recursos de agentes superavitários para agentes
deficitários.Grosseiramente ele media a transferência de agentes que
possuem mais bens do que precisam no momento para agentes que
necessitam de bens.
Dentro deste sistema encontramos diferentes mercados:

• Mercado Monetário
• Mercado Cambial
• Mercado de Credito
• Mercado de Capitais

Ao nosso trabalho interessa a análise do mercado de capitais.Este é o

mercado onde são negociados principalmente títulos representativos do
capital de uma empresa.A correta conceituação de ação é:Titulo de renda
variável que representa uma parcela do capital social de uma empresa.Estes
títulos podem ser encontrados em duas espécies:
• Ações ordinárias: Garantem direito a voto nas Assembléias
Gerais.Não possuem preferência na distribuição de
dividendos.
• Ações Preferenciais: Não votam, mas possuem direito de
receber dividendos antes das ações ordinárias.
No Brasil temos uma tradição de preferência por ações
preferenciais.O acionista quer apenas receber dividendos ou
especular(ações preferenciais são mais liquidas).O interesse deste tipo de
acionista não se estende ao efetivo controle da empresa.
Essas ações,no caso de companhias abertas,são negociadas nas
bolsas de valores.Trabalhamos apenas com a principal bolsa brasileira,a
Bovespa onde os papeis das empresas que compõem o banco de dados são
negociadas.

Metodologia:
Para constituição do banco de dados acessamos o sitio virtual da
Bovespa e retiramos dele, empresa por empresa,os índices necessários para
a analise.Escolhemos valor patrimonial liquido e o lucro por ação por
serem ,ao ver de renomados financistas,os principais indicadores do valor
de uma ação.
O patrimônio liquido é obtido por meio da subtração do Ativo(tudo
que a empresa possui ou efetivamente vira a possuir) do Passivo(Tudo que
ela deve).Assim temos um verdadeiro indicador da saúde de uma
empresa.Um patrimônio liquido positivo indica uma empresa forte,que
possui mais ativos do que dividas.Um patrimônio liquido negativo indica
que a empresa possui dividas em maior valor que seus ativos.Dividimos o
patrimônio liquido de cada empresa pelo o numero de ações.
O lucro fala por si.É verdadeiro objetivo de qualquer empresa
estruturada como Sociedade Anônima.Como bem observa a lei 6404 de
1976(Lei das sociedades anominas) em seu art.2.”Pode ser objeto da
companhia qualquer empresa de fim lucrativo,não contrario a lei,a ordem
publica e aos bons costumes”.É obvio que o investidor atribui importância
enorme a capacidade de gerar lucros e uma empresa.Aqui nos dividimos o
lucro pelo numero de ações de cada empresa.
O modelo de Regressão Linear Simples é utilizado para analisar a relação entre
duas variáveis, representando uma população, sendo X a variável independente ou
explicativa e Y a variável dependente ou explicada. Dada a dificuldade envolvida na
obtenção de dados completos da população a ser avaliada,encontramos a solução
na estimação dos parâmetros β0 e β1 fundamentando-os nos dados de uma
amostra. O objetivo é descobrir se há uma relação de dependência entre as duas
variáveis e se o efeito é de causalidade entre elas. Podemos escrever uma equação
que relaciona x e y:

Y = β0 + β1X

o Y é a variável dependente ou explicada

o X é a variável independente ou explicativa

o Β0 é o intercepto

o Β1 é a inclinação da reta

o u é o termo de erro

Obs1: β0 representa o parâmetro de intercepto da reta(algo puramente

teórico,na maioria das vezes). β1 é o parâmetro de inclinação. u é o termo
de erro da relação e representa todos os fatores que além de X afetam Y.

Obs2: Esta equação nos mostra que uma variação de uma unidade em X tem
o mesmo efeito em Y.

A estimação dos parâmetros precisa obedecer alguns pressupostos:

1. O modelo é linear nos parâmetros.

2. Amostragem aleatória simples.

3. O valor médio do termo de erro da população (u) deve ser igual a

zero.
 i. E(u) = 0

4. Assumir que u e X são não-relacionados.

a. E (u|X) = E(u) = 0

5. Variancia do erro deve ser constante. (homocedasticidade).

Var(u|X) = δ²

A partir disso pode-se afirmar que:

E(Y|x) = β0 + β1X

y
f(y
)

. E(y|x) = β +
.
0
β 1x

x1 x2

Assim temos as seguintes restrições:

u = Y - β0 – β1X

E(Y- β0 – β1X) = 0
 E[X(Y- β0 – β1X)] = 0

Estas são as restrições de momento. O método de momento implica impor as

restrições populacionais sobre os momentos amostrais, isto é, as médias amostrais
são fundamentadas em torno das médias populacionais.Logo podemos reescrever a
equação da regressão como:

Y = β0 + β1X ou

Β0 = Y – β1X

Através de operações matemáticas, obtemos:

∑( X − X )(Y − Y ) = βˆ
i i

∑( X − X )
2 1
i

Desta forma, estimamos a reta da regressão:

Concluímos que ao aplicar o método de MQO, estamos estimando β 0 e β1 de tal

forma que é ajustada uma reta através dos pontos amostrais tal que a soma dos
quadrados dos resíduos seja a menor possível.

O modelo de Regressão Linear Múltipla, por sua vez, possui todas as características
do modelo de Regressão Linear Simples, entretanto possui mais de uma variável

independente X e por conseqüência, k parâmetros β.Aos Pressupostos de Gauss-

Markov, adiciona-se o pressuposto da Multicolinearidade em relação à Variância
positiva das variáveis independentes, que não permite uma relação linear exata
entre essas variáveis independentes.
Para medir a qualidade do ajuste, ou seja, se a reta de regressão amostral traçada
ajusta bem os dados amostrais, irei introduzir alguns conceitos:

• Soma dos Quadrados Totais (SQT) é o somatório dos desvios, ao

quadrado, dos valores observados em relação à média. (Yi – Ymedia)

• Soma dos Quadrados Explicado (SQE) é o somatório dos desvios, ao

quadrado, dos valores estimados em relação à média.(O que o modelo
explica). (Y^– Ymedia)

• Soma dos Quadrados dos Resíduos (SQR) é o somatório dos desvios, ao

quadrado, dos resíduos ou diferença entre o valor observado e o estimado.
(O que o modelo não explica) (Yi – Y^)

A partir destes conceitos, podemos deduzir o coeficiente de determinação. O R 2 é

definido pela razão entre a variação explicada e a variação total. Esse coeficiente
mostra a fração da variação amostral em Y que é explicada por X, ou seja, revela
se a covariância entre X e Y é baixa ou alta. (Seu valor situa-se entre 0 e 1.)

R² = SQE
SQT

O R2 nesse exercício foi igual 0.0844 o que significa que o modelo explica cerca de
8% da variabilidade de Y, ou seja, não está bem ajustado. Todavia, o R 2 apresenta
viés e, por isso, utilizamos o R2 ajustado, que corrige o viés pelos graus de
liberdade, ao dividir de SQE por (n-k-1) e SQT por (n-1). O R 2 ajustado teve o valor
de 0.0842, ou seja explica um pouco menos que o R2 não ajustado.

Em seguida, calculamos a variancia do erro ( σ̂ 2):

σ̂ 2 = ∑u i
2
SQR = soma dos quadrados dos resíduos ou SQR
i =1
=
n−2 n−2
graus de liberdade

Essa variância deve ser a menor possível, ou seja, a distribuição dos fatores não
observados que afetam sal deve ser a menos dispersa possível, pois nesse caso a
variância do erro também diminuiria e o estimador se tornaria mais confiável.
Conhecendo σ̂ 2, podemos calcular as variâncias de β0 e β1, que também nos
interessam:

( )
var βˆ1 = n
σˆ 2

∑( x − x)
2
i
i =1

σˆ 2 ( 1n)∑ xi2
( )
var βˆ0 = n .
∑(x − x)
2
i
i =1

Como os estimadores de MQO variam de amostra para amostra, é necessária uma

medida de previsão destes betas. Tal medida é obtida por meios da variância: o
grau de dispersão dos valores de X em torno do valor esperado.

Na terceira aula prática, trabalhamos com a noção de variáveis qualitativas nos

modelos de regressão. A noção qualitativa pode ser explicada, de modo mais
simples, como uma condição a ser testada: atende-se ou não a essa condição.
Variáveis qualitativas têm, portanto, uma carga binária, e em econometria recebem
o nome de variáveis dummy. Ao definirmos uma variável dummy, precisamos
decidir a qual evento será atribuído o valor um (o qual, para simplificar nossas
análises, dará o nome à variável) e qual receberá o valor zero.

Podemos incorporar uma dummy no nosso modelo de maneira simples, como uma
variável independente:

Y = β0 + δ0 D+ β1X + u.

Onde δ0 representa a diferença causada em Y entre o evento D=0 e o evento

D=1, mantido X constante. O coeficiente da variável dummy determina se há
discriminação para o mesmo nível dos outros fatores. Assumindo a hipótese de
média condicional zero,

δ0 = E(Y|D=1,X) – E(Y|D=0, X),

e representa num gráfico dessa regressão apenas um deslocamento de intercepto,

de maneira que obteremos duas retas (uma para D = 0, outra para D=1).

Para as regressões simples e múltiplas com variáveis dummy podemos

estimar a reta de regressão pelo modelo de MQO, da mesma maneira que fazemos
para variáveis contínuas. A hipótese nula será

H0: δ0 = δ1 = δ2 =. .. = δ(n-1) = 0

e a hipótese alternativa
H1: δ0...(n-1) ≠ 0.

A única diferença será, portanto, a interpretação desses interceptos. Vale ressaltar

que, quando a variável independente é expressa como log(y), os coeficientes terão
uma interpretação percentual (valor obtido *100 %).

A possibilidade de incluir várias variáveis dummy numa regressão nos abre o

horizonte do uso de dummies para informações ordinais. O processo é então
simples: para n categorias, incluímos (n-1) variáveis dummy. É importante mostrar
que não se trata mais de n variáveis dummy diferentes (ex: sexo, casado, com
filhos etc.), mas de uma divisão de dados em n categorias/níveis diferentes (ex:
norte, nordeste, centro-oeste, sudeste, sul; pequeno, médio, grande; 1, 2, 3, 4;
etc).

As variáveis dummy também permitem seu uso em interações D-D e D-X.

No caso D-D podemos analisar todas as possibilidades de combinação entre D1 e
D2 quaisquer. No caso D- obtemos diferença na inclinação das retas, de maneira
que:

Y = β0 + δ0 D+ β1X + β2X*D + u.

Se D=0, obtemos o intercepto = β0 e a inclinação = β1. Se D=1, o intercepto será

igual a (β0 + δ0) e a inclinação = (β1 + β2 ).

Graficamente:

A estatística de Chow é utilizada para a verificação de diferenças nas funções de

regressão entre grupos, podemos usar a ferramenta de interação de variáveis
dummy com mais de uma variável independente. A SRQ da estatística F pode ser
computada facilmente. No modelo com k variáveis explicativas e um intercepto,
supondo que temos dois grupos, g=1 e g=2, para verificar se o intercepto e todas
as inclinações são os mesmos nos dois grupos.

Y = βg,0 + βg,1X1 + βg,2X2 +...+ βg,kXk + u,

para g = 1 e g = 2. A hipótese de que cada beta nesse modelo é o mesmo nos dois
grupos envolve (k+1) restrições. O modelo sem restrições pode ser entendido como
tendo uma variável dummy de grupo e k termos de interação, o intercepto e as
variáveis e tem [n-2(k+1)] graus de liberdade.

A SQR do modelo sem restrições pode ser obtida de duas regressões

separadas, uma para cada grupo. A SQR do modelo sem restrições será então

SQRir = SQR1 + SQR2

A estatística F específica é usualmente chamada de estatística de Chow, e só é

válida sob homocedasticidade.

F =[SQRP – (SQR1 + SQR2)] [n-2 *(k+1)]

_____________________________ * _____________________ ,

SQR1 + SQR2 k+1

Onde n é o número total de observações e SQRp é a estimativa da equação única.

Sob a hipótese nula as variâncias dos erros dos dois grupos devem ser iguais. A
normalidade não é necessária para a análise assintótica. Uma limitação do teste de
Chow, independente do método usado para implementá-lo, é a hipótese nula não
permitir nenhuma diferença entre os grupos.

O modelo de Probabilidade Linear é aquele onde usamos em sua construção uma

variável dummy como variável dependente. Percebemos que, y assumindo sempre
os valores 0 e 1, P(y=1|x) = E(y|x), de maneira que a probabilidade de “sucesso” é
a mesma do valor esperado de y. Logo,

P(y=1| x ) = β0 + β1X1 + ... + βkXk + u.

Esta equação é exemplo do modelo de resposta binária e P( y = 1|x) também é

chamado probabilidade de resposta. Este modelo é chamado de modelo de
probabilidade linear (MPL) porque a probabilidade de resposta é linear os
parâmetros βj. O parâmetro βj mede a mudança na probabilidade de sucesso
quando Xj muda, mantendo fixos todos os outros fatores. A mecânica de MQO é a
mesma de antes.

O modelo apresenta problemas, como a possibilidade de obtenção de previsões

maiores que zero e menores que um, mas é bastante útil e freqüentemente
aplicado, funcionando bem com valores independentes próximos das médias da
amostra. Devido à natureza binária, de Y ele infringe uma das hipóteses de Gauss-
Markov, pois apresenta heterodasticidade (exceto no caso em que a probabilidade
não depende de qualquer uma das variáveis independentes), sendo a
homocedasticidade crucial nos testes F e t. Isso ocorre porque Var(y|x) = p(x) [ 1 –
p(x)].