Escolar Documentos
Profissional Documentos
Cultura Documentos
São Paulo
2019
CAROLINA CALIÓ NOGUEIRA
São Paulo
2019
Nogueira, Carolina Calió.
Previsibilidade no mercado acionário utilizando machine learning / Carolina Calió
Nogueira. - 2019.
48 f.
CDU 336.76
Ficha Catalográfica elaborada por: Isabele Oliveira dos Santos Garcia CRB SP-010191/O
Biblioteca Karl A. Boedecker da Fundação Getulio Vargas - SP
CAROLINA CALIÓ NOGUEIRA
Data de aprovação: / /
Banca examinadora:
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 REVISÃO DA LITERATURA . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Finanças Comportamentais/Risco/Mercados Imperfeitos . . . . . . . 11
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Fatores de Risco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 DADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6 EXTENSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
7 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
APÊNDICE A – CÓDIGOS . . . . . . . . . . . . . . . . . . . . . . 32
A.1 Regressão Logística . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
A.2 Árvore de Decisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1 Introdução
2 Revisão da Literatura
o CAPM ganhou uma nova versão, Fama and French (1993) criaram o modelo do CAPM
com três fatores, levando em consideração o fator de risco, o tamanho da empresa e o Book
to Market. Atualmente o estudo sobre fatores de risco é bastante amplo, a seguir têm-se
alguns exemplos de pesquisas mais recentes.
Hwang and Rubesam (2018) utilizaram-se da técnica bayesiana de seleção de
variáveis, utilizando regressão multivariada e chegaram a conclusão que o único fator capaz
de explicar o retorno em ações individuais, no período de 1980 até 2016, foi o excesso de
retorno de mercado. Além disso, eles observaram que a seleção de fatores varia conforme o
período estudado, a analise foi realizada em diferentes subamostras de tempo.
Existem trabalhos indicando que as anomalias de mercado não são problemas de
descasamento de informação. Cochrane (2011) alega que são problemas de taxa de desconto.
Isto significa que alguns estudiosos pensam que os esforços para realizar previsões de
retorno deveriam ser focados na taxa de desconto.
A existência de uma gama relativamente grande de novos fatores surgindo a cada
momento (zoo of factors) faz com que cresça tanto a literatura destinada aos fatores
quanto também a discussão sobre quais fatores de risco melhor explica o retorno. Quando
eram poucos os fatores analisados, os testes estatísticos para determinar se cada um
era significativo e se explicava a variação de preço das ações eram mais simples, eram
basicamente testes de hipóteses individuais. Com o aumento dos fatores de risco, técnicas
mais avançadas precisaram ser criadas. Feng et al. (2017) criaram uma metodologia para
verificar se cada novo fator de risco adicionado é significativo ou não.
Ainda sobre o zoo of factors, o trabalho de Feng et al. (2017) indicou os trabalhos
de Cochrane (2011), Harvey et al. (2016), McLean and Pontiff (2016) e Hou and Robinson
(2006) como exemplos de pesquisas que mostram uma quantidade grande e diversa de
fatores de risco.
No Brasil, pesquisas sobre este tema são bastante comuns. de Fátima Santana
and Rathke (2019) tentaram verificar se um modelo estatístico de apreçamento de ativos
performava melhor do que o modelo de quatro fatores de Carhart (1997). Para isso eles
fizeram uma análise com dados em time series e cross section, sendo que o modelo de
quatro fatores se mostrou melhor na análise do mercado brasileiro. No entanto os resultados
não foram satisfatórios, ou seja, não houve evidência de prêmio de risco.
Outro exemplo de análise no mercado brasileiro foi feita por da Costa Jr and
Neves (2000), que através de uma regressão múltipla buscaram encontrar relações entre
os retornos das ações e variáveis que eles denominaram como fundamentalistas (beta,
relação entre preço e lucro, relação entre preço e valor patrimonial e o valor de mercado).
O resultado mostrou que todas as variáveis são responsáveis pelo retorno das ações, no
entanto a que mais se destaca é o beta.
14
3 Metodologia
Como já foi dito anteriormente, a ferramenta utilizada para a análise dos dados é
o Machine Learning. No entanto, o conceito de Machine Learning é muito amplo, neste
trabalho são utilizadas dois métodos de análise de dados. Estes métodos são: Regressão
Logística e Árvore de Decisão.
O software usado no trabalho é o Anaconda e a linguagem dele é o Python. Pode-
se dizer que a maior vantagem de utilizar o Anaconda é que ele já tem ferramentas e
bibliotecas fundamentais para a análise de dados como: Scikit-Learn, Jupyter Notebook,
Numpy, Matplotlib e Pandas
Um modelo que se utiliza de Machine Learning passa pelo treino e teste de dados a
fim de verificar se é um bom preditor. Os dados, que estão ordenados em ordem crescente
cronologicamente, são subdivididos em dados de treino e dados de teste. O ideal é que
a maior parte dos dados seja destinada ao treino e o restante ao teste. Neste trabalho,
5% foi destinado ao teste e 95% ao treino. Assim sendo, verifica-se se os dados de treino
e de teste são iguais à variável explicada. Se for, é porque os coeficientes das variáveis
explicativas são bons previsores.
a11 · · · a1n b1 y
previsão1
.. . . . ..
. .. .. · .. =
.
(3.1)
an1 · · · ann bn yprevisãon
y y
real1 previsão1
.. ..
. = . (3.2)
yrealn yprevisãon
Regressão Logística
Em um modelo de regressão logística, a variável resposta é binária, neste caso, a
variável resposta assume dois valores possíveis, ou seja, o preço da ação pode aumentar ou
pode diminuir.
De acordo com Müller et al. (2016), nas regressões lineares, o retorno é realizado
pela soma ponderada dos fatores. Contudo, em regressões logísticas, o valor de retorno
fica contido entre 1 e -1. Caso o retorno seja positivo ele será classificado como 1, e caso
seja negativo será classificado como -1. Para regressões logísticas lineares, que é o caso
neste trabalho, a resposta y acaba formando uma reta que divide as classificações.
yreal = B0 + B1 A1 + B2 A2 + · · · + Bn An + ε (3.3)
Etapas da análise:
1. Importação dos dados: fatores de risco (variáveis explicativas), valor da ação em cada
período de tempo (variável explicada) e importação da função LogisticRegression,
para isto será utilizado o Scikit-learn;
Quanto maior for a amostra melhor é o resultado da regressão logística. Ele não
funciona bem para grandes quantidades de fatores, que é o caso da análise feita neste
trabalho.
Árvore de Decisão
Árvores de decisão não fazem mais parte de modelos lineares de tomada de decisão.
Elas são estruturas em blocos de decisão do tipo se verdadeiro então e se falso então. Cada
decisão é um nó e cada resposta à decisão é uma ramificação (verdadeiro ou falso). Pelo seu
formato, que se assemelha a uma árvore, o processo ganhou o nome de árvore de decisão.
Cada nó, em uma árvore de decisão, é chamado de teste, sendo que cada teste
verifica se o fator é maior ou menor do que o valor do teste. O algoritmo busca todas as
possibilidades de teste e escolhe aquele que melhor representa a variável em questão. O
processo então é realizado novamente.
Um dos grandes problemas deste método é o overfitting, que é bastante comum.
Para evitá-lo é preciso limitar a quantidade de ramificações do processo, sendo que nesse
caso foi limitado a quatro ramificações. Para tornar o processo mais simples e também
para que os resultados sejam mais satisfatórios, a variável resposta (preço da ação) é
transformada em uma variável categórica.
Etapas da análise:
2. Importação dos dados: fatores de risco (variáveis explicativas), valor da ação em cada
período de tempo (variável explicada) e importação da função Árvore de Decisão
categórica, para isto será utilizado o Scikit-learn;
4 Dados
Tabela 2 – Empresas
21
5 Resultados
Antes de os modelos serem gerados foi preciso decidir se cada fator de risco
seria analisado em nível ou com variação percentual. Para isto foi feito um teste de
estacionaridade para cada variável, teste esse desenvolvido por Dickey and Fuller (1979).
A hipótese nula do teste de Dickey-Fuller é que a série de tempo é não estacionária,
ou seja, dado um processo autoregressivo simples:
yt = ρyt−1 + ut (5.1)
tem-se que:
H0 : ρ = 1
Regressão Logística
Utilizando o modelo de regressão logística para as 71 empresas analisadas , em 38
delas o modelo conseguiu prever em mais do que 50%, os dados de teste (acertou mais da
metade da previsão fora da amostra). No entanto, fazendo-se o seguinte teste de hipótese:
16 delas podem ser consideradas maiores do que 50%, ou seja, o modelo é capaz
de prever de fato a variação em 22% das empresas. São elas: BEEF3, BRAP4, BBDC3,
BBDC4, BEEF3, BRAP4, BRFS3, BRKM5, BRML3, BRSR6, BTOW3, CCRO3, CESP6,
CMIG4, CPLE6, CSAN3. O resultado completo pode ser observado na Tabela 4.
P̂ − P̂∗
Sn = 1/2 (5.3)
ˆ P̂ ) − var(
var( ˆ P̂∗ )
Árvore de Decisão
Utilizando o modelo de árvore de decisão para as 71 empresas analisadas , em
37 delas o modelo conseguiu prever em mais do que 50%, os dados de teste (acertou
mais da metade da previsão fora da amostra). No entanto, fazendo-se o teste de hipótese
(5.2) tem-se que 18 delas podem ser consideradas maiores do que 50%, ou seja, o modelo
é capaz de prever de fato a variação em apenas 25% das empresas. São elas: ABEV3,
BBDC3, BEEF3, BRSR6, BTOW3, CSMG3, CYRE4, EMBR3, ENBR3, GFSA3, ITSA4,
LAME3, MRVE3, PETR3, PETR4, PSSA3, SLCE3, TIMP3. O resultado completo pode
ser observado na Tabela 6.
6 Extensões
7 Conclusão
Era esperado que a análise de arvore de decisão fosse melhor do que a análise
de regressão logística. De fato, se considerar apenas os testes estatísticos que foram
significativos, a árvore de decisão se mostra melhor, porém apenas um pouco melhor do
que a regressão logística.
Outra conclusão importante é o fato de existir uma pequena evidência de que
o mercado brasileiro é previsível. Esta conclusão pode ser utilizada para explorar mais,
não apenas estes modelos, como outros mais complexos, redes neurais é um exemplo.
Pode-se incorporar também outras variáveis explicativas aos modelos, como notícias sobre
as empresas e índices de recomendação.
28
Referências
Barber, B. M. and T. Odean (2001). Boys will be boys: Gender, overconfidence, and
common stock investment. The quarterly journal of economics 116 (1), 261–292.
Blume, L., D. Easley, and M. O’hara (1994). Market statistics and technical analysis: The
role of volume. The Journal of Finance 49 (1), 153–181.
Bone, R. B. and E. P. Ribeiro (2002). Eficiência fraca, efeito dia-da-semana e efeito feriado
no mercado acionário brasileiro: uma análise empírica sistemática e robusta. Revista de
Administração Contemporânea 6 (1), 19–37.
Chan, W. S., R. Frankel, and S. P. Kothari (2004). Testing behavioral finance theories
using trends and consistency in financial performance. Journal of Accounting and
Economics 38, 3–50.
Cochrane, J. H. (2011). Presidential address: Discount rates. The Journal of finance 66 (4),
1047–1108.
Cutler, D. M., J. M. Poterba, and L. H. Summers (1988). What moves stock prices?
Fama, E. F., L. Fisher, M. C. Jensen, and R. Roll (1969). The adjustment of stock prices
to new information. International economic review 10 (1), 1–21.
Fama, E. F. and K. R. French (1993). Common risk factors in the returns on stocks and
bonds. Journal of financial economics 33 (1), 3–56.
Referências 29
Feng, G., S. Giglio, and D. Xiu (2017). Taming the factor zoo. Fama-Miller Working
Paper 24070.
Gu, S., B. Kelly, and D. Xiu (2018). Empirical asset pricing via machine learning. Technical
report, National Bureau of Economic Research.
Guyon, I., J. Weston, S. Barnhill, and V. Vapnik (2002). Gene selection for cancer
classification using support vector machines. Machine learning 46 (1-3), 389–422.
Harvey, C. R., Y. Liu, and H. Zhu (2016). . . . and the cross-section of expected returns.
The Review of Financial Studies 29 (1), 5–68.
Hirshleifer, D. (2001). Investor psychology and asset pricing. The Journal of Finance 56 (4),
1533–1597.
Hou, K. and D. T. Robinson (2006). Industry concentration and average stock returns.
The Journal of Finance 61 (4), 1927–1956.
Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of economic
perspectives 17 (1), 59–82.
Malkiel, B. G. and E. F. Fama (1970). Efficient capital markets: A review of theory and
empirical work. The journal of Finance 25 (2), 383–417.
McLean, R. D. and J. Pontiff (2016). Does academic research destroy stock return
predictability? The Journal of Finance 71 (1), 5–32.
Müller, A. C., S. Guido, et al. (2016). Introduction to machine learning with Python: a
guide for data scientists. "O’Reilly Media, Inc.".
Referências 30
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions
of risk. The journal of finance 19 (3), 425–442.
Shiller, R. J. (1980). Do stock prices move too much to be justified by subsequent changes
in dividends?
Taylor, M. P. and H. Allen (1992). The use of technical analysis in the foreign exchange
market. Journal of international Money and Finance 11 (3), 304–314.
Apêndices
APÊNDICE A – Códigos
import xlrd
import csv
wb = xlrd.open_workbook('XXXX')
sh = wb.sheet_by_index(0)
arquivo = open('arquivo.csv','w')
wr.writerow (sh.row_values(rownum))
arquivo.close()
csv_from_excel()
import datetime as dt
import pandas as pd
import numpy as np
rcParams['figure.figsize'] = 15,6
data = pd.read_csv('arquivo.csv')
print (data.head())
print (data.dtypes)
import datetime as dt
df = pd.read_csv('arquivo.csv');
df['Dates'] = pd.to_datetime(df['Dates'])
df.info()
df
print(data.head())
data.index
data = data['2008-1-1':'2018-06-30']
X= data.drop(['PX_LAST'], axis=1)
y= data['PX_LAST']
print (X)
print(y)
logreg= LogisticRegression(C=100).fit(X, y)
import xlrd
import csv
wb = xlrd.open_workbook('XXXX')
sh = wb.sheet_by_index(0)
arquivo = open('arquivo.csv','w')
wr.writerow (sh.row_values(rownum))
arquivo.close()
csv_from_excel()
import datetime as dt
import pandas as pd
import numpy as np
rcParams['figure.figsize'] = 15,6
data = pd.read_csv('arquivo.csv')
print (data.head())
print (data.dtypes)
import datetime as dt
df = pd.read_csv('arquivo.csv');
df['Dates'] = pd.to_datetime(df['Dates'])
df.info()
df
print(data.head())
data.index
data = data['2008-1-1':'2018-06-30']
X= data.drop(['PX_LAST'], axis=1)
y= data['PX_LAST']
print (X)
print(y)
print(y_test)
tree= DecisionTreeClassifier(max_depth=4).fit(X_train,y_train)
import graphviz
with open("tree.dot") as f:
dot_graph = f.read()
display(graphviz.Source(dot_graph))
tree_pred = tree.predict(X_test)
confusion = confusion_matrix(y_test,tree_pred)
ASSET− GROWTH
Um aumento ou redução percentual do total de ativos, comparando o período atual
com o mesmo período do ano anterior. Calculado por:
Ültimo Preço
(B.2)
Valor contábil por açâo
No qual:
Último preço é PR005, PX− LAST
Valor contábil por ação é RR020, BOOK− VAL− PER− SH
Dados do período de divulgação mais recente (trimestral, semestral ou anual)
usados no cálculo.
Portfólio:
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 38
Calculado como o Valor total de mercado (IN089, INDX− MARKET− CAP) dividido
pela soma do Valor contábil de holdings. Contribuições são calculadas como o Valor contábil
por ação (RR020, BOOK− VAL− PER− SH) do ativo multiplicado pelo número de ações
mantidas.
Divida liquida
(B.4)
Fluxo de caixa de operações
No qual:
Dívida líquida é RR208, NET− DEBT
Caixa de operações dos últimos 12M é RR824, TRAIL− 12M− CASH− FROM− OPER
último preço
(B.5)
FCL últimos 12 meses por açâo
No qual:
Último preço é PR005, PX− LAST
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 40
IS− EPS
Lucro por ação:
Lucro por ação (LPA) é a parte do lucro de uma empresa que é alocado a cada
acionista. É calculado com base no lucro líquido disponível para acionistas de ações
ordinárias divididas pela média ponderada básica de ações em circulação. Este campo
retorna o lucro por ação Bottom-line quando as configurações de FPDF para ’Ajustes
não-GAAP.’ Substituição ajustada (DT094, FA− ADJUSTED) pode ser marcada com ’Y’
para retornar dados ajustados para excluir itens extraordinários. Unidade: Real
Brasil:
Lucro por ação é calculado com base no lote de cotação da empresa. Refira-se a
Volume de lote de cotação (PR091, PX− QUOTE− LOT− SIZE) para o lote de cotação.
INDEX:
Este campo retorna o agregado de todas as contribuições de ações. Cada contribuição
de ações é calculada como:
Lucro básico por valor de ação × número respectivo de ações no índice × Taxa FX
Divisor do índice × Fator de cobertura
(B.6)
No qual:
Lucros básicos por ação é IS061,IS− EPS
Número de ações de um ativo no índice pode ser obtido em MEMB
Taxa FX é aplicada aos ativos que tenham uma moeda fundamental
EQY− FUND− CRNCY diferente do divisor do índice é IN018, INDX− DIVISOR
Fator de cobertura é definido como:
No qual:
Lucro líquido é IS050, NET− INCOME
Dividendos em preferreds é IS051, IS− TOT− CASH− PFD− DVD
Média de ativos totais é BS902, BS− AVERAGE− TOTAL− ASSETS. Caso a em-
presa não divulgue, BS035, BS− TOT− ASSET é utilizado.
PE− RATIO
Divisão do preço de uma ação pelos lucros por ação de uma empresa. Para
todos os países não mencionados abaixo, é calculado como o Último Preço (PR005,
PX− LAST) dividido pelo LPA dos últimos 12 meses antes de Itens extraordinários (RR819,
TRAIL− 12M− EPS− BEF− XO− ITEM) ou pelo LPA básico antes de Itens extraordinários
(IS064, IS− EARN− BEF− XO− ITEMS− PER− SH), se existirem apenas rendimentos anuais.
EUA e Canadá:
Calculado como o Último preço (PR005, PX− LAST) dividido pelo LPA diluído de
op cont dos últimos 12 meses (RR844, T12M− DIL− EPS− CONT− OPS) ou pelo LPA diluído
de op contínuas (IS147, IS− DIL− EPS− CONT− OPS), se existirem apenas rendimentos
anuais.
Índice:
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 43
Divisão de Lucros/Preço atual. Calculado como o Último preço (PR005, PX− LAST)
dividido pelo último LPA ponderado (IN001, T12− EPS− AGGTE). Apenas P/E anual
está disponível, todas as substituições para FUND− PER resultarão no mesmo valor.
RR900 não será calculado se o lucro por ação for negativo.
Portfólio:
Calculado como o valor total de mercado (IN089, INDX− MARKET− CAP) dividido
pela soma de contribuições de lucros de holdings. Contribuições são calculadas como o valor
dos lucros por ação para relação (RX219, EPS− FOR− RATIOS) do título multiplicado
pelo número de ações mantidas.
No qual:
Despesas de capital é RR014, CAPITAL− EXPEND
No qual:
Número de funcionários é RR121, NUM− OF− EMPLOYEES
VOLATILITY− 30D
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 44
VOLATILITY− 90D
Medida do risco das movimentações do preço de um ativo, calculada com base no
desvio padrão das alterações logarítmicas diárias de preço históricas. A volatilidade do
preço durante 90 dias equivale ao desvio padrão anual da alteração de preço relativa para
o preço de fechamento dos 90 dias de pregão mais recentes, expresso em porcentagem.
Moedas:
Ativos de moeda não-CDS não são aceitos para dados históricos.
VOLATILITY− 360D
Uma medida do risco das movimentações de preço de um ativo, calculada com base
no desvio padrão das variações logarítmicas diárias históricas de preço. Uma volatilidade
de preço de 360 dias equivale ao desvio padrão anualizado da variação de preço relativa do
preço de fechamento dos últimos 360 dias de negociação, expressa como uma porcentagem.
Ao observar o valor corrente, o último ponto de preço será o preço de negociação mais
recente do ativo.
Moedas:
Ativos cambiais não CDS (Swaps de crédito) não são suportados para dados
históricos.
RSI− 30D
Indicador sem tendência que mede o momentum de um título para determinar se
está na condição sobrecomprada ou sobrevendida. As leituras do índice Relative Strength
(RSI) oscilam em uma escala de 0 a 100. Uma leitura entre 70 e 80 indica uma condição
sobrecomprada e uma provável correção para baixo. Leituras entre 30 e 20 são consideradas
uma condição sobrevendida e indicam uma correção para cima iminente. Alertas mais
significativos de correções ocorrem quando existe uma divergência ou convergência entre o
preço e RSI. Os rendimentos são interpretados inversamente dos preços, acima de 70 é
sobrevenda e abaixo de 30 é sobrecompra. Preços de fechamento dos dias anteriores serão
utilizados para determinar os componentes RSI. A data mais recente pode ser encontrada no
campo Atualização dados técnicos (HT039, EQY− STATS− LAST− UPDATE). A fórmula
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 45
RSI é:
100
RSI = 100 − 1+AvgUp (B.12)
Avg Down
No qual:
Average Up = a média de todas as variações dia-dia em que o ativo fechou em alta
para o dia durante o período.
Average Down = a média de todas as variações negativas para o período. Este
escore RSI é para um ativo durante um período de 30 dias.
Ações:
O cálculo deste campo ignora as configurações do usuário e calcula com base nos
critérios seguintes:
Dividendos normais em dinheiro = False (ajusta precificação histórica para refletir
caixa regular, interino, 1o-5o interino, lucro, estimada, distribuição de participação, final,
juros sobre capital, distribuição, prorateio)
Dividendos extraordinários em dinheiro = True (ajusta precificação histórica para
refletir caixa especial, liquidação, lucros de capital, lucros de capital LP, lucros de capital
CP, lucros, retorno de capital, resgate de direitos, diversos, premium de retorno, resgate
de direitos de preferred, recursos/direitos, recursos/compartilhados, recursos/warrants)
FNCL− LVRG
Mede a média de ativos pela média de ações. Unidade: Real.
Calculado por:
OPERATING− ROA
Medida de quão lucrativamente uma empresa é capaz de implantar seus ativos
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 46
No qual:
Lucro operacional últimos 12M é RR803, TRAIL− 12M− OPER− INC
2. A Taxa efetiva de imposto ou a Taxa efetiva de impostos dos últimos 12 meses não
estiver disponível.
1. Dias até o anúncio é maior do que dias para vencimento do segundo mês ou menor
do que 1;
No qual:
Lucro líquido disponível aos acionistas de ações ordinárias dos U12M é T0089,
TRAIL− 12M− NET− INC− AVAI− COM− SHARE
Média do patrimônio líquido total é a média do saldo inicial e do saldo final de
RR010, TOT− COMMON− EQY
APÊNDICE B. Definições das Variáveis Obtidas pelo Terminal da Bloomberg 48
Caso o saldo inicial ou final do patrimônio líquido total seja negativo, o retorno
sobre o patrimônio não será calculado.
Refere-se ao Retorno sobre o patrimônio líquido ajustado (F1169,
RETURN− ON− COMMON− EQUITY− ADJUSTED) para o valor ajustado que
exclui o impacto dos itens extraordinários.
Receita
(B.18)
Caixa e equivalentes a caixa
No qual:
Receita é IS010, SALES− REV− TURN
Caixa e equivalente a caixa é BS010, BS− CASH− NEAR− CASH− ITEM
SALES− GROWTH
Um aumento ou diminuição percentual da receita de vendas, comparando o período
atual com o mesmo período ano anterior. Calculado por:
são calculadas como o valor das vendas por ação nos últimos 12M (RR800 dividido por
BS081) do ativo, multiplicado pelo número de ações mantidas.
PX− VOLUME
Número total de ações negociadas de um ativo no dia atual. Se o ativo não foi
negociado, é o número total de ações do último dia de negociação do ativo. Se uma Bolsa
envia o preço de fechamento oficial sem um volume, o retorno é ’0’.
Se a Bolsa não enviar dados de preço de fechamento, o retorno refletirá os últimos
dados recebidos da Bolsa. A fonte de precificação utilizada deve ser definida para exibir o
volume; caso contrário, o campo retorna em branco. Expresso em unidades.
TURNOVER
Valor total negociado na moeda do ativo. Este valor representa todos os preços de
negociação, multiplicados pelo número de ações relacionadas a cada preço. Este valor é
então somado.
Índice de ações:
Valor total negociado na moeda do índice. Este valor representa todos os preços de
negociação para cada ativo que pertence ao índice, multiplicados pelo número de ações
referentes a cada preço. Este valor é então totalizado para cada ativo e somado para o
índice. O valor é escalonado por um fator de 1000.
PX− LAST
Último preço para o ativo.
Ações:
Retorna o último preço fornecido pela Bolsa. Para ativos negociados de segunda a
sexta-feira, esse campo será preenchido somente se essas informações forem fornecidas pela
Bolsa nos últimos 30 dias de negociação. Para ofertas públicas iniciais (IPO), o dia antes
do primeiro dia de negociação real pode retornar o preço da IPO. Para todos os outros
ativos, esse campo será preenchido somente se essas informações forem fornecidas pela
Bolsa nos últimos 30 dias corridos. Aplica-se a ações ordinárias, recibos, warrants e fundos
de investimento imobiliário (REITs).