Relaçãoentreotimismo Fonseca 2018

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS

PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO
RODRIGO RAPOSO DA FONSECA
A RELAÇÃO ENTRE OTIMISMO E ONDAS DE FUSÃO E

AQUISIÇÃO: EVIDÊNCIAS DO MERCADO BRASILEIRO
NATAL
2018
Rodrigo Raposo da Fonseca
A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Evidências do mercado brasileiro
Dissertação apresentada ao Programa de Pós-

Graduação em Administração da Universidade
Federal do Rio Grande do Norte, em cumpri-
mento com as exigências legais para obtenção
do título de mestre. Área de Concentração: Ges-
tão Organizacional. Linha de Pesquisa: Finanças
Orientador: Prof. Vinicio de Souza e Almeida
Natal
2018
Fonseca, Rodrigo Raposo da.
A relação entre otimismo e ondas de fusão e aquisição: evi-
dências do mercado brasileiro / Rodrigo Raposo da Fonseca. –
2018.
45f.: il.
Dissertação (Mestrado em Administração) – Universidade

Federal do Rio Grande do Norte, Centro de Ciências Sociais
Aplicadas, Programa de Pós Graduação em Administração. Natal,
RN, 2018.
Orientador: Prof. Dr. Vinicio de Souza e Almeida.
1. Mercado financeiro – Dissertação 2. Onda de Fusão e

Aquisição – Dissertação 3. Fusão e Aquisição – Dissertação
4. Otimismo dos gestores – Dissertação I. Almeida, Vinicio de
Souza e. II. Universidade Federal do Rio Grande do Norte III. A
relação entre otimismo e ondas de fusão e aquisição: evidências
do mercado brasileiro
RN/UF/Biblioteca Setorial do CCSA CDU 336.76:658
Elaborado por Eliane Leal Duarte - CRB-15/355

Rodrigo Raposo da Fonseca
A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Evidências do mercado brasileiro
Dissertação apresentada ao Programa de Pós-

Graduação em Administração da Universidade
Federal do Rio Grande do Norte, em cumpri-
mento com as exigências legais para obtenção
do título de mestre. Área de Concentração: Ges-
tão Organizacional. Linha de Pesquisa: Finanças
Aprovado em 29 de junho de 2018.
BANCA EXAMINADORA:
Prof. Dr. Vinicio de Souza e Almeida – UFRN

Presidente
Prof. Dr. Anderson Luiz Rezende Mól – UFRN

Membro Interno
Prof. Dr. Melquiades Pereira de Lima Junior –

IFRN
Membro Externo
Visto e permitida a impressão

Natal
Este trabalho é dedicado à Benedito, Severina, Luiz e Irene que, dentre todas as difíceis
escolhas possíveis, escolheram a educação
AGRADECIMENTOS
Gostaria de começar agradecendo a UFRN. Já são quase dez anos me abrigando e propor-
cionando novas experiências e conhecimentos, quando muitos não tiveram sequer a oportunidade
de entrar nessa instituição.
Agradeço aos meus pais por estarem sempre ao meu lado. Independente do desafio que
eu tenha escolhido, eles estarão sempre me apoiando.
Às minhas irmãs, Camila e Gabriela, cada uma à sua maneira, continuam a ser fontes de
inspiração e força para avançar na minha jornada.
À minha sobrinha Maria Cecília que, desde que a segurei nos braços pela primeira vez,
me ensinou que o amor não conhece a palavra limite.
Agradeço a minha querida Lorena, ela foi a mais entusiasmada quando soubemos que
passei no mestrado, e permaneceu sendo uma fonte de energia durante todo o percurso, muito
obrigado.
À todos os meus familiares e amigos pela compreensão e apoio. Todas as ausências e
reclusão dos últimos anos foram difíceis, mas vocês sempre se mantiveram firmes ao meu lado.
Aos meus colegas de turma do mestrado, meus agradecimentos e parabéns a todos.
Compartilhamos essa incrível e rica experiência, sabemos como é dura e prazerosa a jornada
acadêmica, alguns continuarão a jornada, alguns não, pelo menos por um tempo, mas tenho
certeza de que todos nós levaremos esta breve, porém intensa, experiência de pesquisador para
todas as nossas vidas.
Gostaria de agradecer aos estimados amigos da base de finanças. Sempre é possível
encontrar uma mão amiga e um café quente na base, assim como grandes amizades.
Notadamente, gostaria de destacar o solícito Raimundo que contribuiu enormemente
com a construção desse trabalho e nunca recusa um pedido de ajuda, seja de quem for, assim
como Heric, que entrou comigo nessa jornada e se tornou um grande amigo.
Ao meu orientador, Professor Vinicio, pelas contribuições, cobranças, oportunidades e
momentos de descontração. Me ensinou a não aceitar menos que a excelência, não recuar diante
de dificuldades, a refletir de forma crítica e nunca aceitar a primeira opinião.
Gostaria de agradecer a todos os mestres com quem tive a honra de ser aluno. Tive uma
oportunidade única de aprender com os melhores e espero retribuir para a sociedade tudo que
aprendi com vocês.
Por fim, mas igualmente importante, gostaria de agradecer a toda a equipe do PPGA,
NEPSA e funcionários da UFRN em geral, que contribuem para manter nossos espaços agra-
dáveis e funcionais, sem vocês nossa universidade não seria a mesma. Em síntese, a todos
que contribuíram, de forma direta ou indireta, durante esse período, meu sincero e profundo
agradecimento.
"Se enxerguei mais longe,
Foi porque me apoiei no ombro de gigantes."
(Isaac Newton)
RESUMO
O motivo das fusões e aquisições (F&As) acontecerem em ondas é ainda um tema pouco
explorado na literatura financeira, especialmente no contexto de mercados fora dos EUA e Reino
Unido. Diante disso, o presente trabalho investiga se o otimismo dos agentes econômicos podem
levar a uma onda de F&A, utilizando dados brasileiros entre 2007 e 2017 sobre as transações
e o Índice de Confiança do Empresário (ICE), que mede o otimismo dos empresários com a
situação atual e futura da economia. Foi utilizada a definição de onda de F&A como em Harford
(2005). A partir de um modelo de resposta binária Logit, o trabalho apontou que o otimismo
aumenta a probabilidade de ocorrência de uma onda de F&A, o aumento no spread, que mede a
liquidez no mercado, aumenta a probabilidade de ocorrência da onda. O Ibovespa foi a variável
que apresentou maior efeito nas probabilidade de ocorrência de uma onda de F&A, um aumento
da primeira levando a um aumento positivo na probabilidade da segunda. Os resultados foram
significantes para todos os lags.
Palavras-chaves: Ondas de Fusão e Aquisição. Fusão e Aquisição. Otimismo.

ABSTRACT
The reason for mergers and acquisitions (M&A) occur in waves is still a subject rarely explored
in the financial literature, especially in a context of markets outside the USA and UK. Therefore,
the present study investigates whether the optimism of the agents could led to a wave of M&A,
using brazilian data from 2007 to 2017 about transactions and the entrepreneur confidence index
(ICE), wich measure the optimism of the entrepreneurs with the current and future situation of
the economy. I used Harford (2005)’s definition for a M&A wave. Using a Logit binary response
model, the study pointed that optimism increases the probability of a wave of M&A. An increase
of spread, that measures the market liquidity, increases the probability of occur M&A waves.
Ibovespa was the variable that had the greater effect on the probabilities of an wave of M&A,
an increase in the first one led to an increase of the probability of the second. The results were
significant for all lags.
Key-words: Mergers and Aquisitions Waves. Mergers and Acquisitions. Optimism.

LISTA DE FIGURAS
Figura 1 – Evolução das operações de FA entre 1995 a 2017: O número de F&As

concluídas ocorridas no Brasil entre os anos de 1995 e 2017 . . . . . . . . . 15
Figura 2 – Gráfico da função logística: A figura apresenta a ilustração do gráfico da
função logística. Nota-se que quanto mais negativo o eixo horizontal se
apresenta, a função de distribuição tende a 0, enquanto que para o lado
positivo, ela tende a 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Figura 3 – Acumulado de 24 meses das transações de F&A: O total de transações para
cada período acumulado de 24 meses entre novembro de 2007 até outubro de
2017. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Figura 4 – Quantidade de F&As por mês: O número total de F&As por mês entre
novembro de 2007 e outubro de 2017. . . . . . . . . . . . . . . . . . . . . 30
LISTA DE TABELAS
Tabela 1 – Estatísticas Descritivas das variáveis: As estatísticas descritivas de cada variável do

modelo. Onda é a dummy que indica se a transação ocorreu em período de onda
de F&A ou não, ICE é o índice de confiança o empresário, ICE-1 a ICE-12 indica
o índice de confiança com defasagens de 1,2,3,6 e 12 lags, as outras variáveis são
controles para as características das transações e indústria a qual pertence a adquirente. 32
Tabela 2 – Estatísticas Descritivas e Diferença Entre Operações Dentro e Fora da Onda
de F&A: A Tabela mostra as estatísticas descritivas das operações de F&As
dentro e fora da onda e a diferença, em número e percentual, entre elas. . . . 33
Tabela 3 – Resultado dos Modelos Estimados: Os coeficiente do modelo estão em cima,
entre parênteses estão os erros-padrão robustos. Os modelos de I a VI corres-
pondem a variável ICE contemporânea e nos lags 1, 2, 3, 6 e 12, respectiva-
mente. A variável de interesse foi significante em todos os lags, assim como
as variáveis de controle Spread e LogIBOV. . . . . . . . . . . . . . . . . . 34
Tabela 4 – Percentual de Acerto do Modelo: A tabela apresenta o poder preditivo do
modelo. O modelo com maior força foi o modelo I, cujo o ICE não é defasado 36
Tabela 5 – O Efeito Marginal Médio das Variáveis do Modelo: Apesar de significante, o
efeito do aumento de uma unidade no ICE aumenta levemente a probabilidade
de ocorrência de uma onda de F&A, a variáel Spread, por outro lado, tem um
aumento mais considerável, ainda que seja necessário levar em conta que o
aumento de uma unidade, no caso dessa variável, corresponda a um aumento
de 100% no Spread. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Tabela 6 – Razão de Chances Estimada do Modelo: A variável independente ICE foi
significante em todos os lags mostrando que cada variação positiva no ICE
aumenta a probabilidade de ocorrência de uma onda. As variáveis de controle
Spread e LogIBOV também são significantes e positivos. . . . . . . . . . . 38
LISTA DE QUADROS
Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo,

bem como sua descrição e os estudos que a utilizaram. As variáveis que não
contém fonte são as variáveis independentes e as variáveis de controle para
a indústria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Quadro 2 – Processo de Filtragem dos Dados: O quadro apresenta cada uma das etapas
do processo de tratamento dos dados realizado, com o número de transações
após cada etapa e a porcentagem de operações que ocorreram dentro da
onda de F&A após aplicar o filtro. . . . . . . . . . . . . . . . . . . . . . . 29
LISTA DE ABREVIATURAS E SIGLAS
AIC Critério de Informação de Akaike
BCB Banco Central do Brasil
BIC Critério de Informação Bayesiano
BNDES Banco Nacional do Desenvolvimento Econômico e Social
EUA Estados Unidos da América
FIV Fator de Inflação de Variância
FGV Fundação Getúlio Vargas
F&A Fusão e Aquisição
FATR Fusão e Aquisição Transfronteiriça
ICE Índice de Confiança do Empresário
M/B Market-to-Book
PJ Pessoa Jurídica
P/L Preço/Lucro
RC Razão de Chances
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1 Contextualização e Problema . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2 Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3.2 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 REVISÃO BIBLIOGRÁFICA . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Ondas de Fusões e Aquisições . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1 Teoria Neoclássica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.1.1 Teoria Q das Fusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Teoria Comportamental . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Construção da Onda de F&A . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 A métrica de Harford (2005) . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Otimismo e Mercado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Método . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1 Tratamento dos Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Onda de Fusão e Aquisição . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3 Estatísticas Descritivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.4 Análise dos Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
REFERÊNCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . . . . . 41
14
1 INTRODUÇÃO
1.1 Contextualização e Problema
As fusões e aquisições (F&As) têm desempenhado um importante papel nas economias

nacionais e comércio internacional. Se fosse considerada uma nação, o setor de F&A seria a a
quinta maior economia do planeta em 2014, atrás somente dos EUA, China, Japão e Alemanha
(LEAL et al., 2013), além disso, Reddy e Xie (2017) mostram que as fusões e aquisições entre
países foram responsáveis por quase 28% do valor do mercado mundial em 2011. Vale ainda
destacar que cerca de 90% dos investimentos estrangeiros diretos no mundo foram resultados de
F&As, entre 1997-2007 (BORTOLUZZO, 2014).
As motivações para entrar em uma operação dessas são as mais diversas, algumas
das quais: ganhos de sinergia, economias de escala e consolidação de mercado, construir,
fortalecer e renovar vantagens competitivas (LOHRKE; FROWNFELTER-LOHRKE; JR., 2016;
ANDRADE; MITCHELL; STAFFORD, 2001; TRIANTAFYLLOPOULOS; MPOURLETIDIS,
2014). Contudo, os resultados empíricos vão de encontro à essas motivações (TAO et al., 2017;
RAO-NICHOLSON; SALABER; CAO, 2016; BORTOLUZZO, 2014; ROMANO; ALMEIDA,
2015; MAGER; MEYER-FACKLER, 2017; LEAL et al., 2013).
Ainda assim, as operações de fusões e aquisições (F&As) têm ganhado força desde a
estabilização da economia nos anos 90. Contudo, é a partir dos anos 2000 que as operações
ganham destaque, coincidindo com a boa fase pela qual passava a economia brasileira. A Figura
1 apresenta o número de F&As ocorridas no Brasil de 1995 a 2017. Considera-se somente as
transações que foram concluídas.
As transações, no geral, se concentram em alguns períodos de tempo. Esse padrão é
tomado pela literatura como um fato estilizado sobre F&As, qual seja, elas acontecem em ondas
(GÄRTNER; HALBHEER, 2009; GUGLER et al., 2012; TOWN, 1992; GORTON; KAHL;
ROSEN, 2009; LAMBRECHT, 2004; RHODES-KROPF; VISWANATHAN, 2004; DUCHIN;
SCHMIDT, 2013). Todavia, apesar dos pesquisadores já terem ciência desse fenômeno há algum
tempo (MITCHELL; MULHERIN, 1996), ainda restam dúvidas sobre as motivações por trás
desse fenômeno1 .
A partir das pesquisas sobre as motivações por trás das ondas de F&As, desenvolveram-se
duas visões teóricas: a abordagem neoclássica, argumentando que choques nos setores econô-
micos podem modificar a estrutura do mercado, alterando os preços dos ativos, dando início as
ondas e a explicação comportamental, pela qual os gestores e o mercado de forma geral, movidos
por fatores racionais ou não, erram a precificação dos ativos, podendo iniciar uma onda de F&A
1 Para Brealey, Myers e Allen (2013) esse é um dos dez problemas ainda não solucionados em finanças
Capítulo 1. Introdução 15
Figura 1 – Evolução das operações de FA entre 1995 a 2017: O número de F&As concluídas
ocorridas no Brasil entre os anos de 1995 e 2017
Fonte: Desenvolvido pelo autor com base nos dados da Bloomberg

R
(HSU; WRIGHT; ZHU, 2017; GORT, 1969).

Parte da literatura relaciona esse padrão cíclico das operações de F&As aos ciclos
econômicos, aumentando em épocas de economia em alta, bem como períodos de altos valuations
no mercado de capitais (HARFORD, 2005; TRIANTAFYLLOPOULOS; MPOURLETIDIS,
2014; LAMBRECHT, 2004). Essa relação entre o comportamento agregado das operações de
F&As e o otimismo dos agentes pode ser uma indicação do porquê as transações se concentrarem
em um determinado período. Portanto, períodos de intensa atividade de F&A parecem estar
intimamente ligados à épocas de euforia e clima positivo no mercado.
Diante dessas observações, pretende-se responder a seguinte questão: O otimismo do
mercado pode levar a uma onda de fusões e aquisições?
Para responder essa questão esse trabalho dividi-se em quatro capítulos. O primeiro é a
parte introdutória do estudo, constando a contextualização, objetivos e justificativa do mesmo, o
segundo capítulo dedica-se ao referencial teórico que embasou o desenvolvimento da pesquisa, a
terceira seção aborda a metodologia aplicada para responder a questão de pesquisa, no quarto
capítulo são discutidos os resultados encontrados e, por fim, o quinto capítulo é dedicado as
considerações finais.
1.2 Justificativa
Tradicionalmente, as pesquisas sobre F&As têm explorado temas relacionados à ganhos

de eficiência, retorno, poder e disciplina de mercado, mas poucas se debruçam sobre as razões
para a ocorrência de F&As e a explicação das ondas (ANDRADE; MITCHELL; STAFFORD,
2001).
Capítulo 1. Introdução 16
Gugler et al. (2012) apontam que um dos fatos estilizados sobre fusões e aquisições é
que elas são, em média, não lucrativas e destruidoras de valor para os acionistas da empresa
adquirente.
Períodos de ondas são caracterizado por maior incerteza nas avaliações dos analistas
(DUCHIN; SCHMIDT, 2013). Outro comportamento bem documentado sobre ondas de F&As
é que elas acontecem em mercados de alta (GUGLER et al., 2012; HARFORD, 2005). Esses
períodos otimistas do mercado afetam as decisões dos gestores, levando-os a superestimarem
a probabilidade de sucesso de suas decisões (NOFSINGER, 2005). Então, períodos otimistas
podem explicar o motivo das operações se concentrarem em determinados períodos de tempo e
serem destruidoras de valor.
As pesquisas acerca F&As ainda são muito escassas quando comparadas à outros temas
(RAO-NICHOLSON; SALABER; CAO, 2016). Isso fica especialmente evidenciado ao tratar-se
de mercados emergentes (RAO-NICHOLSON; SALABER; CAO, 2016; BORTOLUZZO, 2014;
ROMANO; ALMEIDA, 2015; LEAL et al., 2013). Mesmo em mercados mais desenvolvidos,
fora do eixo EUA-Reino Unido, o assunto é pouco pesquisado (MAGER; MEYER-FACKLER,
2017).
Para o mercado brasileiro, o presente trabalho não encontrou nenhuma pesquisa sobre
a temática de ondas de F&As. Leal et al. (2013) em seu trabalho sobre a produção científica
brasileira em finanças, registraram que existem anos nos quais não existem trabalhos sobre fusões
e aquisições no Brasil dentro dos principais periódicos.
A teoria neoclássica das ondas de F&As não consegue explicar alguns dos fatos sobre
esse fenômeno, como ocorrer em mercados de alta e se alastrar em diversos setores diferentes.
Por outro lado, a teoria comportamental preenche algumas dessas lacunas, apesar de existir
várias explicações para os erros de precificação dos ativos. Com isso o presente trabalho faz uma
tentativa de testar se épocas de otimismo pode aumentar a confiança dos gestores, fazendo com
que aumente a atividade de F&A, gerando as ondas.
1.3 Objetivos
1.3.1 Objetivo geral
Analisar se o otimismo dos gestores pode levar a uma onda de fusões e aquisições.
1.3.2 Objetivos específicos
• Investigar a existência de ondas de F&As no mercado brasileiro
• Analisar o impacto do otimismo nas decisões de F&As dos gestores

17
2 REVISÃO BIBLIOGRÁFICA
2.1 Ondas de Fusões e Aquisições
As explicações tradicionais sobre as motivações para fusões e aquisições, tais como redu-
ção de custos e sinergia, apesar de fazerem sentido do ponto de vista gerencial, não conseguem
explicar o porquê delas apresentarem um padrão cíclico, havendo períodos onde a atividade
de F&A é mais pronunciada. Esses períodos ficaram conhecidos na literatura como ondas de
F&A, contudo, ainda não se sabe o motivo das ondas acontecerem (ANDRADE; MITCHELL;
STAFFORD, 2001)
Town (1992) apontou que os economistas há muito sabem que F&As acontecem em
ondas. Para os EUA, os estudos já apontam cinco ondas de F&As (LAMBRECHT, 2004).
Mitchell e Mulherin (1996) nomeiam cada uma dessas ondas: 1890s é a onda dos monopólios,
1920 a dos oligopólios, 1960 conglomerados, 1980 tomadas de controle hostis e na década de 90
tivemos uma onda caracterizada por ser dirigida por fatores estratégicos.
Mesmo nas chamadas F&As transfronteiriças (F&ATRs)1 , é encontrado esse padrão
de ondas na atividade de F&As, similar às domésticas (XU, 2017; CHAUDHURI, 2014). As
operações de F&ATRs tem uma importância especial por terem se tornado o principal compo-
nente do investimento estrangeiro direto (XU, 2017), mais especificamente 90% entre 1997-2007
(BORTOLUZZO, 2014). Portanto, as operação entre países podem ser uma sinalização dos
agentes econômicos sobre um determinado país (TAO et al., 2017).
Duas principais abordagens teóricas são utilizadas para explicar as ondas de F&As: a
teoria neoclássica e a teoria comportamental.
2.1.1 Teoria Neoclássica
A teoria neoclássica indica que as ondas de F&As acontecem como forma de realocar
os ativos para um uso mais eficiente (XU, 2017). Essa necessidade deve-se, segundo a teoria, a
choques na indústria (HARFORD, 2005), uma vez que eles causam desestabilizações na estrutura
de mercado existente e as F&As surgem para estabilizar o mercado (RODRIGUES, 2014), esses
choques podem ser advindos de desregulamentações, inovações tecnológicas, consolidação
da indústria, entre outros. Harford (2005), no entanto, aponta ainda que deve existir liquidez
suficiente no mercado para acomodar essa realocação de ativos.
Entre os achados que dão suporte a essa teoria, Andrade, Mitchell e Stafford (2001)
observaram as F&As ocorridas nos anos 90 na tentativa de provar que elas ocorrem em clus-
ters dentro de uma determinada indústria, respondendo a algum choque, no caso do estudo
1 Expressão traduzida do inglês cross-border mergers and acquisitions
Capítulo 2. Revisão Bibliográfica 18
foram desregulamentações, o trabalho apontou que na década de 90 houve um predomínio de

negócios dentro de uma indústria específica, em relação aos anos 70 (47,8% contra 29,9%),
outro apontamento feito pelos autores foi de que a década de 90 apresentou uma preferencia por
transações envolvendo ações. O problema do estudo é que parte dos seus achados também estão
em conformidade com a teoria comportamental, qual seja, a preferência por transações com
ações, e apesar do aumento de negócios dentro de uma indústria específica, eles ainda foram
menos da metade das transações.
Utilizando dados de F&ATRs de 48 países entre 1990 e 2010, Xu (2017) encontrou
que dentro das ondas de F&As essas transações trazem retorno maior que fora das ondas,
analisando ambos o retorno de mercado e o desempenho operacional, mostrando que as ondas de
F&ATRs são eficientes em realocar ativos. o estudo vai na contramão de outros que apontam um
desempenho inferior dentro das ondas (GOEL; THAKOR, 2010; DUCHIN; SCHMIDT, 2013).
Por envolver operações entre países, os gestores precisam levar em conta um maior número de
fatores, como culturais e macroeconômicos (EREL; LIAO; WEISBACH, 2012), diminuindo as
chances de entrar em negócios destruidores de valor.
Apesar das F&As desempenharem um importante papel de estruturação das indústrias
(CHAUDHURI, 2014), a teoria neoclássica só consegue explicar uma parte das ondas (GUGLER;
MUELLER; WEICHSELBAUMER, 2012), ainda que se consiga observar uma resposta via
F&As após uma desregulamentação, por exemplo, a teoria não consegue explicar fusões do tipo
conglomerado, onde uma empresa de um setor compra uma de outro setor, ou a utilização acima
do normal de ações como meios de pagamento durante as ondas.
2.1.1.1 Teoria Q das Fusões
Uma subdivisão da teoria neoclássica é a teoria Q das fusões2 , proposta por Jovanovic e
Rousseau (2002), por essa proposição teórica, as realocações de capital partem das empresas
com maior Q de Tobin3 adquirindo empresas com menor Q de Tobin. Os autores propõem que
esse modelo pode explicar o motivo de uma empresa adquirir outra.
Essas aquisições são um canal por onde os melhores projetos vão para os melhores ges-
tores (JOVANOVIC; ROUSSEAU, 2002). Dessa fora, diante de um choque em uma determinada
indústria, os melhores gestores daquele setor (firmas com maiores Q) fazem ofertas de compra
aos gestores com menor desempenho (firmas com menores Q). Assim, a indústria se torna mais
eficiente para enfrentar a nova realidade do setor. O trabalho ainda encontrou que as ondas são
precedidas de um aumento na dispersão do Q dentro da indústria. Essa teoria poderia explicar as
F&As nos setores de petróleo (REDDY; XIE, 2017; HSU; WRIGHT; ZHU, 2017) e a reestrutu-
ração do setor elétrico europeu após a desregulamentação da indústria (MONASTYRENKO,
2017)
2 q-theory of mergers no original em inglês
3 para maiores detalhes sobre o Q de Tobin, ver Tobin e Brainard (1968) e Tobin(1969)
2.1.2 Teoria Comportamental
A teoria comportamental reúne o corpo de trabalhos que apontam erros de precificação

como causadores das ondas de F&As. Diferente da teoria neoclássica, a teoria comportamental
relaxa o pressuposto de mercados eficientes (GUGLER; MUELLER; WEICHSELBAUMER,
2012). Shleifer e Vishny (2003), observando que cada onda na história era registrada por
suas características, propõem um modelo único onde o mercado é ineficiente ao precificar os
ativos, enquanto os gestores, racionalmente, se aproveitam de momentos de sobreavaliação de
ativos. Algumas das vantagens desse modelo é explicar o motivo da preferência das transações
envolvendo ações durante as ondas de F&As e desses períodos serem precedidos de maiores
preços das ações.
RHODES-KROPF e VISWANATHAN (2004) partindo da hipótese de que a sobrevalori-
zação dos mercados poderiam levar a uma onda, desenvolveram um modelo que, diferentemente
do modelo de Shleifer e Vishny (2003), pressupõe que os agentes são racionais e tomam de-
cisões racionalmente ex-ante, no entanto, devido a períodos de sobrevalorização do mercado,
aumentando assim a probabilidade de uma avaliação errada, as decisões de F&As mostram-se
equivocadas ex-post. O modelo ainda pressupõe que os gestores, de ambos compradores e alvos,
sabem que seus ativos não estão corretamente avaliados, no entanto eles não conseguem precisar
exatamente o quanto errado está a avaliação, por isso tomam decisões equivocadas, pensando
estar maximizando o valor da firma.
Rhodes-Kropf, Robinson e Viswanathan (2005) investigaram a relação entre períodos
de altos market-to-book (M/B) e ondas de F&As e encontraram que esses períodos usualmente
coincidem, especialmente quando as transações são financiadas por ações, outro achado é que
os erros na precificação dos ativos podem indicar quem compra quem durante a onda, entre os
achados empíricos do trabalho, o comprador normalmente possui um M/B 20% maior que o
alvo, 60% do M/B do comprador deve-se a erro de avaliação específico da firma e as transações
por ações são levemente sobreavaliadas em relação as por dinheiro. Inclusive, esse trabalho trás
discussões sobre a própria teoria neoclássica, uma vez que os autores apontam que dentro de
uma indústria, ainda que exista um choque explicando a onda, o comportamento de quem é
comprador e quem é alvo, é explicada pelos erros de avaliação.
Nesse sentido de erros de avaliação, o trabalho de Duchin e Schmidt (2013), utilizando
um modelo GARCH e dados de 1980 a 2009, mostraram que períodos de onda de F&A se
caracteriza por possuir uma maior incerteza e menor qualidade de avaliação dos analistas,
apontando uma volatilidade aproximadamente maior em 4,4% e uma dispersão normalizada das
previsões cerca de 20% maior.
Existe uma série de estudos que focam nas características pessoais do gestores para tentar
explicar seu comportamento nas F&As, podendo até mesmo causar, ou pelo menos ajudar a
propagar e prolongar, uma onda. Nesse campo Goel e Thakor (2010) mediram a importância
da inveja de CEOs nas suas decisões de entrarem em uma operação de F&A, Doukas e Zhang
(2016)4 também analisaram o papel da inveja dos CEOs, observando que quando um gestor
toma uma decisão de adquirir uma empresa, seus concorrentes passam a repetir o gesto, de
forma a não permitir que suas empresas se tornem menor que as concorrentes. Ainda analisando
comportamentos pessoais e decisões de F&A, existem os trabalhos de Elnahas e Kim (2017)
que investigam as preferências políticas e sua influência no comportamento dos CEOs frente as
decisões de F&As, Elnahas, Hassan e Ismail (2017) também investiga a relação entre a religião e
as decisões de F&As dos gestores. Essas pesquisas só reforçam que a racionalidade do modelo
neoclássico é fraco pra explicar o comportamento das ondas.
Apesar das diferentes tentativas de explicar as motivações por trás das ondas, existem
alguns aspectos consensuais na literatura. As ondas de F&As têm coincidido com fortes avanços
no mercado de capitais (GUGLER; MUELLER; WEICHSELBAUMER, 2012; GUGLER et
al., 2012; GOEL; THAKOR, 2010; HALEBLIAN et al., 2012; UDDIN; BOATENG, 2011),
existe um padrão cíclico das ondas, maiores erros de avaliação de ativos, (GOEL; THAKOR,
2010; RHODES-KROPF; ROBINSON; VISWANATHAN, 2005; DUCHIN; SCHMIDT, 2013)
e a observação de maior utilização de ações (SHLEIFER; VISHNY, 2003; RHODES-KROPF;
ROBINSON; VISWANATHAN, 2005; RHODES-KROPF; VISWANATHAN, 2004). Além
disso alguns autores tem observado a ligação das ondas ao otimismo dos agentes, impactando
a forma como eles avaliam os ativos (GUGLER; MUELLER; WEICHSELBAUMER, 2012;
GUGLER et al., 2012; GOEL; THAKOR, 2010)
2.2 Construção da Onda de F&A
O primeiro obstáculo ao se discutir ondas de F&As é como construí-la. Existem na

literatura tentativas de definir uma onda de F&A e classificá-la, desde tentativas mais simples,
observando ano a ano os números de F&As e notícias (DUCHIN; SCHMIDT, 2013), quanto
métodos mais sofisticados utilizando modelos econométricos. Contudo, essa é uma tarefa difícil
de operacionalizar (GÄRTNER; HALBHEER, 2009).
Ravenscraft et al. (1987) tentando provar que a década de 80 passava por uma grande
onda, utilizaram três medidas para a atividade de F&A: Volume de ativos adquiridos nos setores
de manufaturas e mineração, número de transações em todas as indústrias, e o valor das transações
em mineração e manufaturas em relação ao PIB, seguindo a mesma métrica de Golbe e White
(1988), unindo as bases de dados diferentes por meio de uma regressão linear. Essas três medidas
foram regredidas contra quatro dummy que representavam as quatro ondas conhecidas até então, e
encontrou que a atividade nesses períodos é significativamente maior. Esses estudos identificaram
a onda nos anos 80.
4 para mais detalhes sobre a "Hipótese da Inveja do Pagamento do CEO", tradução livre, veja Doukas e Zhang
(2016) e Goel e Thakor (2010)
Town (1992), apontou a falha em aplicar técnicas estatísticas para descobrir a estrutura
das séries temporais dos dados de F&As. Então utilizou o número de transações, sem nenhum
tipo de corte, buscando caracterizar o comportamento univariado da série temporal, linear e não
linear. O modelo linear falhou em captar a estrutura dos dados, enquanto o modelo não linear de
regime de troca de Markov é melhor para descrever o comportamento da série.
Gärtner e Halbheer (2009) utilizaram um modelo Markoviano de trocas de parâmetros5 ,
conseguindo assim uma melhor qualidade na modelagem da série de dados de F&As, encontrando
um padrão de atividade alta em um período e atividade baixa em outro. Contudo dois dos grandes
achados do estudo vai de encontro aos achados de outros autores (RAVENSCRAFT et al., 1987;
GOLBE; WHITE, 1988), o primeiro é que pelo seu modelo os EUA vivenciaram uma grande
onda que vai de 1973 até o segundo semestre de 1995, o segundo achado é que eles encontraram
poucas evidencias para a onda dos anos 80. Entre outros achados do estudo, ele identificou duas
ondas para os dados do Reino Unido e não encontrou coincidências entre as ondas dos dois
países.
Na tentativa de definir uma onda de F&A, Doukas e Zhang (2016) utilizaram a quantidade
de transações mensais, retirando a tendência da série e então comparavam o número de transações
de um determinado mês com a média de transações mensais dos últimos 5 anos, se a diferença
fosse positiva, definia-se aquele mês como uma onda. No entanto, através desse método uma
onda pode acabar sendo definida como um único mês, caso a diferença daquele mês for positiva,
e a do subsequente não for.
2.2.1 A métrica de Harford (2005)
Uma as métricas mais citadas para definir uma onda é a proposta por Harford (2005). O
autor utiliza 24 meses como o período total de uma onda, seguindo Mitchell e Mulherin (1996),
o autor então utiliza 120 meses como período total de investigação e de onde sacará os 24 meses
de maior atividade. Pelo método realiza-se mil simulações com probabilidade 1/120 de uma
operação acontecer em um determinado mês, então observa-se a quantidade total de transações
em cada período acumulado de 24 meses nos dados reais e compara com o quinto percentil de
maior atividade dos dados das simulações, se esses superarem os valores da simulação, o período
é definido como uma onda de F&A.
Haleblian et al. (2012) utilizou o método para investigar as características dos primeiros
entrantes na onda, Duchin e Schmidt (2013) investigaram a incerteza e qualidade dos analistas
durante e fora das ondas, Rhodes-Kropf, Robinson e Viswanathan (2005) utilizaram a métrica
para testar o modelo de erros de avaliação dos ativos.
Já Xu (2017), usou um modelo mais simples para definir a onda. Dentro do período da
amostra (1990-2010), para cada indústria, definiu o pico de atividade como uma onda, o início
5 Model of Markovian Parameter Switching, no inglês
da onda é o ano seguinte ao ano onde as operações equivalem a um terço do pico, o fim da onda
é feito de maneira similar. Como medida de robustez para esse método de definição de onda,
utilizou a métrica de Harford (2005). De forma similar, Doukas e Zhang (2016) não utiliza a
métrica de Harford (2005) mas a cita no seu trabalho.
2.3 Otimismo e Mercado
Uma difícil tarefa no mercado é a precificação de ativos. Em uma F&A o comprador deve
precificar não só o valor de mercado do alvo, como também o valor da sinergia das duas empresas
unidas. Os gestores estão sujeitos à erros de avaliação, sejam eles erros de avaliação do mercado,
erros da indústria e erros na de avaliação da firma (RHODES-KROPF; VISWANATHAN, 2004).
Esses erros de avaliação podem ser determinantes para o sucesso ou fracasso da transação.
Essa tarefa fica particularmente mais complicada em épocas de otimismo no mercado.
De forma geral, em períodos de prosperidade, os preços das ações e P/Ls (Preço/Lucro) são
levados a patamares insustentáveis (GUGLER et al., 2012), dessa forma, não é surpresa encontrar
que períodos de onda de F&As são sucedidos por um crash nos mercados (RHODES-KROPF;
VISWANATHAN, 2004).
Estudando as implicações da confiança dos CEOs para as operações de F&As (MAL-
MENDIER; TATE, 2008) encontraram que gestores super confiantes realizam mais F&As quando
possuem maior quantidade de recursos internos.
Um dos primeiros a propor uma teoria explicando a tomada de decisão do CEO em
uma transação de F&A foi Roll (1986), utilizando a hipótese da Hubris o autor justifica que
os gestores creem que o mercado está precificando errado o ativo, logo, ele superestima sua
capacidade de avaliação e gestão de recursos. É importante notar que essa teoria é consistente
com a eficiência de mercado, o problema então não decorre de um possível problema de agência,
onde o gestor não estaria tomando a melhor decisão para o acionista em detrimento de si, mas
acredita que seu julgamento sobre a negociação é superior ao mercado.
Nesse sentido (RHODES-KROPF; VISWANATHAN, 2004) também propuseram seu
modelo, onde os agentes são racionais, buscam maximizar o valor para o acionista, porém em
períodos de mercados sobreavaliados as chances de ocorrer erros de avaliação aumenta, podendo
levar a ondas de F&As. Esse modelo se opõe, ou amplia, o de Morck, Shleifer e Vishny (1990)
onde os benefícios pessoais do CEO podem interferir na sua decisão em detrimento do acionista.
No entanto esse modelo não explicaria o motivo das F&As acontecerem em ondas.
Todo um segmento de estudos têm sido desenvolvido mostrando que o otimismo e
confiança excessiva dos CEOs tem se mostrado, teórica e empiricamente, importantes drivers
para explicar suas decisões (CAMPBELL et al., 2011). A crença pessoal do gestor de que
sua empresa está sobre ou subavaliada parece direcionar uma grande parte de suas decisões
(MALMENDIER; TATE, 2015), esse comportamento está em linha com estudos da psicologia
que indicam que indivíduos superestimam suas habilidades (DESSÍ; ZHAO, 2018).
24
3 METODOLOGIA
3.1 Dados
O presente trabalho utilizou dados de todas as transações de F&As que ocorreram no

Brasil entre novembro de 2007 até outubro de 2017, período de 120 meses, como utilizado em
Harford (2005). A primeira amostra compreendeu 3269 operações, só foram consideradas as
transações cujo ativo alvo era brasileiro, a fim de investigar a ocorrência de ondas no Brasil. Os
dados das transações foram obtidos a partir da plataforma Bloomberg R
.
Além dos dados das transações, o trabalho utilizou outras variáveis econômicas. Foram
utilizados os dados do spread das operações de crédito não subsidiados para pessoas jurídicas,
disponibilizados no sítio eletrônico do Banco Central do Brasil (BCB), dados do índice da
BOVESPA, os dados foram obtidos do Bloomberg R
e dados sobre o índice de Confiança do
Empresário (ICE), disponibilizado pela Fundação Getúlio Vargas (FGV).
As variáveis foram selecionadas de acordo com trabalhos na área. Como não foram
encontrados trabalhos sobre F&As para o mercado brasileiro, toda a literatura e variáveis foram
retiradas das pesquisas internacionais sobre o tema, foram inseridas dummy representando a
indústria da adquirente, sendo a variável Utilities a base dentro do modelo. O Quadro 1 mostra
as variáveis, descrição e o embasamento teórico para a escolha, as variáveis que não possuem
referência foram inseridas de forma exploratória.
De forma geral, os autores utilizam a definição de setor composto de 48 setores de Fama
e French (1997), enquanto que na pesquisa foi utilizada a definição do Bloomberg R
, com a
diferença que o setor de Construção (Real Estate) foi retirado do setor Financeiro e compôs um
setor a parte, devido a importância do setor no mercado brasileiro.
As pequisas internacionais não costumam utilizar medidas de percepção para medir o
otimismo do mercado. É mais comumente o P/L (GUGLER; MUELLER; WEICHSELBAUMER,
2012; GOEL; THAKOR, 2010; GUGLER et al., 2012) mas também pode-se encontrar o valor
de mercado (GUGLER; MUELLER; WEICHSELBAUMER, 2012), preço do mercado de ações
(GUGLER et al., 2012) e até spread (GUGLER et al., 2012). No entanto a pesquisa utilizou o
Índice de Confiança dos Empresários (ICE), disponibilizado pela FGV, por ser uma medida de
percepção dos agentes econômicos, com isso, espera-se encontrar se o otimismo percebido pelos
agentes pode influenciar suas decisões de F&As.
3.2 Modelo
No estudo foi utilizado um modelo de resposta binária, o LOGIT, uma vez que busca-
se investigar se o aumento da confiança dos agentes de mercado aumenta a probabilidade de
Capítulo 3. Metodologia 25
Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo, bem

como sua descrição e os estudos que a utilizaram. As variáveis que não contém fonte
são as variáveis independentes e as variáveis de controle para a indústria.
Variável Descrição Estudos Anteriores
Dummy - 1 se a operação foi
Onda
realizada dentro de uma onda de MA, 0 se não
Índice de confiança dos
ICE
empresários
ICE - 1 ICE defasado em 1 período
ICE - 2 ICE defasado em 2 períodos
ICE - 12 ICE defasado em 12 periodos
Spread das operações de crédito Harford (2005); Gugler et al.
Spread
para PJ, excluindo operações subsidiadas (2012)
Dummy - 1 se a operação contou
Consultor Bao e Edmans (2009); Hermansson e Song (2016)
com um consultor financeiro
Stock Rhodes-Kropf e Viswanathan (2004); Shleifer e Vishny (2003)
realizada total ou parcialmente com ações
Cross-border Chandhuri (2014); Xu (2017)
cross-border
Rhodes-Kropf, Robison e
LogAT Logarítmo do Ativo Total
Viswanathan (2005);
Rhodes-Kropf e Viswanathan
Price-to-book no final do ano
PB (2004); Rhodes-Kropf, Robison e Viswanathan (2005); Goel e Thankor (2010);
anterior
Haleblian et al. (2012)
EBITDA EBITDA no ano anterior
Rhodes-Kropf, Robison e
Alavancagem Alvancagem no ano anterior
Viswanathan (2005);
QTOB Q de tobin no ano anterior Jovanovic e Rousseau (2003)
Shleifer e Vishny (2003); Harford
LogIBOV Logarítmo do IBOV
(2005); Goel e Thankor (2010); Gugler et al. (2012)
Basic
Dummy - 1 se do setor de materiais básicos
Materials
Communications Dummy - 1 se do setor de comunicações
Consumer,
Dummy - 1 se do setor de consumo cíclico
Cyclical
Consumer,
Dummy - 1 se do setor de consumo não cíclico
Non-cyclical
Diversified Dummy - 1 se atua em diversos setores
Energy Dummy - 1 se do setor de energia
Financial Dummy - 1 se do setor financeiro
Real
Dummy - 1 se do setor de construção
Estate
Industrial Dummy - 1 se do setor industrial
Technology Dummy - 1 se do setor de tecnologia
Utilities Dummy - 1 se do setor de utilidade pública
Fonte: Elaborado pelo Autor
ocorrência de uma onda de F&A. Em um modelo de resposta binária procuramos a probabilidade

de resposta y dado um conjunto x de variáveis explicativas (WOOLDRIDGE, 2006), como
mostrado na Equação 1
P(y = 1|x) = P(y = 1|x1 , X2 , ..., xk ) (1)
Poderia então ser utilizado um modelo de regressão típico, com a variável dependente
binária, chamado Modelo de Probabilidade Linear (MPL) (GUJARATI; PORTER, 2011). O
problema de utilizar o MPL é ele assumir a relação linear entre a probabilidade de resposta y
e as variáveis explicativas x. Além disso o MPL pode retornar probabilidades maiores que 1 e
menores que 0.
Para contornar esses problemas, precisaríamos de um modelo que, apesar de ser linear
em x, a probabilidade y não é, e seu intervalo deve permanecer entre 0 e 1. conforme mostrado

na Equação 2
P(y = 1|x) = G(β0 + β1 x1 + ... + βk xk ) (2)
Onde os betas são lineares, mas a função G não. A função não linear G que utilizaremos
no presente trabalho é a função logística, mostrada na equação 3
exp(z)
G(z) = = Λ(z) (3)
1 + exp(z)
A função G assume valores entre zero e um (0 < G( z) < 1), para todos os valores z reais
(WOOLDRIDGE, 2006). A figura 2 mostra um exemplo do gráfico da função logística.
Figura 2 – Gráfico da função logística: A figura apresenta a ilustração do gráfico da função

logística. Nota-se que quanto mais negativo o eixo horizontal se apresenta, a função
de distribuição tende a 0, enquanto que para o lado positivo, ela tende a 1.
Fonte: Desenvolvido pelo autor
O gráfico mostra claramente que quando z → −∞, o G(z) → 0, o contrário também

é verdadeiro, quando o z → +∞, G(z) → 1. Dessa forma contornamos os dois problemas
encontrados no MPL.
No presente trabalho, o y = 1 significa que a transação k foi realizada em um período de
onda de FA, dados as variáveis de controle x, o y − 0 significa que a transação não ocorreu em
um período de onda de F&A. Conforme mostra a Equação 4.
P(y = 1|x) = G(β0 + β ICE + β controle) (4)
Onde,
• β0 é o intercepto
• β ICE é a variável independente Índice de Confiança do Empresário
• β controle são as variáveis de controle
3.3 Método
O primeiro passo para a realização do trabalho foi a coleta dos dados. os dados das
transações, bem como do IBOVESPA foram obtidos através da plataforma Bloomberg R
. OS
dados do spread, contendo apenas operações de crédito para PJs e excluindo as operações
subsidiadas, foram coletados no sistema gerador de séries históricas do BCB.
Paca captar o efeito do otimismo, foi coletado o dado do ICE com ajuste sazonal, dispo-
nibilizado pela FGV. Contudo a série ICE utilizada entrou em vigência em 2001, a série antiga
tinha uma classificação de atividades diferente e foi descontinuada, no entanto, as diferenças
entre as séries são discretas (FGV, 2017?). Ainda assim, de forma a melhor ajustar os dados, foi
feita uma regressão linear entre as duas séries, procedimento parecido com o feito em Ravenscraft
et al. (1987) para trabalhar com séries diferentes.
O segundo passo foi definir o que seria uma onda de F&A. Existem tentativas de
sistematizar e definir uma onda de F&A, o presente trabalho optou por utilizar a definição
de Harford (2005), tendo sido utilizado de forma satisfatória em outros trabalhos empíricos
(HALEBLIAN et al., 2012; BOYSON; GANTCHEV; SHIVDASANI, 2017; BARROWS, 2017;
CORTéS; AGUDELO; MONGRUT, 2017), também tendo sido utilizado como medida alternativa
para testar a robustez dos resultados no trabalho de Xu (2017), bem como lembrado por outros
trabalhos (DOUKAS; ZHANG, 2016; MORAN, 2017). Assim como Harford (2005) utilizamos
a definição de 24 meses como o período de uma onda de F&A, proposto por Mitchell e Mulherin
(1996). A metodologia completa de Harford (2005) está descrita no Capítulo 2 do presente
trabalho.
A terceira etapa foi realizar a análise das estatísticas descritivas das variáveis nos períodos
de onda de F&A e fora delas. Logo em seguida, foi realizada uma análise do impacto do otimismo
dos agentes de mercado na probabilidade de ocorrência de uma onda de F&A, de modo a avaliar
se o otimismo pode ser um drive para explicar a ocorrência das ondas.
Uma vez que os erros estocásticos do modelo LOGIT podem ser considerados heteroce-
dásticos (GUJARATI; PORTER, 2011), utilizou-se uma estimação robusta à heterocedasticidade,
garantindo assim que os erros são homocedásticos.
Foram testados modelos para vários lags. Mais especificamente, a variável independente
ICE foi testada de forma contemporânea, uma vez que o índice capta não somente o sentimento
em relação ao futuro, mais também o otimismo com o presente, bem como uma, duas, três, seis
e doze períodos defasados, para observar o poder do índice de captar o otimismo em relação ao
futuro. As demais variáveis de controle foram mantidas em todos os modelos.
No momento seguinte, foram realizadas as análises de efeito marginal médio e odds ratio,
além disso foi feito os testes de ajuste do modelo. Foi realizado o teste de Wald para verificar se
os parâmetros são significativos, também foi verificada a estatística da razão de verossimilhança
(WOOLDRIDGE, 2006), para reforçar o teste de Wald.
Foi verificada também a capacidade de predição do modelo. O teste foi realizado para
verificar o quanto o modelo é capaz de prever corretamente as respostas.
29
4 RESULTADOS
4.1 Tratamento dos Dados
Inicialmente, foram coletados dados de 3269 fusões e aquisições, cujo alvo são empresas
brasileiras. Todas as transações foram consideradas para construir a onda de F&A, procedimento
detalhado na seção 4.2.
O primeiro filtro realizado foi a exclusão das transações que não continha informação
sobre a forma de pagamento, após isso, eliminou-se as operações que não possuíam o valor do
ativo total, as que não possuíam dados para o M/B, o EBTIDA, alavancagem e, por fim, para o Q
de Tobin. No final restaram 1033 F&As, sendo 306 ocorrendo em períodos de onda, o Quadro 2
mostra o processo de filtro dos dados e os percentuais de transações ocorrendo em onda em cada
uma das etapas da filtragem, mostrando que o percentual permaneceu estável.
Quadro 2 – Processo de Filtragem dos Dados: O quadro apresenta cada uma das etapas do
processo de tratamento dos dados realizado, com o número de transações após cada
etapa e a porcentagem de operações que ocorreram dentro da onda de F&A após
aplicar o filtro.
Filtro No transações Negócios em ondas

Todos os dados 3269 29,89%
Tipo de pagamento 2060 30,00%
Ativo Total 1370 29,64%
PB 1169 30,37%
EBITDA 1055 29,57%
Alavancagem 1042 29,85%
Q de tobin 1033 29,62%
Fonte: Elaborado pelo Autor
4.2 Onda de Fusão e Aquisição
A segunda etapa do estudo foi a análise da existência de ondas de fusão e aquisição,

seguindo a metodologia de Harford (2005). Para construir a onda, as transações foram agrupadas
em meses, gerando um total de 120 meses. O escopo da metodologia já foi apresentado na seção
2.2, subseção 2.2.1, do capítulo 2.
Ao realizar as simulações como em Harford (2005), encontrou-se que dentro da distribui-
ção de frequência do total de F&As em cada período de 24 meses, 5% das distribuições com
Capítulo 4. Resultados 30
maior quantidade de transações foi de 804 F&As. Dessa forma se em determinado período de 24
meses o total de transações for superior a 804, aquele período de 24 meses será definido como
uma onda de F&A.
A Figura 3 mostra a distribuição de frequência do número total de operações de F&A
para cada período de 24 meses para os dados reais de transações de F&As.
Figura 3 – Acumulado de 24 meses das transações de F&A: O total de transações para cada
período acumulado de 24 meses entre novembro de 2007 até outubro de 2017.
Pode-se observar que uma pequena porção da distribuição está acima das 804 transações
da simulação. Mais especificamente, das 97 distribuições, 25 estão acima desse limite, corres-
pondendo a cerca de 25% do período. Para dar uma perspectiva temporal, a Figura 4 mostra a
quantidade de transações por mês, durante todo o período.
Figura 4 – Quantidade de F&As por mês: O número total de F&As por mês entre novembro de
2007 e outubro de 2017.

O período de maior atividade dentro do acumulado dos 24 meses, vai do final de 2009
até o final de 2013. Durante todo esse período o acumulado ficou acima das 804 transações,
somando 48 meses, o que dá cerca de 40% do total de período acumulando mais de 50% das
transações, 1654 das 3269 operações. Esse número é menor do que o observado por Mitchell
e Mulherin (1996), que no seu estudo encontrou que um quarto do tempo acumula 50% das
operações.
A partir da observação da Figura 4 percebe-se que o período final de 2009 até cerca
do primeiro trimestre de 2012, ocorreu uma concentração da atividade de F&A. Não a toa é
nesse período que se encontra o pico da atividade. Entre dezembro de 2010 e novembro de
2012 foi o período acumulado de maior atividade de F&A, um total de 977 operações, ou cerca
de 30% do total de transações, fato também apontado por empresas especializadas no assunto
(KPMG, 2018). Toda operação que ocorreu dentro desse período apresenta a variável ONDA =
1, representando que ocorreu dentro de uma onda de F&A.
4.3 Estatísticas Descritivas
A Tabela 1 mostra a média, desvio padrão e o número de observação das variáveis do

modelo. Pode-se observar que cerca de 30% das observações acontecem em períodos de onda,
a confiança média gira em torno de 100 pontos em todos os lags, um quarto das operações
contaram com consultores, 12% foram financiadas total ou parcialmente por ações e metade são
de operações entre países. Dentro dos setores, a maior parte das operações são de empresas do
setor de consumo não cíclico, composto por empresas de produção e processamento de alimentos
e pescados.
A Tabela 2, por sua vez, mostra as estatísticas descritivas das transações que ocorreram
dentro e fora da onda, bem como a variação entre eles.
As operações fora da onda, no geral, ocorrem em períodos de confiança menor. As
variáveis spread e stock, apesar da pequena diferença, são diferentes do que a literatura aponta
(HARFORD, 2005; RHODES-KROPF; VISWANATHAN, 2004). Além disso, M/B possui uma
diferença muito grande diferente do que se esperaria que acontecesse (HALEBLIAN et al., 2012;
SHLEIFER; VISHNY, 2003). O Q de Tobin também é menor em períodos de onda, ao contrário
do que aponta a literatura (JOVANOVIC; ROUSSEAU, 2002).
4.4 Análise dos Resultados
A primeira etapa da análise dos dados foi a estimação dos modelos. A Tabela 3 mostra o
resultado da estimação para todos os modelos. O modelo de I a VI significam, respectivamente,
o ICE contemporâneo, ICE com uma defasagem, com duas, com três, com seis e com doze. Os
modelos foram testados a fim de captar o impacto do efeito do otimismo ao longo do tempo.
Importante ressaltar que uma vez que no modelo LOGIT deve-se assumir a heterocedasticidade
Tabela 1 – Estatísticas Descritivas das variáveis: As estatísticas descritivas de cada variável do modelo.
Onda é a dummy que indica se a transação ocorreu em período de onda de F&A ou não,
ICE é o índice de confiança o empresário, ICE-1 a ICE-12 indica o índice de confiança com
defasagens de 1,2,3,6 e 12 lags, as outras variáveis são controles para as características das
transações e indústria a qual pertence a adquirente.
Variáveis Média Desvio padrão Obs

Onda 0.30 0.46 1033
ICE 100.20 12.92 1033
ICE-1 100.54 12.74 1033
ICE-2 100.75 12.67 1033
ICE-3 100.99 12.77 1033
ICE-6 101.11 12.98 1033
ICE-12 101.72 12.60 1033
Spread 0.14 0.02 1033
Consultor 0.25 0.44 1033
Stock 0.12 0.32 1033
Cross-border 0.51 0.50 1033
LogAT 3.72 0.94 1033
P/B 10.64 139.75 1033
EBITDA 4029.80 11343.05 1033
Alavancagem 3.90 10.03 1033
QTOB 3.16 34.57 1033
LogIBOV 4.75 0.07 1033
Basic Materials 0.12 0.32 1033
Communications 0.06 0.24 1033
Consumer, Cyclical 0.08 0.27 1033
Consumer, Non-cyclical 0.27 0.44 1033
Diversified 0.01 0.11 1033
Energy 0.06 0.23 1033
Financial 0.04 0.21 1033
Real Estate 0.12 0.32 1033
Industrial 0.10 0.31 1033
Technology 0.06 0.24 1033
Utilities 0.07 0.26 1033
Fonte: Desenvolvido pelo Autor
Tabela 2 – Estatísticas Descritivas e Diferença Entre Operações Dentro e Fora da Onda de F&A:
A Tabela mostra as estatísticas descritivas das operações de F&As dentro e fora da
onda e a diferença, em número e percentual, entre elas.
Onda Fora da Onda
Variáveis ∆ ∆%
Média Desvio Padrão Média Desvio Padrão
ICE 106.21 3.15 97.68 14.54 8.53 8.74%
ICE-1 106.62 3.34 97.99 14.29 8.63 8.81%
ICE-2 106.98 3.47 98.13 14.14 8.86 9.03%
ICE-3 107.39 3.54 98.30 14.21 9.09 9.25%
ICE-6 108.68 3.49 97.92 14.14 10.76 10.99%
ICE-12 111.04 2.68 97.80 13.06 13.25 13.55%
Spread 0.15 0.01 0.14 0.02 0.01 6.41%
Consultor 0.26 0.44 0.25 0.43 0.01 2.56%
Stock 0.11 0.44 0.12 0.33 -0.02 -12.89%
Cross-border 0.47 0.50 0.53 0.50 -0.06 -10.52%
LogAT 3.65 0.90 3.75 0.96 -0.10 -2.77%
PB 3.48 11.76 13.65 166.36 -10.17 -74.50%
EBITDA 3172.46 9846.06 4390.67 11904.93 -1218.21 -27.75%
Alavancagem 2.95 6.10 4.31 11.26 -1.36 -31.50%
QTOB 1.84 1.49 3.72 41.20 -1.88 -50.59%
LogIBOV 4.82 0.03 4.72 0.07 0.09 2.01%
Basic Materials 0.11 0.31 0.12 0.33 -0.01 -9.24%
Communications 0.03 0.18 0.08 0.26 -0.04 -56.80%
Consumer, Cyclical 0.07 0.25 0.08 0.27 -0.01 -15.44%
Consumer, Non-cyclical 0.28 0.45 0.26 0.44 0.02 8.79%
Diversified 0.00 0.06 0.02 0.12 -0.01 -78.40%
Energy 0.08 0.26 0.05 0.22 0.02 47.69%
Financial 0.03 0.16 0.05 0.22 -0.03 -49.98%
Real Estate 0.15 0.36 0.10 0.31 0.05 46.93%
Industrial 0.13 0.34 0.09 0.29 0.04 45.39%
Technology 0.04 0.20 0.07 0.26 -0.03 -39.44%
Utilities 0.07 0.25 0.07 0.26 -0.01 -7.61%
Obs 306 727
(WOOLDRIDGE, 2006; GUJARATI; PORTER, 2011), foi utilizado o modelo com erros-padrão
robusto.
Os resultados mostrados na Tabela 3 apontam que em todos os modelos, a variável
independente ICE é significativa e tem sinal positivo. O achado vai no sentido do trabalho de
Gugler et al. (2012), onde o otimismo pode levar a uma onda de F&A, o autor, no entanto, advoga
que o otimismo leva os gestores a avaliar ativos de forma errada, ou ainda, sob a ótica da teoria da
gestão, os gestores se aproveitam dessa época de euforia antecipando que o mercado responderá
positivamente a anúncios de F&A, dessa forma, o trabalho utiliza o P/L e o spread como proxy
pra otimismo. Utilizando a percepção dos agentes, consegue-se isolar o sentimento do gestor em
relação ao mercado atual e seu futuro, especialmente no mercado brasileiro, marcado por um
mercado de capitais menor e mais concentrado. Além disso Gugler, Mueller e Weichselbaumer
(2012) também levantou o otimismo como uma variável importante para explicar a existência de
onda de F&A e encontrou que os picos das ondas coincidem com os booms no mercado de ações
Tabela 3 – Resultado dos Modelos Estimados: Os coeficiente do modelo estão em cima, entre
parênteses estão os erros-padrão robustos. Os modelos de I a VI correspondem a
variável ICE contemporânea e nos lags 1, 2, 3, 6 e 12, respectivamente. A variável
de interesse foi significante em todos os lags, assim como as variáveis de controle
Spread e LogIBOV.
Onda I II III IV V VI
-209.30*** -204.80*** -201.84*** -199.35*** -192.55*** -165.66***
Intercept
(16.50) (16.28) (15.84) (15.51) (16.05) (17.43)
0.12*** 0.10*** 0.09*** 0.07*** 0.07*** 0.18***
ICE
(0.01) (0.01) (0.01) (0.01) (0.01) (0.02)
35.25*** 34.33*** 30.93*** 28.89*** 24.02*** 17.96***
Spread
(6.175) (6.16) (5.99) (5.87) (5.55) (6.23)
0.18 0.09 0.04 0.00 0.03 -0.14
Consultor
(0.27) (0.27) (0.27) (0.27) (0.26) (0.26)
-0.70* -0.60* -0.56 -0.60* -0.78** -0.74**
Stock
(0.37) (0.36) (0.36) (0.35) (0.35) (0.35)
0.21 0.21 0.18 0.16 0.19 0.27
Cross-border
(0.24) (0.24) (0.23) (0.23) (0.23) (0.23)
-0.04 -0.04 -0.05 -0.06 -0.08 0.05
LogAT
(0.17) (0.16) (0.16) (0.15) (0.15) (0.15)
-0.01 -0.01 -0.01 0.00 0.00 -0.01
PB
(0.01) (0.01) (0.01) (0.01) (0.01) (0.01)
0.00 0.00 0.00 0.00 0.00 0.00
EBITDA
(0.00) (0.00) (0.00) (0.00) (0.00) (0.00)
-0.02 -0.02 -0.02 -0.02 -0.02 -0.01
Alavancagem
(0.02) (0.01) (0.01) (0.01) (0.02) (0.01)
-0.06 -0.09 -0.10*** -0.10* -0.09* -0.07
QTOB
(0.05) (0.06) (0.06) (0.06) (0.05) (0.05)
40.11*** 39.44*** 39.24*** 39.10*** 37.94*** 29.82***
LogIBOV
(3.42) (3.38) (3.30) (3.26) (3.46) (3.71)
-0.30 -0.01 0.20 0.29 0.23 0.52
Basic Materials
(0.48) (0.47) (0.47) (0.48) (0.46) (0.45)
-0.53 -0.17 0.10 0.12 -0.13 -0.18
Communications
(0.48) (0.50) (0.53) (0.53) (0.52) (0.54)
-0.13 0.15 0.32 0.37 0.27 0.60
Consumer, Cyclical
(0.49) (0.48) (0.49) (0.50) (0.49) (0.50)
Consumer, 0.03 0.33 0.49 0.55 0.43 0.69*
Non-cyclical (0.38) (0.37) (0.39) (0.41) (0.39) (0.40)
-2.76** -2.41** -2.13** -1.99* -1.97* -2.28**
Diversified
(1.19) (1.13) (1.07) (1.03) (1.07) (1.07)
0.57 0.96 1.20** 1.24** 1.11* 1.62***
Energy
(0.66) (0.65) (0.64) (0.63) (0.60) (0.56)
-0.71 -0.43 -0.23 -0.14 -0.21 0.15
Financial
(0.69) (0.66) (0.67) (0.66) (0.62) (0.61)
0.52 0.78* 0.96** 1.01** 0.84* 1.19**
Real Estate
(0.47) (0.47) (0.48) (0.48) (0.46) (0.47)
0.34 0.61 0.80 0.87* 0.73 1.12**
Industrial
(0.47) (0.47) (0.49) (0.49) (0.47) (0.48)
0.15 0.45 0.63 0.67 0.53 0.85
Technology
(0.61) (0.59) (0.60) (0.61) (0.62) (0.68)
Obs 1033 1033 1033 1033 1033 1033
Pseudo R2 0.57 0.55 0.54 0.53 0.51 0.53
AIC 588.906 604.691 621.632 636.382 653.474 630.259
BIC 697.591 713.376 730.317 745.067 762.159 738.944
Wald test 280.19*** 276.62*** 286.71*** 297.52*** 324.25*** 245.41***
* significante a 10%, ** significante a 5% e *** significante a 1%
e P/L, utilizados para medir otimismo.

O spread também foi significante em todos os modelos. Diferente do que aponta Harford
(2005) um aumento no spread está associado a um maior probabilidade de ocorrer uma onda de
F&A, Esse fenômeno pode ocorrer devido ao fato de o mercado brasileiro possuir uma grande
participação de crédito subsidiado pelo BNDES, e o spread inserido no modelo exclui esse tipo
de operação de crédito, ao mesmo tempo, períodos de otimismo estão relacionados a mercados
em alta (GOEL; THAKOR, 2010), que pode levar a períodos de altas de juros, aumentando
o custo do crédito, logo, devido a idiossincrasias próprias do mercado brasileiro, poderíamos
observar esse fenômeno. Existem ainda trabalhos que utilizam o spread como forma de medir o
otimismo (GUGLER et al., 2012), contudo, devido ao mesmo fenômeno anteriormente levantado
talvez não fosse uma boa proxy para o país.
A variável stock mostrou-se significante em quase todos os modelos. Apenas no lag
2 não foi significante, os dados ainda mostram um impacto negativo, ao contrário do que a
literatura internacional aponta (RHODES-KROPF; VISWANATHAN, 2004; GUGLER et al.,
2012), apesar de alguns estudos apontarem que nem todas as ondas apresentam esse meio
de pagamento como o principal (ANDRADE; MITCHELL; STAFFORD, 2001; SHLEIFER;
VISHNY, 2003). O fato de mercado de capitais brasileiro ainda ser pequeno, composto por
poucas empresas, acessível apenas aquelas com um porte maior, pode explicar o comportamento
da variável, a Tabela 1 mostra que apenas 12% dos negócios envolveram ações, o que reforça a
hipótese.
O Q de Tobin foi significante nos lags 2,3 e 6, com o sinal negativo, como a Tabela
2 mostra, o Q de Tobin da amostra é alto no período fora da onda, na contramão da hipótese
levantada pela teoria q das F&As (JOVANOVIC; ROUSSEAU, 2002), talvez firmas com maior
eficiência de investimentos, ou seja, q de tobin em volta do 1, sejam mais propensas a realizar
aquisições. O IBOV foi significativo, apresentando um impacto positivo, apontando que um
mercado maior aumenta a probabilidade de uma ocorrência de uma onda, esse achado está em
consonância com diversas pesquisas empíricas (RHODES-KROPF; VISWANATHAN, 2004;
HARFORD, 2005; HALEBLIAN et al., 2012; GOEL; THAKOR, 2010; SHLEIFER; VISHNY,
2003)
Entre as variáveis referentes a indústria, apenas diversified foi significativo em todos
os modelos, a variável representa negócios em várias indústrias diferentes, contudo, em alguns
lags a indústria de energia e construção foram significantes. Essas últimas variáveis dão suporte
a teoria neoclássica, onde choques na indústria podem levar a ondas de F&As (ANDRADE;
MITCHELL; STAFFORD, 2001; CHAUDHURI, 2014), contudo, ainda que se leve em conta
a importância dos choques na indústria, outros fatores devem estar presentes para a onda
ocorrer, como a expectativa dos agentes do mercado, indicada nos resultados (HARFORD, 2005;
RHODES-KROPF; VISWANATHAN, 2004).
Olhando para o Pseudo R2 e os Critérios de Informação, AIC e BIC, o melhor modelo é
o I, ainda que se discuta a defasagem das variáveis, o ICE não capta exclusivamente o sentimento
em relação ao futuro, mas também em relação ao presente, apenas no lag 12 o modelo volta a
melhorar seu ajuste. O teste de Wald foi significativo em todos os modelos, indicando que as
variáveis são conjuntamente significantes para explicar a probabilidade de ocorrência da onda.
Além disso, para medir a eficácia dos modelos, a Tabela 4 mostra a capacidade de predição de
cada um.
Tabela 4 – Percentual de Acerto do Modelo: A tabela apresenta o poder preditivo do modelo. O

modelo com maior força foi o modelo I, cujo o ICE não é defasado
I II III IV V VI
Acerto Total (%) 89.74% 88.87% 87.51% 86.83% 85.87% 88.00%
Acertos Positivos (%) 84.01% 81.73% 78.46% 77.07% 75.16% 79.17%
Acertos Negativos (%) 92.02% 91.80% 91.41% 91.10% 90.63% 91.82%
O modelo I apresenta a maior capacidade de predição, com uma taxa de acerto geral
próximo a 90%, mantendo acima dos 80% mesmo para os acertos positivos, onde a dummy onda
é igual a 1, cuja observações são em menor número, portanto, mais fácil do modelo errar. Ao
avançar a defasagem, o poder de predição dos modelos diminui, em especial os acertos positivos,
o que reforça a superioridade do primeiro modelo.
Uma das desvantagem do LOGIT em relação aos modelos lineares, é que a interpretação
dos seus coeficientes não é feita de forma direta. No LOGIT, o coeficiente angular dá a variação
no logaritmo das chances a uma variação unitária na variável (GUJARATI; PORTER, 2011).
Para um entendimento mais claro pode-se calcular o efeito marginal médio, como mostrado na
tabela 5.
O efeito de uma unidade a mais no índice de confiança aumenta a probabilidade de
acontecer a onda em cerca de 1% . O efeito vai diminuindo conforme aumenta o lag, somente
no último o efeito volta a subir, todos os modelos foram significantes. O spread também foi
significativo em todos os modelos, o aumento de uma unidade nessa variável corresponde a
100%, portanto para ter uma ideia melhor, se aumentarmos 0.01 unidades da variável, significa
um aumento na probabilidade de 2,35%.
Utilizar ações na transação diminui a probabilidade de acontecer uma onda em cerca de
3,8%. A variável que mais afeta a probabilidade de ocorrência de uma onda de F&A é o IBOV, o
aumento de 1% no índice aumenta a probabilidade de ocorrência de uma onda em 2,67%.
Apesar de mais didático e fácil entendimento, o efeito marginal médio possui alguns
problemas na sua interpretação. Se utilizamos variáveis discretas, por exemplo, existe problema
na sua interpretação uma vez que só valerá para uma parte da amostra e não para o indivíduo
médio da amostra (WOOLDRIDGE, 2006). Pode-se utilizar também outra métrica, a razão de
Tabela 5 – O Efeito Marginal Médio das Variáveis do Modelo: Apesar de significante, o efeito
do aumento de uma unidade no ICE aumenta levemente a probabilidade de ocorrência
de uma onda de F&A, a variáel Spread, por outro lado, tem um aumento mais
considerável, ainda que seja necessário levar em conta que o aumento de uma unidade,
no caso dessa variável, corresponda a um aumento de 100% no Spread.
Variáveis I II III IV V VI
0.008*** 0.007*** 0.006*** 0.005*** 0.005*** 0.008***
ICE
(0.001) (0.001) (0.001) (0.001) (0.001) (0.002)
2.349*** 2.311*** 2.128*** 2.053*** 1.696*** 0.826**
Spread
(0.013) (0.602) (0.568) (0.544) (0.482) (0.402)
0.013 0.006 0.003 0.000 0.002 -0.006
Consultor
(0.020) (0.019) (0.019) (0.019) (0.019) (0.011)
-0.038** -0.034* -0.033* -0.035** -0.043*** -0.027**
Stock
(0.016) (0.017) (0.018) (0.017) (0.016) (0.011)
0.014 0.014 0.012 0.011 0.014 0.012
Cross-border
(0.016) (0.016) (0.016) (0.017) (0.017) (0.011)
-0.003 -0.003 -0.004 -0.005 -0.006 0.002
LogAT
(0.011) (0.011) (0.011) (0.011) (0.011) (0.007)
-0.001 0.000 0.000 0.000 0.000 0.000
PB
(0.001) (0.001) (0.001) (0.001) (0.001) (0.000)
0.000 0.000 0.000 0.000 0.000 0.000
EBITDA
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
-0.001 -0.001 -0.001 -0.001 -0.001 0.000
Alavancagem
(0.001) (0.001) (0.001) (0.001) (0.001) (0.001)
-0.004 -0.006 -0.007* -0.007* -0.007* -0.003
QTOB
(0.004) (0.004) (0.004) (0.004) (0.004) (0.002)
2.673*** 2.655*** 2.699*** 2.778*** 2.679*** 1.371***
LogIBOV
(0.347) (0.354) (0.353) (0.348) (0.328) (0.265)
As variáveis da indústrias foram omitidas, por não fazerem sentido para a análise
chances, podemos descrevê-la como na Equação 5.
Pi 1 + expZi
= = expZi (5)
1 − Pi 1 + exp−Zi
Onde:
Pi é a probabilidade do evento acontecer;
1 − Pi é a probabilidade do evento não acontecer.
A razão de chances da uma ideia das chances de ocorrência do evento com a mudança de
uma unidade na variável (WOOLDRIDGE, 2006). A Tabela 6 mostra a razão de chances para a
amostra.
Tabela 6 – Razão de Chances Estimada do Modelo: A variável independente ICE foi significante
em todos os lags mostrando que cada variação positiva no ICE aumenta a proba-
bilidade de ocorrência de uma onda. As variáveis de controle Spread e LogIBOV
também são significantes e positivos.
Variáveis I II III IV V VI
1.124*** 1.109*** 1.091*** 1.075*** 1.070*** 1.194***
ICE
(0.013) (0.012) (0.011) (0.010) (0.012) (0.027)
2.04E+15 *** 8.12E+14 *** 2.72E+13 *** 3.54E+12 *** 2.70E+10 *** 6.29E+07 ***
Spread
(1.26E+16) (5.00E+15) (1.63E+14) (2.08E+13) (1.50E+11) (3.92E+08)
1.199 1.091 1.038 1.001 1.027 0.868
Consultor
(0.325) (0.290) (0.278) (0.267) (0.267) (0.221)
0.493* 0.547** 0.569 0.552* 0.460** 0.475**
Stock
(0.180) (0.200) (0.203) (0.191) (0.162) (0.168)
1.233 1.229 1.194 1.176 1.213 1.304
Cross-border
(0.295) (0.290) (0.277) (0.272) (0.280) (0.300)
0.958 0.958 0.948 0.938 0.919 1.048
LogAT
(0.161) (0.157) (0.149) (0.144) (0.140) (0.162)
0.992 0.994 0.995 0.996 0.997 0.993
PB
(0.008) (0.008) (0.008) (0.008) (0.009) (0.006)
1.000 1.000 1.000 1.000 1.000 1.000
EBITDA
(0.000) (0.000) (0.000) (0.000) (0.000) (0.000)
0.985 0.984 0.984 0.984 0.983 0.993
Alavancagem
(0.015) (0.014) (0.014) (0.014) (0.015) (0.013)
0.942 0.916 0.905 0.901* 0.912* 0.932
QTOB
(0.051) (0.052) (0.051) (0.050) (0.050) (0.048)
2.65E+17 *** 1.35E+17 *** 1.10E+17 *** 9.53E+16 *** 3.00E+16 *** 8.94E+12 ***
LogIBOV
(9.05E+17) (4.54E+17) (3.62E+17) (3.11E+17) (1.04E+17) (3.31E+13)
As variáveis da indústrias foram omitidas, por não fazerem sentido para a análise
A cada variação positiva de uma unidade no ICE, aumenta 12% as chances de ocorrência
de uma transação dentro de uma onda de F&A que fora dela, estatisticamente significante, para
o modelo I. As variáveis spread e IBOV possuem o coeficiente de razão de chances (RC) muito
alto e estatisticamente significante, esse fato acontece quando o denominador fica muito próximo
a zero, essa é uma das dificuldades de se trabalhar com a RC, contudo o resultado indica que o
aumento nessas variáveis, aumenta as chances de ocorrer uma transação dentro de um período
de onda que fora.
A variável stock diminui em cerca de 50% as chances de ocorrência de uma transação
quando utilizada ações dentro de uma onda.
39
5 CONCLUSÕES
O presente trabalho procurou investigar as relações entre o otimismo dos agentes econô-
micos e as ondas de F&As. Esse ainda é um campo muito profícuo nas finanças, sendo explorado
por um número ainda pequeno de pesquisadores e, no geral, em mercados desenvolvidos, quase
sempre EUA e Inglaterra. Portanto buscou-se, a partir de dados brasileiros, explorar a relação do
otimismo com as ondas de F&As.
O estudo utilizou o Índice de Confiança dos Empresários para medir o otimismo, sendo
esse um índice de percepção do mercado sobre a situação atual e futura da economia (FGV,
2017?). Os achados vão em consonância com os estudos que incluíram o otimismo no modelo
(GUGLER; MUELLER; WEICHSELBAUMER, 2012; GOEL; THAKOR, 2010; GUGLER et al.,
2012), com a diferença que a presente pesquisa utilizou uma medida de percepção, encontrando
uma relação positiva e significativa entre o otimismo e a probabilidade de ocorrência de ondas de
F&As. Além disso, ao defasar a variável que mede o otimismo em até 12 períodos, manteve-se o
resultado positivo e significante, apesar de diminuir o efeito com o tempo.
As variáveis spread e IBOV, que medem respectivamente o spread bancário para ope-
rações de crédito pessoa jurídica e o índice da BOVESPA, foram as que tiveram maior efeito
nas probabilidades de ocorrência de onda. O spread teve um efeito negativo, ao contrário do
que a bibliografia aponta (GUGLER et al., 2012; HARFORD, 2005), isso pode ser devido ao
fato dos dados coletados não incluírem as operações de crédito subsidiadas, podendo ser alvo
de investigações futuras. O índice de mercado mantém uma relação bastante positiva com a
probabilidade de ocorrência de uma onda, da mesma forma que encontrado por vários estudos
(RHODES-KROPF; VISWANATHAN, 2004; HARFORD, 2005; GOEL; THAKOR, 2010;
GUGLER et al., 2012; XU, 2017).
Contudo o uso de ações nas transações apresentaram impacto negativo nas probabilidades,
divergindo dos estudos internacionais (SHLEIFER; VISHNY, 2003; GUGLER et al., 2012).
Esse achados podem ser explicado quando leva-se em conta que o mercado de capitais brasileiro
ainda é pequeno, composto por pequenas empresas e, no geral, de porte maior. Nos dados do
estudo apenas 12% das transações utilizaram ações no negócio, em comparação, no estudo de
Andrade, Mitchell e Stafford (2001) na década de 90, 70% das F&As do mercado americano
utilizaram ações na transação, e desde a década de 70, quase 60% utilizaram, ou seja, o mercado
norte americano, bem como outros maiores, são mais maduros e desenvolvidos que o brasileiro.
O Q de Tobin foi significante em alguns lags somente, com um impacto negativo na
probabilidade, o que contraria a teoria Q das fusões e aquisições (JOVANOVIC; ROUSSEAU,
2002). É preciso observa, todavia, que de modo geral as transações da amostra apresentam um Q
de Tobin alto.
Capítulo 5. Conclusões 40
Além disso, algumas indústrias tiveram impacto significativo na probabilidade, o que

reforça a ideia da teoria neoclássica. Entretanto, a única dummy que foi significativa em todos
os períodos foi Diversified, que representa transações envolvendo uma firma que atua em mais
de um setor, ou seja, ainda que significante, a dummy representa vários setores. Por outro lado,
o setor de construção foi significativo em quase todos os lags e durante o período apurado o
mercado imobiliário brasileiro apresentou grande crescimento. Ademais, o modelo neoclássico
não inviabiliza a teoria comportamental, nem o contrário, pode-se ocorrer uma desregulamentação
de um setor em um período dentro de uma onda de F&A, por exemplo.
A literatura sobre F&As no geral focam no mercado norte americano (MAGER; MEYER-
FACKLER, 2017). Esse fato fica ainda mais marcado quando tratamos de ondas de F&As,
portanto, esse trabalho é um esforço de desenvolver um pouco mais a literatura sobre o tema,
em especial para mercados emergentes, fazer um levantamento empírico sobre a percepção dos
agentes acerca do ambiente econômico na probabilidade de ocorrência de uma onda de F&A,
também pode ser utilizado pelos mercados como forma de melhorar as análise das operações
de F&As, aumentando o rigor dos analistas sobre transações que ocorram durante épocas de
otimismo no mercado, melhorar os mecanismos de governança sobre operações de F&As que
ocorram durante esses períodos, como atrelar a remuneração do gestor ao desempenho de longo
prazo da operação.
A partir do presente trabalho, espera-se desenvolver uma literatura sobre ondas de F&As
para o mercado brasileiro e outros mercados menores, utilizando métricas, banco de dados e
metodologias diferentes. Dessa forma, tenta-se esclarecer um pouco mais esse tema ainda pouco
pesquisado, mas importante, nas áreas de economia e finanças.
41
REFERÊNCIAS BIBLIOGRÁFICAS
ANDRADE, G.; MITCHELL, M. L.; STAFFORD, E. New evidence and perspectives on

mergers. 2001. Citado 5 vezes nas páginas 14, 15, 17, 35 e 39.
BARROWS, S. D. Do oil industry merger waves reveal any trends? International Journal of
Energy Economics and Policy, v. 7, n. 5, p. 142–151, 2017. Citado na página 27.
BORTOLUZZO, A. B. Desempenho de fusões e aquisições cross border: Análise empírica do
caso brasileiro/performance in cross-border mergers and acquisitions: an empirical analysis
of the brazilian case/desempeño de fusiones y adquisiciones cross border: análisis empírico
del caso brasileño. RAE, Madrid: Ministerio de Cultura, Dirección General de Bellas Artes y
Archivos, Subdirección General de Arqueología y Etnografía., v. 54, n. 6, p. 659–671, 2014.
Citado 3 vezes nas páginas 14, 16 e 17.
BOYSON, N. M.; GANTCHEV, N.; SHIVDASANI, A. Activism mergers. Journal of
Financial Economics, v. 126, n. 1, p. 54 – 73, 2017. ISSN 0304-405X. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0304405X17301253>. Citado na página 27.
CAMPBELL, T. C. et al. Ceo optimism and forced turnover. Journal of Financial
Economics, v. 101, n. 3, p. 695 – 712, 2011. ISSN 0304-405X. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0304405X11000699>. Citado na página 22.
CHAUDHURI, A. R. Cross-border mergers and market segmentation. The Journal of
Industrial Economics, v. 62, n. 2, p. 229–257, 2014. ISSN 1467-6451. Disponível em:
<http://dx.doi.org/10.1111/joie.12047>. Citado 3 vezes nas páginas 17, 18 e 35.
CORTéS, L. M.; AGUDELO, D. A.; MONGRUT, S. Waves and determinants in mergers and
acquisitions: The case of latin america. Emerging Markets Finance and Trade, Routledge, v. 53,
n. 7, p. 1667–1690, 2017. Disponível em: <https://doi.org/10.1080/1540496X.2016.1262254>.
Citado na página 27.
DESSÍ, R.; ZHAO, X. Overconfidence, stability and investments. Journal of Economic
Behavior & Organization, v. 145, p. 474 – 494, 2018. ISSN 0167-2681. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0167268117303402>. Citado na página 23.
DOUKAS, J. A.; ZHANG, W. Envy-motivated merger waves. European Financial Management,
Wiley Online Library, v. 22, n. 1, p. 63–119, 2016. Citado 4 vezes nas páginas 20, 21, 22 e 27.
DUCHIN, R.; SCHMIDT, B. Riding the merger wave: Uncertainty, reduced monitoring, and bad
acquisitions. Journal of Financial Economics, Elsevier, v. 107, n. 1, p. 69–88, 2013. Citado 6
vezes nas páginas 14, 16, 18, 19, 20 e 21.
ELNAHAS, A. M.; HASSAN, M. K.; ISMAIL, G. M. Religion and mergers and acquisitions
contracting: The case of earnout agreements. Journal of Corporate Finance, v. 42, p. 221 – 246,
2017. ISSN 0929-1199. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0929119916303145>. Citado na página 20.
ELNAHAS, A. M.; KIM, D. {CEO} political ideology and mergers and acquisitions decisions.
Journal of Corporate Finance, v. 45, p. 162 – 175, 2017. ISSN 0929-1199. Disponível em:
Referências Bibliográficas 42
EREL, I.; LIAO, R. C.; WEISBACH, M. S. Determinants of cross-border mergers and

acquisitions. The Journal of Finance, Wiley Online Library, v. 67, n. 3, p. 1045–1082, 2012.
FAMA, E.; FRENCH, K. Industry costs of equity. Journal of Financial Economics, v. 43, n. 2, p.
153–193, 1997. Disponível em: <https://EconPapers.repec.org/RePEc:eee:jfinec:v:43:y:1997:i:2:
p:153-193>. Citado na página 24.
FUNDAÇÃO GETÚLIO VARGAS. Nota Metodológica: atualização de classificação setorial
para CNAE 2.0 e revisão metodológica das sondagens empresariais do IBRE/FGV. [S.l.], 2017?
Citado 2 vezes nas páginas 27 e 39.
GÄRTNER, D. L.; HALBHEER, D. Are there waves in merger activity after all? International
Journal of Industrial Organization, v. 27, n. 6, p. 708 – 718, 2009. ISSN 0167-7187. Disponível
em: <http://www.sciencedirect.com/science/article/pii/S016771870900040X>. Citado 3 vezes
nas páginas 14, 20 e 21.
GOEL, A. M.; THAKOR, A. V. Do envious ceos cause merger waves? The Review of Financial
Studies, v. 23, n. 2, p. 487–517, 2010. Disponível em: <+http://dx.doi.org/10.1093/rfs/hhp088>.
Citado 6 vezes nas páginas 18, 19, 20, 24, 35 e 39.
GOLBE, D. L.; WHITE, L. J. A time-series analysis of mergers and acquisitions in the us
economy. In: Corporate takeovers: Causes and consequences. [S.l.]: University of Chicago
Press, 1988. p. 265–310. Citado 2 vezes nas páginas 20 e 21.
GORT, M. An economic disturbance theory of mergers. The Quarterly Journal of Economics,
JSTOR, p. 624–642, 1969. Citado na página 15.
GORTON, G.; KAHL, M.; ROSEN, R. J. Eat or be eaten: A theory of mergers and firm size. The
Journal of Finance, Blackwell Publishing Inc, v. 64, n. 3, p. 1291–1344, 2009. ISSN 1540-6261.
Disponível em: <http://dx.doi.org/10.1111/j.1540-6261.2009.01465.x>. Citado na página 14.
GUGLER, K.; MUELLER, D. C.; WEICHSELBAUMER, M. The determinants
of merger waves: An international perspective. International Journal of Industrial
Organization, v. 30, n. 1, p. 1 – 15, 2012. ISSN 0167-7187. Disponível em: <http:
//www.sciencedirect.com/science/article/pii/S0167718711000464>. Citado 6 vezes nas páginas
18, 19, 20, 24, 33 e 39.
GUGLER, K. et al. Market optimism and merger waves. Managerial and Decision
Economics, John Wiley & Sons, Ltd, p. 159–175, 2012. ISSN 1099-1468. Disponível em:
<http://dx.doi.org/10.1002/mde.2542>. Citado 8 vezes nas páginas 14, 16, 20, 22, 24, 33, 35
e 39.
GUJARATI, D. N.; PORTER, D. C. Econometria Básica-5. [S.l.]: Amgh Editora, 2011. Citado
4 vezes nas páginas 25, 27, 33 e 36.
HALEBLIAN, J. J. et al. Exploring firm characteristics that differentiate leaders from followers
in industry merger waves: a competitive dynamics perspective. Strategic Management Journal,
John Wiley & Sons, Ltd., v. 33, n. 9, p. 1037–1052, 2012. ISSN 1097-0266. Disponível em:
<http://dx.doi.org/10.1002/smj.1961>. Citado 5 vezes nas páginas 20, 21, 27, 31 e 35.
HARFORD, J. What drives merger waves? Journal of financial economics, Elsevier, v. 77, n. 3,
p. 529–560, 2005. Citado 14 vezes nas páginas 7, 8, 13, 15, 16, 17, 21, 22, 24, 27, 29, 31, 35
e 39.
HSU, K.-C.; WRIGHT, M.; ZHU, Z. What motivates merger and acquisition activities in the
upstream oil & gas sectors in the us? Energy Economics, Elsevier, v. 65, p. 240–250, 2017.
JOVANOVIC, B.; ROUSSEAU, P. L. The Q-theory of mergers. [S.l.], 2002. Citado 4 vezes nas
páginas 18, 31, 35 e 39.
KPMG. Fusões e Aquisições 2017 - 4o trimestre. [S.l.], 2018. Citado na página 31.
LAMBRECHT, B. M. The timing and terms of mergers motivated by economies of scale.

Journal of Financial Economics, v. 72, n. 1, p. 41 – 62, 2004. ISSN 0304-405X. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S0304405X03002423>. Citado 3 vezes nas
páginas 14, 15 e 17.
LEAL, R. P. C. et al. Produção científica brasileira em finanças no período 2000-2010/brazilian

scientific production in finance in the period 2000-2010/producción científica brasileña sobre
finanzas en el período 2000-2010. Revista de Administração de Empresas, Fundação Getulio
Vargas, v. 53, n. 1, p. 46, 2013. Citado 2 vezes nas páginas 14 e 16.
LOHRKE, F. T.; FROWNFELTER-LOHRKE, C.; JR., D. J. K. The role of information

technology systems in the performance of mergers and acquisitions. Business Horizons, v. 59,
n. 1, p. 7 – 12, 2016. ISSN 0007-6813. Disponível em: <http://www.sciencedirect.com/science/
article/pii/S000768131500138X>. Citado na página 14.
MAGER, F.; MEYER-FACKLER, M. Mergers and acquisitions in germany: 1981–2010. Global

Finance Journal, p. –, 2017. ISSN 1044-0283. Disponível em: <http://www.sciencedirect.com/
science/article/pii/S1044028316300941>. Citado 3 vezes nas páginas 14, 16 e 40.
MALMENDIER, U.; TATE, G. Who makes acquisitions? ceo overconfidence and the market’s
reaction. Journal of financial Economics, Elsevier, v. 89, n. 1, p. 20–43, 2008. Citado na página
22.
MALMENDIER, U.; TATE, G. Behavioral ceos: The role of managerial overconfidence. Journal
of Economic Perspectives, v. 29, n. 4, p. 37–60, 2015. Citado na página 22.
MITCHELL, M. L.; MULHERIN, J. H. The impact of industry shocks on takeover and

restructuring activity. Journal of Financial Economics, v. 41, n. 2, p. 193–229, 1996. Disponível
em: <https://EconPapers.repec.org/RePEc:eee:jfinec:v:41:y:1996:i:2:p:193-229>. Citado 5
vezes nas páginas 14, 17, 21, 27 e 31.
MONASTYRENKO, E. Eco-efficiency outcomes of mergers and acquisitions in the european

electricity industry. Energy Policy, v. 107, p. 258 – 277, 2017. ISSN 0301-4215. Disponível em:
MORAN, P. Information revelation in merger waves. Review of Corporate Finance Studies,

Oxford University Press, v. 6, n. 2, p. 174–233, 2017. Citado na página 27.
MORCK, R.; SHLEIFER, A.; VISHNY, R. W. Do managerial objectives drive bad acquisitions?
The Journal of Finance, Wiley Online Library, v. 45, n. 1, p. 31–48, 1990. Citado na página 22.
NOFSINGER, J. R. Social mood and financial economics. The Journal of Behavioral Finance,
Taylor & Francis, v. 6, n. 3, p. 144–160, 2005. Citado na página 16.
RAO-NICHOLSON, R.; SALABER, J.; CAO, T. H. Long-term performance of

mergers and acquisitions in {ASEAN} countries. Research in International Business
and Finance, v. 36, p. 373 – 387, 2016. ISSN 0275-5319. Disponível em: <http:
14 e 16.
RAVENSCRAFT, D. J. et al. The 1980s merger wave: An industrial organization perspective.
The merger boom, Citeseer, v. 17, p. 37, 1987. Citado 3 vezes nas páginas 20, 21 e 27.
REDDY, K.; XIE, E. Cross-border mergers and acquisitions by oil and gas multinational
enterprises: Geography-based view of energy strategy. Renewable and Sustainable
Energy Reviews, v. 72, p. 961 – 980, 2017. ISSN 1364-0321. Disponível em: <http:
14 e 18.
RHODES-KROPF, M.; ROBINSON, D. T.; VISWANATHAN, S. Valuation waves and merger
activity: The empirical evidence. Journal of Financial Economics, Elsevier, v. 77, n. 3, p.
561–603, 2005. Citado 3 vezes nas páginas 19, 20 e 21.
RHODES-KROPF, M.; VISWANATHAN, S. Market valuation and merger waves. The Journal
of Finance, Blackwell Publishing, Inc., v. 59, n. 6, p. 2685–2718, 2004. ISSN 1540-6261.
Disponível em: <http://dx.doi.org/10.1111/j.1540-6261.2004.00713.x>. Citado 7 vezes nas
páginas 14, 19, 20, 22, 31, 35 e 39.
RODRIGUES, V. Restructuring and merger waves. International Journal of Economic
Theory, v. 10, n. 4, p. 355–369, 2014. ISSN 1742-7363. Disponível em: <http:
//dx.doi.org/10.1111/ijet.12044>. Citado na página 17.
ROLL, R. The hubris hypothesis of corporate takeovers. Journal of business, JSTOR, p.
197–216, 1986. Citado na página 22.
ROMANO, P. R.; ALMEIDA, V. de S. E. Análise dos efeitos em mercado de capitais decorrentes
de fusões: O caso BRF S.A. RAC-Revista de Administração Contemporânea, V. 19, N . 5, 2015.
SHLEIFER, A.; VISHNY, R. Stock market driven acquisitions. Journal of Financial Economics,
v. 70, n. 3, p. 295–311, 2003. Disponível em: <http://EconPapers.repec.org/RePEc:eee:jfinec:v:
70:y:2003:i:3:p:295-311>. Citado 5 vezes nas páginas 19, 20, 31, 35 e 39.
TAO, F. et al. Do cross-border mergers and acquisitions increase short-term market
performance? the case of chinese firms. International Business Review, v. 26, n. 1, p. 189 –
202, 2017. ISSN 0969-5931. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0969593116300919>. Citado 2 vezes nas páginas 14 e 17.
TOWN, R. J. Merger waves and the structure of merger and acquisition time-series. Journal of
applied econometrics, Wiley Online Library, v. 7, n. S1, 1992. Citado 3 vezes nas páginas 14,
17 e 21.
TRIANTAFYLLOPOULOS, Y.; MPOURLETIDIS, K. Mergers and acquisitions and
economic crisis. a case study approach from a qualitative analysis in greece. Procedia -
Social and Behavioral Sciences, v. 148, p. 437 – 445, 2014. ISSN 1877-0428. Disponível em:
<http://www.sciencedirect.com/science/article/pii/S1877042814039676>. Citado 2 vezes nas
páginas 14 e 15.
UDDIN, M.; BOATENG, A. Explaining the trends in the UK CROSS - BORDER MERGERS
& ACQUISITIONS : A N ANALYSIS OF MACRO - ECONOMIC FACTORS . International
Business Review, V. 20, N . 5, P. 547 – 556, 2011. ISSN 0969-5931. D ISPONÍVEL EM :
< HTTP :// WWW. SCIENCEDIRECT. COM / SCIENCE / ARTICLE / PII /S0969593110001265>.
WOOLDRIDGE, J. M. Introdução à econometria: uma abordagem moderna. [S.l.]: Pioneira

Thomson Learning, 2006. Citado 6 vezes nas páginas 25, 26, 28, 33, 36 e 37.
XU, E. Q. Cross-border merger waves. Journal of Corporate Finance, v. 46, p. 207 – 231,
2017. ISSN 0929-1199. Disponível em: <http://www.sciencedirect.com/science/article/pii/
S0929119917301426>. Citado 5 vezes nas páginas 17, 18, 21, 27 e 39.

Relaçãoentreotimismo Fonseca 2018

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relaçãoentreotimismo Fonseca 2018

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS

RODRIGO RAPOSO DA FONSECA

A RELAÇÃO ENTRE OTIMISMO E ONDAS DE FUSÃO E

A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Dissertação apresentada ao Programa de Pós-

Orientador: Prof. Vinicio de Souza e Almeida

Dissertação (Mestrado em Administração) – Universidade

1. Mercado financeiro – Dissertação 2. Onda de Fusão e

RN/UF/Biblioteca Setorial do CCSA CDU 336.76:658

Elaborado por Eliane Leal Duarte - CRB-15/355

A Relação Entre Otimismo e Ondas de Fusão e Aquisição:

Dissertação apresentada ao Programa de Pós-

Aprovado em 29 de junho de 2018.

Prof. Dr. Vinicio de Souza e Almeida – UFRN

Prof. Dr. Anderson Luiz Rezende Mól – UFRN

Prof. Dr. Melquiades Pereira de Lima Junior –

Visto e permitida a impressão

Palavras-chaves: Ondas de Fusão e Aquisição. Fusão e Aquisição. Otimismo.

Key-words: Mergers and Aquisitions Waves. Mergers and Acquisitions. Optimism.

Figura 1 – Evolução das operações de FA entre 1995 a 2017: O número de F&As

Tabela 1 – Estatísticas Descritivas das variáveis: As estatísticas descritivas de cada variável do

Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo,

AIC Critério de Informação de Akaike

BCB Banco Central do Brasil

BIC Critério de Informação Bayesiano

BNDES Banco Nacional do Desenvolvimento Econômico e Social

EUA Estados Unidos da América

FIV Fator de Inflação de Variância

FGV Fundação Getúlio Vargas

F&A Fusão e Aquisição

FATR Fusão e Aquisição Transfronteiriça

ICE Índice de Confiança do Empresário

1.1 Contextualização e Problema

As fusões e aquisições (F&As) têm desempenhado um importante papel nas economias

Fonte: Desenvolvido pelo autor com base nos dados da Bloomberg

(HSU; WRIGHT; ZHU, 2017; GORT, 1969).

Tradicionalmente, as pesquisas sobre F&As têm explorado temas relacionados à ganhos

1.3.1 Objetivo geral

1.3.2 Objetivos específicos

• Investigar a existência de ondas de F&As no mercado brasileiro

• Analisar o impacto do otimismo nas decisões de F&As dos gestores

2.1 Ondas de Fusões e Aquisições

2.1.1 Teoria Neoclássica

foram desregulamentações, o trabalho apontou que na década de 90 houve um predomínio de

2.1.1.1 Teoria Q das Fusões

2.1.2 Teoria Comportamental

A teoria comportamental reúne o corpo de trabalhos que apontam erros de precificação

2.2 Construção da Onda de F&A

O primeiro obstáculo ao se discutir ondas de F&As é como construí-la. Existem na

2.2.1 A métrica de Harford (2005)

2.3 Otimismo e Mercado

O presente trabalho utilizou dados de todas as transações de F&As que ocorreram no

Quadro 1 – Variáveis e Descrição: O quadro apresenta as variáveis de estudo do modelo, bem

ocorrência de uma onda de F&A. Em um modelo de resposta binária procuramos a probabilidade

P(y = 1|x) = P(y = 1|x1 , X2 , ..., xk ) (1)

em x, a probabilidade y não é, e seu intervalo deve permanecer entre 0 e 1. conforme mostrado

P(y = 1|x) = G(β0 + β1 x1 + ... + βk xk ) (2)

Figura 2 – Gráfico da função logística: A figura apresenta a ilustração do gráfico da função

Fonte: Desenvolvido pelo autor

O gráfico mostra claramente que quando z → −∞, o G(z) → 0, o contrário também

P(y = 1|x) = G(β0 + β ICE + β controle) (4)