5REHUWD 0RQWHOOR $PDUDO ,GHQWLILFDomR GH …livros01.livrosgratis.com.br/cp077716.pdf · EWMA 98...
Transcript of 5REHUWD 0RQWHOOR $PDUDO ,GHQWLILFDomR GH …livros01.livrosgratis.com.br/cp077716.pdf · EWMA 98...
5REHUWD�0RQWHOOR�$PDUDO�
,GHQWLILFDomR�GH�0RPHQWRV�GH�&RPSUD�H�9HQGD�GH�$o}HV�%DVHDGD�HP�*UiILFRV�GH�&RQWUROH�
�
7HVH�GH�'RXWRUDGR�
Tese apresentada como requisito parcial para obtenção do grau de Doutor pelo Programa de Pós-Graduação em Engenharia de Produção do Departamento de Engenharia Industrial da PUC-Rio.
Orientador: Prof. Eugênio Kahn Epprecht
92/80(�,�Rio de Janeiro
Fevereiro de 2008
Roberta Montello Amaral
,GHQWLILFDomR�GH�0RPHQWRV�GH�&RPSUD�H�9HQGD�GH�$o}HV�%DVHDGD�HP�*UiILFRV�GH�&RQWUROH�
Tese apresentada como requisito parcial para obtenção do grau de Doutor pelo Programa de Pós-Graduação em Engenharia de Produção do Departamento de Engenharia Industrial do Centro Técnico Cientifico da PUC-Rio. Aprovada pela Comissão Examinadora abaixo assinada.
3URI��(XJrQLR�.DKQ�(SSUHFKW�Orientador
Departamento de Engenharia Industrial – PUC-Rio
3URI��&DUORV�3DWUtFLR�6DPDQH]�Departamento de Engenharia Industrial – PUC-Rio
3URI��)OiYLR�6DQVRQ�)RJOLDWWR�Departamento de Engenharia de Produção – UFRGS
3URID��0D\VD�6DFUDPHQWR�GH�0DJDOKmHV�Escola Nacional de Ciências Estatísticas, IBGE
3URI��3DXOR�6pUJLR�%UDJD7DIQHU�IPEA/RJ e UCAM
3URI��5HLQDOGR�&DVWUR�6RX]D�Departamento de Engenharia Elétrica – PUC-Rio
3URI��-RVp�(XJrQLR�/HDO�Coordenador(a) Setorial do Centro Técnico Científico – PUC-Rio�
Rio de Janeiro, 28 de Fevereiro de 2008
Todos os direitos reservados. É proibida a reprodução total ou parcial do trabalho sem autorização da universidade, do autor e do orientador.
5REHUWD�0RQWHOOR�$PDUDO�Graduou-se em Economia em 1993, pela PUC-Rio, e em Estatística em 2000, pela ENCE. Também concluiu curso de MBA em finanças no IBMEC em 1995 e MPA em Controle Externo pela FGV em 2003. Formou-se Mestre em Engenharia de Produção pela PUC-Rio em 2004 e Mestre em Economia Empresarial pela UCAM em 2003. Exerceu atividades de análise financeira em diversos bancos, no período de janeiro de 1992 a agosto de 2001.
Ficha Catalográfica
CDD: 658.5
Amaral, Roberta Montello
Identificação de momentos de compra e
venda de ações baseada em gráficos de controle /
Roberta Montello Amaral ; orientador: Eugênio
Kahn Epprecht. – 2008.
2v. ; 30 cm
Tese (Doutorado em Engenharia
Industrial)–Pontifícia Universidade Católica do Rio
de Janeiro, Rio de Janeiro, 2008.
Inclui bibliografia
�������������������������������������
Para Rodrigo, Clara e Lucas.
$JUDGHFLPHQWRV�
Em primeiro lugar, gostaria de dedicar este trabalho a Deus e ao maior
incentivador desta empreitada: o meu marido Rodrigo. Sem o seu apoio, sua
compreensão e sua insistência, com certeza esta etapa não teria sido vencida.
Agradeço, também, à minha família (mãe, pai, Ricardo, Renata, Grazy,
Rodriguinho, Rapha, Paula, Pedro, Iaci, Ronaldo, vó Rosa, Dite, Dalina, tia
Alex, Vê, Gabriel, etc, etc, etc) e ao Lucas que, desde a sua concepção, já foi
programado para ajudar a mamãe a obter o seu título. E, é claro, à Roberta,
minha cunhada e tradutora preferida.
Mas seria injusto deixar de mencionar outros grandes amigos e mestres que
fizeram parte desse projeto: Juliana e Maurício (que acreditaram neste
trabalho mesmo antes de mim...), Cristina, os funcionários do DEI e os
professores Paulo Tafner, José Cláudio Ferreira de Silva, Eduardo de Sá
Fortes, Ricardo de Macedo, Carlos Patrício Samanez, José Paulo Teixeira,
Tara Baidya, Reinaldo Castro Souza, Antônio Fernando de Castro Vieira e
demais docentes do DEI que, com maior ou menor intensidade, deram uma
ajuda inestimável e fizeram esta tese ser viável. Também não posso deixar de
agradecer aos demais membros da Banca, professores Maysa Sacramento de
Magalhães e Flávio Sanson Fogliatto e aos suplentes Mônica Barros e Paulo
Henrique Soto Costa por terem apostado nesta nova linha de pesquisa e à
CAPES, que, através da concessão de uma bolsa de doutorado, possibilitou a
realização deste projeto.
Por último (last, but not least), agradeço de todo o meu coração à confiança e
à paciência inesgotáveis do professor Eugênio Epprecht que, mais do que
orientar, acreditou na idéia inicial e fez este trabalho crescer e ganhar forma; e
à Maria Teresa que, apesar de ter que dividir o seu “Eugênio”, nunca deixou
de demonstrar muita amizade e carinho.
5HVXPR�Amaral, Roberta Montello; Epprecht, Eugênio Kahn; ,GHQWLILFDomR� GH�0RPHQWRV� GH� &RPSUD� H� 9HQGD� GH� $o}HV�%DVHDGD� HP�*UiILFRV� GH�&RQWUROH�� Rio de Janeiro, 2008. 473p. Tese de Doutorado - Departamento de Engenharia Industrial, Pontifícia Universidade Católica do Rio de Janeiro.
O objetivo principal desta tese é propor o uso de uma nova ferramenta
para a tomada de decisões quanto ao momento de comprar ou vender títulos
negociados em bolsa de valores. A ferramenta proposta consiste em aplicar um
modelo de série temporal aos logaritmos dos retornos diários e construir um
gráfico de controle com os resíduos (ou erros de previsão) desse modelo,
decidindo comprar quando o erro de previsão for inferior a um limite inferior (LI)
e vender quando o erro de previsão ultrapassar um limite superior (LS).
Diversos valores para esses limites (frações dos valores tradicionais dos limites
para os gráficos de Shewhart e EWMA) foram testados experimentalmente, de
modo a determinar aqueles que melhor atendem às necessidades de risco e
retorno dos investidores com diferentes graus de aversão a risco. Trata-se da
extensão da monografia de final de curso “A Teoria das Cartas de Controle
Aplicada a Tomadas de Decisão no Mercado de Ações Brasileiro” (AMARAL,
2000) e da dissertação de mestrado “Identificação de Momentos de Compra e
Venda, à Vista, de Ações: Um Procedimento Alternativo Inspirado em Gráficos
de Controle de Processos” (AMARAL, 2004) A construção de gráficos a partir
dos resíduos de dados históricos de ações da Bovespa, obtidos segundo
técnicas de modelagem de séries temporais para previsão de retorno, gerou
uma ferramenta que, em alguns aspectos, foi capaz de indicar momentos para
investimento em ações com resultados melhores do que os obtidos a partir de
certos fundos de ações. A indicação de alguns LI e LS adequados a diferentes
tipos de investidor (apresentados no capítulo 7) foi um resultado concreto que
atendeu ao objetivo proposto. Foram feitos estudos complementares sobre a
influência de efeitos sazonais, o resultado da ferramenta aplicada a carteiras, o
efeito da variação no tamanho da amostra de dados, o grau de casualidade dos
resultados encontrados e o comportamento de alguns mecanismos de VWRS�ORVV. Foram grandes os avanços obtidos, mas, dado o grau de inovação do
trabalho, recomenda-se avançar em determinados aspectos antes de incluir a
ferramenta no rol de técnicas usadas por investidores interessados em
mercados de renda variável.
�3DODYUDV�FKDYH�
bolsa de valores; gráficos de controle; investimentos.
$EVWUDFW�Amaral, Roberta Montello; Epprecht, Eugênio Kahn; ,GHQWLILFDWLRQ� RI�%X\LQJ�DQG�6HOOLQJ�0RPHQWV�RI�6WRFNV�%DVHG�RQ�&RQWURO�&KDUWV��Rio de Janeiro, 2008. 473p. DsC Thesis - Department of Industrial Engineering, Pontifícia Universidade Católica do Rio de Janeiro.
The objective of this thesis is to propose the use of a new tool for
decision-making associated with the moment to buy or sell titles negotiated in
stock exchanges. The proposed tool consists of applying a time series model to
daily returns' logarithms and building a control chart with the model's residues
(or forecasting errors), deciding to buy when the forecasting error is smaller
than a lower limit (LL) and to sell when the forecasting error is greater than an
upper limit (UL). A number of values for the above-mentioned limits (fractions of
traditional values of limits for Shewhart and EWMA charts) were experimentally
tested as a way to determine those which better meet the risk and return needs
of investors with different degrees of risk aversion. The present work is an
extension to the undergraduate degree thesis "Control Chart Theory Applied to
Decison-making in the Brazilian Stock Market" (AMARAL, 2000) and the
Master's dissertation "Identification of Buying and Selling Moments of Stocks in
Cash: an Alternative Procedure Inspired by Process Control Charts" (AMARAL,
2004). The construction of charts for the residuals of time series models of
Bovespa stocks' historical data yielded a tool which, in some aspects, was able
to indicate moments for investment in stocks with better results than those
obtained through certain stock funds. The indication of some adequate LL and
UL to different types of investors (presented in chapter 7) was a concrete result
which met the proposed objective. Complementary studies were made on the
influence of seasonal effects, the result of the tool when applied to portfolios,
the effect of the sample size, the degree of randomness of the results found and
the behaviour of some stop-loss mechanisms. Great improvements have been
made. However, given the degree of innovation of the work, it is recommended
that advancements be made in certain aspects before including the tool
amongst the techniques used by investors interested in variable income funds.
.H\ZRUGV�stock market; control charts; investments.
6XPiULR�
1 Introdução 42
2 Moderna Teoria de Finanças, Mercado de Capitais Brasileiro e Gráficos de
Controle 46
2.1. Introdução 46
2.2. CAPM 47
2.3. Críticas ao CAPM 49
2.3.1. Miller & Scholes 49
2.3.2. Banz 51
2.3.3. Reinganum 51
2.3.4. Basu 53
2.3.5. Fama & French 54
2.3.6. Khotari, Shanken & Sloan 55
2.3.7. Braga & Leal 56
2.3.8. Franses & Dijk 57
2.3.9. Mandelbrot & Hudson 60
2.3.10. Críticas de Roll 61
2.4. O uso de Gráficos de Controle Aplicado a Finanças 62
2.5. Indicadores de Performance 63
2.6. Considerações Finais 66
3 Metodologia 67
4 Base de Dados 70
4.1. Bovespa e Ibovespa 70
4.2. Coleta de Dados 74
4.3. Análise Preliminar 75
4.3.1 Ibovespa 75
4.3.2. Demais Ações 78
5 Estudo de Sazonalidade 87
5.1. Cálculo do Efeito Sazonal 87
5.1.1. Geração de nova base de dados 87
5.1.2 Cálculo dos Fatores Sazonais segundo Holt-Winters 89
5.2. Testes de significância dos fatores sazonais 90
6 Modelos de Retorno 96
6.1. Modelos de Retorno 96
6.1.1. AR(1) 97
6.1.2. MA(1) 97
6.1.3. ARMA(1,1) 97
6.1.4. ARCH(1) 98
6.1.5. EWMA 98
6.1.6. Mudança de Regime 99
6.1.7. Estimativas – Dados dessazonalizados 101
6.1.8. Estimativas – Dados originais 104
6.2. Gráficos de Controle 106
6.2.1 Histórico dos Gráficos de Controle 106
6.2.2 Análise de Autocorrelação 109
6.2.3 Gráficos de Shewhart 112
6.2.4 Gráficos EWMA 120
7 Comparação das Estratégias nas Amostras 135
7.1. Metodologia 135
7.2. Resultados das Estratégias na Amostra Inicial (Dados Dessazonalizados)140
7.3. Resultados das Estratégias na Amostra de Controle 155
7.4 Análise de Correlação entre os Resultados 159
8 Aprimoramentos e Comparações com o Mercado 165
8.1. Escolha das Estratégias em Ambiente de Carteiras 165
8.1.1. Escolha das Carteiras 165
8.1.2. Resultados Encontrados 167
8.2. Aprimoramentos das Estratégias 184
8.2.1. Modelo com Dados Originais (sem dessazonalização) 184
8.2.2. Tamanho da Amostra Inicial 186
8.2.3. Mecanismos de 6WRS�/RVV 188
8.2.4. Síntese dos Resultados 192
8.3. Comparação das Estratégias Escolhidas com Outras Opções de
Investimento 193
8.4. Grau de Casualidade dos Resultados Encontrados 200
8.5. Estudos Complementares 203
8.5.1. Estudo de RETESC 203
8.5.2. Estudo de ∆ = LI - LS 209
9 Conclusões e Recomendações 212
Referências Bibliográficas 215
Anexo A: Guia para aplicação da metodologia 219
Anexo B: Gráficos e Tabelas - Capítulo 4 220
Anexo C: Gráficos e Tabelas - Capítulo 6 240
Anexo D: Gráficos e Tabelas - Capítulo 7 366
Anexo E: Gráficos e Tabelas - Capítulo 8 416
/LVWD�GH�ILJXUDV�
)LJXUD����� Fechamento Diário - IBV - cotação 76
)LJXUD����� ln (Retorno) Diário - IBV 76
)LJXUD����� Histograma - ln (Retorno) Diário - IBV 77
)LJXUD����� Box-plot - ln (Retorno) Diário - IBV 77
)LJXUD����� Histograma - ln (Retorno) Diário - IBV - excluindo-se outliers 77
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: AR 113
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: AR 113
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: ARMA 114
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: ARMA 114
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: MA 115
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: MA 115
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: EWMA 116
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: EWMA 116
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: SETAR 117
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: SETAR 117
)LJXUD������ Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: ARCH 118
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: ARCH 118
)LJXUD������ Gráfico de Controle X - ln (Retorno Diário) - PETR4 - Modelo de
Retorno: SEM_TRAT 119
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - PETR4 - Modelo
de Retorno: SEM_TRAT 119
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:AR 123
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:ARMA 123
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:MA 124
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:EWMA 124
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:SETAR 125
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:ARCH 125
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:SEM_TRAT 126
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:AR 126
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:ARMA 127
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:MA 127
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:EWMA 128
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:SETAR 128
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:ARCH 129
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
PETR4 - Modelo de Retorno:SEM_TRAT 129
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
AR - Gráfico: SHEWHART 141
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
AR - Gráfico: EWMA lambda = 0,2 141
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
AR - Gráfico: EWMA lambda = 0,6 141
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
ARMA - Gráfico: SHEWHART 142
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
ARMA - Gráfico: EWMA lambda = 0,2 142
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
ARMA - Gráfico: EWMA lambda = 0,6 142
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
MA - Gráfico: SHEWHART 143
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
MA - Gráfico: EWMA lambda = 0,2 143
)LJXUD����� Conjunto de Soluções Não Dominadas - Amostra inicial - Modelo:
MA - Gráfico: EWMA lambda = 0,6 143
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: EWMA - Gráfico: SHEWHART 144
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: EWMA - Gráfico: EWMA lambda = 0,2 144
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: EWMA - Gráfico: EWMA lambda = 0,6 144
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SETAR - Gráfico: SHEWHART 145
)LJXUD���14� Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SETAR - Gráfico: EWMA lambda = 0,2 145
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SETAR - Gráfico: EWMA lambda = 0,6 145
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: ARCH - Gráfico: SHEWHART 146
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: ARCH - Gráfico: EWMA lambda = 0,2 146
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: ARCH - Gráfico: EWMA lambda = 0,6 146
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SEM_TRAT - Gráfico: SHEWHART 147
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SEM_TRAT - Gráfico: EWMA lambda = 0,2 147
)LJXUD������ Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: SEM_TRAT - Gráfico: EWMA lambda = 0,6 147
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: AR 168
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: AR 168
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: ARMA 169
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: ARMA 169
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: MA 170
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: MA 170
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: EWMA 171
)LJXUD����� Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: EWMA 171
)LJXUD����� Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: SETAR 172
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: SETAR 172
)LJXUD������ Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: ARCH 173
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: ARCH 173
)LJXUD������ Gráfico de Controle X - ln (Retorno Diário) - IBV - Modelo de
Retorno: SEM_TRAT 174
)LJXUD������ Gráfico de Controle mR - ln (Retorno Diário) - IBV- Modelo de
Retorno: SEM_TRAT 174
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:AR 175
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:ARMA 175
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:MA 176
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:EWMA 176
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:SETAR 177
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:ARCH 177
)LJXUD������ Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
IBV - Modelo de Retorno:SEM_TRAT 178
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:AR 178
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:ARMA 179
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:MA 179
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:EWMA 180
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:SETAR 180
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:ARCH 181
)LJXUD������ Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
IBV - Modelo de Retorno:SEM_TRAT 181
)LJXUD������ Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: AR 200
)LJXUD������ Histograma - RETESC - Gráfico de Controle: SHEWHART e
Modelo: AR 201
)LJXUD������ Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: AR - somente estratégias não dominadas 202
)LJXUD������ Histograma - RETESC - Gráfico de Controle: SHEWHART e
Modelo: AR - somente estratégias não dominadas 202
)LJXUD������ RETESCs ARC - Modelo AR e Gráfico de Controle Shewhart 203
)LJXUD������ RETESCs Ordenados por ∆ = LS - LI - Gráfico de Controle:
SHEWHART e Modelo: AR 207
)LJXUD������ RETESCs Ordenados por ∆ = LS - LI - Gráfico de Controle:
SHEWHART e Modelo: AR - somente para LS não negativo 207
)LJXUD������ RETESCs Ordenados por ∆ = LS - LI - Gráfico de Controle:
SHEWHART e Modelo: AR - somente para LS negativo 207
)LJXUD�%��� Fechamento Diário - PETR4 - cotação 220
)LJXUD�%��� ln (Retorno) Diário - PETR4 220
)LJXUD�%��� Histograma - ln (Retorno) Diário - PETR4 221
)LJXUD�%��� Box-plot - ln (Retorno) Diário - PETR4 221
)LJXUD�%��� Histograma - ln (Retorno) Diário - PETR4 - excluindo-se outliers 221
)LJXUD�%��� Fechamento Diário - VALE5 - cotação 222
)LJXUD�%��� ln (Retorno) Diário - VALE5 222
)LJXUD�%��� Histograma - ln (Retorno) Diário - VALE5 223
)LJXUD�%��� Box-plot - ln (Retorno) Diário - VALE5 223
)LJXUD�%���� Histograma - ln (Retorno) Diário - VALE5 - excluindo-se outliers 223
)LJXUD�%���� Fechamento Diário - BBDC4 - cotação 224
)LJXUD�%���� ln (Retorno) Diário - BBDC4 224
)LJXUD�%���� Histograma - ln (Retorno) Diário - BBDC4 225
)LJXUD�%���� Box-plot - ln (Retorno) Diário - BBDC4 225
)LJXUD�%���� Histograma - ln (Retorno) Diário - BBDC4 - excluindo-se outliers225
)LJXUD�%���� Fechamento Diário - TNLP4 - cotação 226
)LJXUD�%���� ln (Retorno) Diário - TNLP4 226
)LJXUD�%���� Histograma - ln (Retorno) Diário - TNLP4 227
)LJXUD�%���� Box-plot - ln (Retorno) Diário - TNLP4 227
)LJXUD�%���� Histograma - ln (Retorno) Diário - TNLP4 - excluindo-se outliers 227
)LJXUD�%���� Fechamento Diário - USIM5 - cotação 228
)LJXUD�%���� ln (Retorno) Diário - USIM5 228
)LJXUD�%���� Histograma - ln (Retorno) Diário - USIM5 229
)LJXUD�%���� Box-plot - ln (Retorno) Diário - USIM5 229
)LJXUD�%���� Histograma - ln (Retorno) Diário - USIM5 - excluindo-se outliers 229
)LJXUD�%���� Fechamento Diário - ITAU4 - cotação 230
)LJXUD�%���� ln (Retorno) Diário - ITAU4 230
)LJXUD�%���� Histograma - ln (Retorno) Diário - ITAU4 231
)LJXUD�%���� Box-plot - ln (Retorno) Diário - ITAU4 231
)LJXUD�%���� Histograma - ln (Retorno) Diário - ITAU4 - excluindo-se outliers 231
)LJXUD�%���� Fechamento Diário - CSNA3 - cotação 232
)LJXUD�%���� ln (Retorno) Diário - CSNA3 232
)LJXUD�%���� Histograma - ln (Retorno) Diário - CSNA3 233
)LJXUD�%���� Box-plot - ln (Retorno) Diário - CSNA3 233
)LJXUD�%���� Histograma - ln (Retorno) Diário - CSNA3 - excluindo-se outliers233
)LJXUD�%���� Fechamento Diário - GGBR4 - cotação 234
)LJXUD�%���� ln (Retorno) Diário - GGBR4 234
)LJXUD�%���� Histograma - ln (Retorno) Diário - GGBR4 235
)LJXUD�%���� Box-plot - ln (Retorno) Diário - GGBR4 235
)LJXUD�%���� Histograma - ln (Retorno) Diário - GGBR4 - excluindo-se outliers235
)LJXUD�%���� Fechamento Diário - VALE3 - cotação 236
)LJXUD�%���� ln (Retorno) Diário - VALE3 236
)LJXUD�%���� Histograma - ln (Retorno) Diário - VALE3 237
)LJXUD�%���� Box-plot - ln (Retorno) Diário - VALE3 237
)LJXUD�%���� Histograma - ln (Retorno) Diário - VALE3 - excluindo-se outliers 237
)LJXUD�%���� Fechamento Diário - BRKM5 - cotação 238
)LJXUD�%���� ln (Retorno) Diário - BRKM5 238
)LJXUD�%���� Histograma - ln (Retorno) Diário - BRKM5 239
)LJXUD�%���� Box-plot - ln (Retorno) Diário - BRKM5 239
)LJXUD�%���� Histograma - ln (Retorno) Diário - BRKM5 - excluindo-se outliers239
)LJXUD�&��� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: AR 240
)LJXUD�&��� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: AR 240
)LJXUD�&��� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: ARMA 241
)LJXUD�&��� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: ARMA 241
)LJXUD�&��� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: MA 242
)LJXUD�&��� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: MA 242
)LJXUD�&��� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: EWMA 243
)LJXUD�&��� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: EWMA 243
)LJXUD�&��� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: SETAR 244
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: SETAR 244
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: ARCH 245
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: ARCH 245
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - VALE5 - Modelo de
Retorno: SEM_TRAT 246
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - VALE5 - Modelo
de Retorno: SEM_TRAT 246
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:AR 247
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:ARMA 247
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:MA 248
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:EWMA 248
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:SETAR 249
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:ARCH 249
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:SEM_TRAT 250
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:AR 250
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:ARMA 251
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:MA 251
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:EWMA 252
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:SETAR 252
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:ARCH 253
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE5 - Modelo de Retorno:SEM_TRAT 253
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: AR 254
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: AR 254
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: ARMA 255
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: ARMA 255
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: MA 256
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: MA 256
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: EWMA 257
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: EWMA 257
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: SETAR 258
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: SETAR 258
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: ARCH 259
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: ARCH 259
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: SEM_TRAT 260
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - BBDC4 - Modelo
de Retorno: SEM_TRAT 260
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:AR 261
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:ARMA 261
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:MA 262
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:EWMA 262
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:SETAR 263
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:ARCH 263
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:SEM_TRAT 264
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:AR 264
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:ARMA 265
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:MA 265
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:EWMA 266
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:SETAR 266
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:ARCH 267
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BBDC4 - Modelo de Retorno:SEM_TRAT 267
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo de
Retorno: AR 268
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: AR 268
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: ARMA 269
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: ARMA 269
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: MA 270
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: MA 270
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo de
Retorno: EWMA 271
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: EWMA 271
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: SETAR 272
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: SETAR 272
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: ARCH 273
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: ARCH 273
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: SEM_TRAT 274
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - USIM5 - Modelo
de Retorno: SEM_TRAT 274
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:AR 275
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:ARMA 275
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:MA 276
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:EWMA 276
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:SETAR 277
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:ARCH 277
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:SEM_TRAT 278
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:AR 278
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:ARMA 279
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:MA 279
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:EWMA 280
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:SETAR 280
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:ARCH 281
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
USIM5 - Modelo de Retorno:SEM_TRAT 281
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo de
Retorno: AR 282
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: AR 282
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: ARMA 283
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: ARMA 283
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: MA 284
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: MA 284
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: EWMA 285
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: EWMA 285
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: SETAR 286
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: SETAR 286
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: ARCH 287
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: ARCH 287
)LJXUD�&���� Gráfico de Controle X - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: SEM_TRAT 288
)LJXUD�&���� Gráfico de Controle mR - ln (Retorno Diário) - ITAU4 - Modelo
de Retorno: SEM_TRAT 288
)LJXUD�&���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:AR 289
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:ARMA 289
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:MA 290
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:EWMA 290
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:SETAR 291
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:ARCH 291
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:SEM_TRAT 292
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:AR 292
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:ARMA 293
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:MA 293
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:EWMA 294
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:SETAR 294
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:ARCH 295
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
ITAU4 - Modelo de Retorno:SEM_TRAT 295
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: AR 296
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: AR 296
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: ARMA 297
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: ARMA 297
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: MA 298
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: MA 298
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: EWMA 299
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: EWMA 299
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: SETAR 300
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: SETAR 300
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: ARCH 301
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: ARCH 301
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: SEM_TRAT 302
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - CSNA3 - Modelo
de Retorno: SEM_TRAT 302
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:AR 303
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:ARMA 303
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:MA 304
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:EWMA 304
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:SETAR 305
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:ARCH 305
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:SEM_TRAT 306
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:AR 306
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:ARMA 307
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:MA 307
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:EWMA 308
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:SETAR 308
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:ARCH 309
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CSNA3 - Modelo de Retorno:SEM_TRAT 309
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: AR 310
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: AR 310
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: ARMA 311
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: ARMA 311
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: MA 312
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: MA 312
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: EWMA 313
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: EWMA 313
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: SETAR 314
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 -
Modelo de Retorno: SETAR 314
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: ARCH 315
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 -
Modelo de Retorno: ARCH 315
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - GGBR4 - Modelo
de Retorno: SEM_TRAT 316
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - GGBR4 -
Modelo de Retorno: SEM_TRAT 316
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:AR 317
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:ARMA 317
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:MA 318
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:EWMA 318
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:SETAR 319
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:ARCH 319
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:SEM_TRAT 320
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:AR 320
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:ARMA 321
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:MA 321
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:EWMA 322
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:SETAR 322
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:ARCH 323
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
GGBR4 - Modelo de Retorno:SEM_TRAT 323
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: AR 324
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: AR 324
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: ARMA 325
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: ARMA 325
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: MA 326
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: MA 326
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: EWMA 327
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: EWMA 327
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: SETAR 328
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: SETAR 328
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: ARCH 329
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: ARCH 329
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: SEM_TRAT 330
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - VALE3 - Modelo
de Retorno: SEM_TRAT 330
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:AR 331
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:ARMA 331
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:MA 332
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:EWMA 332
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:SETAR 333
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:ARCH 333
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:SEM_TRAT 334
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:AR 334
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:ARMA 335
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:MA 335
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:EWMA 336
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:SETAR 336
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:ARCH 337
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
VALE3 - Modelo de Retorno:SEM_TRAT 337
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: AR 338
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: AR 338
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: ARMA 339
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: ARMA 339
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: MA 340
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: MA 340
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: EWMA 341
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: EWMA 341
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: SETAR 342
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: SETAR 342
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: ARCH 343
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: ARCH 343
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - BRKM5 - Modelo
de Retorno: SEM_TRAT 344
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - BRKM5 -
Modelo de Retorno: SEM_TRAT 344
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:AR 345
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:ARMA 345
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:MA 346
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:EWMA 346
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:SETAR 347
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:ARCH 347
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:SEM_TRAT 348
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:AR 348
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:ARMA 349
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:MA 349
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:EWMA 350
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:SETAR 350
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:ARCH 351
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
BRKM5 - Modelo de Retorno:SEM_TRAT 351
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: AR 352
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: AR 352
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: ARMA 353
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: ARMA 353
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: MA 354
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: MA 354
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: EWMA 355
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: EWMA 355
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: SETAR 356
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: SETAR 356
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: ARCH 357
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: ARCH 357
)LJXUD�&����� Gráfico de Controle X - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: SEM_TRAT 358
)LJXUD�&����� Gráfico de Controle mR - ln (Retorno Diário) - TNLP4 - Modelo
de Retorno: SEM_TRAT 358
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:AR 359
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:ARMA 359
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:MA 360
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:EWMA 360
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:SETAR 361
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:ARCH 361
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:SEM_TRAT 362
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:AR 362
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:ARMA 363
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:MA 363
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:EWMA 364
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:SETAR 364
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:ARCH 365
)LJXUD�&����� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
TNLP4 - Modelo de Retorno:SEM_TRAT 365
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: AR - Gráfico: SHEWHART 366
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra inicial -
Modelo: AR - Gráfico: EWMA lambda = 0,2 366
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: AR - Gráfico: EWMA lambda = 0,6 366
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARMA - Gráfico: SHEWHART 367
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARMA - Gráfico: EWMA lambda = 0,2 367
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARMA - Gráfico: EWMA lambda = 0,6 367
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: MA - Gráfico: SHEWHART 368
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: MA - Gráfico: EWMA lambda = 0,2 368
)LJXUD�'��� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: MA - Gráfico: EWMA lambda = 0,6 368
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: EWMA - Gráfico: SHEWHART 369
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: EWMA - Gráfico: EWMA lambda = 0,2 369
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: EWMA - Gráfico: EWMA lambda = 0,6 369
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SETAR - Gráfico: SHEWHART 370
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SETAR - Gráfico: EWMA lambda = 0,2 370
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SETAR - Gráfico: EWMA lambda = 0,6 370
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARCH - Gráfico: SHEWHART 371
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARCH - Gráfico: EWMA lambda = 0,2 371
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: ARCH - Gráfico: EWMA lambda = 0,6 371
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SEM_TRAT - Gráfico: SHEWHART 372
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SEM_TRAT - Gráfico: EWMA lambda = 0,2 372
)LJXUD�'���� Conjunto de Soluções Não Dominadas - Amostra de Controle -
Modelo: SEM_TRAT - Gráfico: EWMA lambda = 0,6 372
)LJXUD�(��� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: AR 416
)LJXUD�(��� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: AR 416
)LJXUD�(��� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo de
Retorno: ARMA 417
)LJXUD�(��� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: ARMA 417
)LJXUD�(��� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: MA 418
)LJXUD�(��� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: MA 418
)LJXUD�(��� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: EWMA 419
)LJXUD�(��� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: EWMA 419
)LJXUD�(��� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: SETAR 420
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: SETAR 420
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: ARCH 421
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: ARCH 421
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART1 - Modelo
de Retorno: SEM_TRAT 422
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART1- Modelo
de Retorno: SEM_TRAT 422
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:AR 423
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:ARMA 423
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:MA 424
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:EWMA 424
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:SETAR 425
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:ARCH 425
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:SEM_TRAT 426
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:AR 426
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:ARMA 427
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:MA 427
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:EWMA 428
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:SETAR 428
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:ARCH 429
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART1 - Modelo de Retorno:SEM_TRAT 429
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: AR 430
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: AR 430
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: ARMA 431
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: ARMA 431
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: MA 432
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: MA 432
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: EWMA 433
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: EWMA 433
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: SETAR 434
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: SETAR 434
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: ARCH 435
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: ARCH 435
)LJXUD�(���� Gráfico de Controle X - ln (Retorno Diário) - CART2 - Modelo
de Retorno: SEM_TRAT 436
)LJXUD�(���� Gráfico de Controle mR - ln (Retorno Diário) - CART2- Modelo
de Retorno: SEM_TRAT 436
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:AR 437
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:ARMA 437
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:MA 438
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:EWMA 438
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:SETAR 439
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:ARCH 439
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,6) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:SEM_TRAT 440
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:AR 440
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:ARMA 441
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:MA 441
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:EWMA 442
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:SETAR 442
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:ARCH 443
)LJXUD�(���� Gráfico de Controle EWMA (lambda=0,2) - ln (Retorno Diário) -
CART2 - Modelo de Retorno:SEM_TRAT 443
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: ARMA 444
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: MA 444
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: EWMA 445
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: SETAR 445
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: ARCH 446
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: SEM_TRAT 446
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: AR 447
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: ARMA 447
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: MA 448
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: EWMA 448
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: SETAR 449
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: ARCH 449
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: SEM_TRAT 450
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: AR 450
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: ARMA 451
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: MA 451
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: EWMA 452
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: SETAR 452
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: ARCH 453
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: SEM_TRAT 453
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: ARMA - Somente Estratégias da Fronteira Eficiente 454
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: MA - Somente Estratégias da Fronteira Eficiente 454
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: EWMA - Somente Estratégias da Fronteira Eficiente 455
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: SETAR - Somente Estratégias da Fronteira Eficiente 455
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: ARCH - Somente Estratégias da Fronteira Eficiente 456
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: SHEWHART e
Modelo: SEM_TRAT - Somente Estratégias da Fronteira Eficiente 456
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: AR - Somente Estratégias da Fronteira Eficiente 457
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: ARMA - Somente Estratégias da Fronteira Eficiente 457
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: MA - Somente Estratégias da Fronteira Eficiente 458
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: EWMA - Somente Estratégias da Fronteira Eficiente 458
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: SETAR - Somente Estratégias da Fronteira Eficiente 459
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: ARCH - Somente Estratégias da Fronteira Eficiente 459
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,6 e
Modelo: SEM_TRAT - Somente Estratégias da Fronteira Eficiente 460
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: AR - Somente Estratégias da Fronteira Eficiente 460
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: ARMA - Somente Estratégias da Fronteira Eficiente 461
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: MA - Somente Estratégias da Fronteira Eficiente 461
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: EWMA - Somente Estratégias da Fronteira Eficiente 462
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: SETAR - Somente Estratégias da Fronteira Eficiente 462
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: ARCH - Somente Estratégias da Fronteira Eficiente 463
)LJXUD�(���� Q-Q Plot - RETESC - Gráfico de Controle: EWMAl=0,2 e
Modelo: SEM_TRAT - Somente Estratégias da Fronteira Eficiente 463
)LJXUD�(���� RETESCs ARC - Modelo ARMA e Gráfico Shewhart 464
)LJXUD�(���� RETESCs ARC - Modelo MA e Gráfico de Controle Shewhart 464
)LJXUD�(���� RETESCs ARC - Modelo EWMA e Gráfico Shewhart 465
)LJXUD�(����� RETESCs ARC - Modelo SETAR e Gráfico Shewhart 465
)LJXUD�(����� RETESCs ARC - Modelo ARCH e Gráfico Shewhart 466
)LJXUD�(����� RETESCs ARC - Modelo SEM_TRAT e Gráfico Shewhart 466
)LJXUD�(����� RETESCs ARC - Modelo AR e Gráfico de Controle EWMA
(λ=0,6) 467
)LJXUD�(����� RETESCs ARC - Modelo ARMA e Gráfico de Controle EWMA
(λ=0,6) 467
)LJXUD�(����� RETESCs ARC - Modelo MA e Gráfico de Controle EWMA
(λ=0,6) 468
)LJXUD�(����� RETESCs ARC - Modelo EWMA e Gráfico de Controle EWMA
(λ=0,6) 468
)LJXUD�(����� RETESCs ARC - Modelo SETAR e Gráfico de Controle EWMA
(λ=0,6) 469
)LJXUD�(����� RETESCs ARC - Modelo ARCH e Gráfico de Controle EWMA
(λ=0,6) 469
)LJXUD�(����� RETESCs ARC - Modelo SEM_TRAT e Gráfico de Controle
EWMA (λ=0,6) 470
)LJXUD�(����� RETESCs ARC - Modelo AR e Gráfico de Controle EWMA
(λ=0,2) 470
)LJXUD�(����� RETESCs ARC - Modelo ARMA e Gráfico de Controle EWMA
(λ=0,2) 471
)LJXUD�(����� RETESCs ARC - Modelo MA e Gráfico de Controle EWMA
(λ=0,2) 471
)LJXUD�(����� RETESCs ARC - Modelo EWMA e Gráfico de Controle EWMA
(λ=0,2) 472
)LJXUD�(����� RETESCs ARC - Modelo SETAR e Gráfico de Controle EWMA
(λ=0,2) 472
)LJXUD�(����� RETESCs ARC - Modelo ARCH e Gráfico de Controle EWMA
(λ=0,2) 473
)LJXUD�(����� RETESCs ARC - Modelo SEM_TRAT e Gráfico de Controle
EWMA (λ=0,2) 473
/LVWD�GH�WDEHODV�
7DEHOD����� COMPOSIÇÃO DO IBOVESPA VÁLIDA PARA O PERÍODO DE
SETEMBRO A DEZEMBRO DE 2006 73
7DEHOD����� RESUMO DA ANÁLISE PRELIMINAR - DEMAIS AÇÕES 79
7DEHOD����� Fatores Sazonais Médios Ponderados - Saídas E-views 90
7DEHOD����� Estatísticas de Teste 91
7DEHOD����� ANOVA REFERENTE AO TESTE 2 DE SAZONALIDADE 92
7DEHOD����� P-valor do Teste de Diferença de Variância para Ações 93
7DEHOD����� Teste de Diferença de Variância para dias 93
7DEHOD����� Volume de Negócios Médio por dia da Semana (Ibovespa) 94
7DEHOD����� RESUMO DAS ESTIMATIVAS DOS MODELOS SETAR 100
7DEHOD����� DADOS DESSAZONALIZADOS 103
7DEHOD����� RESUMO DAS ESTIMATIVAS DOS MODELOS DE RETORNO 105
7DEHOD����� RESULTADOS DO TESTE DE DURBIN-WATSON 111
7DEHOD����� LIMITES DE CONTROLE – GRÁFICO X (SHEWHART) 112
7DEHOD����� VALORES ESTIMADOS PARA σ DE PETR4 130
7DEHOD����� RESUMO DOS LIMITES LIC E LSC ENCONTRADOS -
Gráficos de Shewhart 131
7DEHOD����� RESUMO DOS LIMITES LIC E LSC ENCONTRADOS - Gráficos
EWMA com λ=0,6 132
7DEHOD����� RESUMO DOS LIMITES LIC E LSC ENCONTRADOS - Gráficos
EWMA com λ=0,2 133
7DEHOD����� LI e LS CONSIDERADOS 137
7DEHOD����� Comparação dos ISAM apurados 150
7DEHOD����� RETESCs Máximos - Estratégias e Valores 152
7DEHOD����� Estratégias com RETESCs Mínimos 153
7DEHOD����� Comparação dos ISAM apurados - amostra de controle 156
7DEHOD����� Estratégias com RETESCs Mínimos - amostra de controle 157
7DEHOD����� Resumo dos Resultados - Regressão com RETESC 158
7DEHOD����� Resumo dos Resultados - Regressão com ISA 159
7DEHOD����� Correlação Amostra Inicial vs. Amostra de Controle 160
7DEHOD������ CORRELAÇÕES ENTRE OS RETESCS DE DIFERENTES
PARES DE GRÁFICO E MODELO DE RETORNO (amostra inicial) 163
7DEHOD����� Distribuição percentual de CART2 166
7DEHOD����� RESUMO DAS ESTIMATIVAS DAS CARTEIRAS 167
7DEHOD����� RETESC Apurado para Carteiras (Amostra Inicial) 182
7DEHOD����� PERCENTUAL DE RETESC DAS CARTEIRAS SUPERIOR A
RETESC MÉDIO DAS AÇÕES (amostra inicial) 183
7DEHOD����� RETESC Apurado para Amostra Inicial: dados dessazonalizados
vs. Dados originais 185
7DEHOD����� Comparação Dos ISAM Apurados - dados sem tratamento de
sazonalidade 185�
7DEHOD����� Estratégias com RETESCs Máximos - dados sem tratamento de
sazonalidade 186
7DEHOD����� ESTIMATIVAS PARA DADOS DESSAZONALIZADOS -
AMOSTRA 2 187
7DEHOD����� RETESCs Apurados 190
7DEHOD������ Percentual de vezes em que a associação de restrições de
Stop Loss levaram a resultados superiores (para RETESC ou ISA) – Dados
Dessazonalizados, amostra inicial 191
7DEHOD������ FUNDOS CONSIDERADOS 193
7DEHOD������ RETESCS APURADOS - amostra de controle 194
7DEHOD������ RETESCs Apurados - Média e Ações (amostra de controle) 194
7DEHOD������ RETESCs Apurados com apropriação de Renda Fixa - Média e
Ações (amostra de controle) 196
7DEHOD������ Rentabilidade Bruta Apurada (amostra de controle) 197
7DEHOD������ Rentabilidade Líquida Apurada (amostra de controle) 199
7DEHOD������ RETESCs MÁXIMOS E ∆ A ELES ASSOCIADOS PARA CADA
LIMITE DE VENDA ESTABELECIDO, POR AÇÃO (MODELO AR E
GRÁFICO DE SHEWHART) 205
7DEHOD������ RETESCs MÁXIMOS POR AÇÃO (MODELO AR E GRÁFICO
DE SHEWHART) 206
7DEHOD������ Percentual de RETESC dado um Certo Parâmetro (para LS não
negativo) 208
7DEHOD������ Resultado Apurado para Estratégias com ∆s menores 210
7DEHOD�'��� Resumo dos Resultados - Regressão com RETESC completa 373
7DEHOD�'��� RETESCs Observados - Amostra Inicial 374
��,QWURGXomR�
Mandelbrot & Hudson (2004) argumentam que financistas e economistas
há muito tempo procuram entender o risco de investimentos em ações, sem
sucesso. Acrescentam, a isto, o fato de que certas pesquisas realizadas em
1999 e 2001 terem revelado que, apesar de mais de 70% dos administradores
de recursos usar o CAPM (Capital Asset Pricing Model) em suas decisões de
investimento, a maioria “dava a impressão de também estar usando outras
técnicas.” (p.57) Os autores argumentam que, apesar de estar presente na
grande maioria dos cursos de finanças, o método do CAPM ainda é alvo de
muitas críticas e parece precisar de um substituto.
Franses & Dijk (2000), estudiosos dos mercados financeiros, observam
que diversos pressupostos do CAPM são violados quando se observam valores
reais de retorno de séries financeiras. Argumentam que não conseguem
encontrar simetria nos dados, que observações remotas ocorrem numa
freqüência bem maior do que a esperada, que existe correlação entre os dados,
que RXWOLHUV negativos são mais freqüentes do que os positivos, entre outros
aspectos.
Assim, encontrar uma ferramenta que seja capaz de descrever de modo
mais eficiente a evolução do mercado de capitais é de suma importância para
evoluir no sentido de definir uma nova modelagem capaz de atender às
necessidades dos investidores.
O objetivo principal desse trabalho é propor o uso de uma nova ferramenta
para a tomada de decisões quanto à hora de comprar ou vender títulos
negociados em bolsa de valores. Esta ferramenta deverá ser capaz de
identificar as melhores estratégias que o investidor com aversão a risco deve
seguir para aplicar nas ações negociadas na Bovespa. Trata-se do
aprimoramento de um caminho trilhado desde a elaboração da monografia de
final de curso “A Teoria das Cartas de Controle Aplicada a Tomadas de Decisão
no Mercado de Ações Brasileiro” e prosseguido com a dissertação de mestrado
intitulada “Identificação de Momentos de Compra e Venda, à Vista, de Ações:
Um Procedimento Alternativo Inspirado em Gráficos de Controle de Processos”,
defendida em 2004, com a introdução de novas técnicas de apuração de
43
resíduos (através do uso de outros modelos de séries temporais) e com a
utilização de outros gráficos de controle (com a construção de gráficos EWMA
em adição aos de Shewhart).
Assim, o desafio do trabalho proposto será, então, demonstrar, de forma
pragmática, que se pode tomar decisões em mercados de risco com o suporte
de um embasamento teórico; e que é possível expandir ainda mais o uso de
gráficos de controle a processos além daqueles associados à área industrial.
A perspectiva de obter uma ferramenta capaz de identificar momentos
oportunos de compra e venda de ações aliando os conceitos de finanças e as
ferramentas de Controle Estatístico de Processos (CEP) junta duas áreas que se
acredita possuírem uma alta sinergia, mas que nunca trabalharam juntas em prol
do investidor.
Assim, este trabalho é relevante para a academia porque:
� Amplia a gama de aplicações de CEP;
� Agrega conhecimentos das áreas de finanças e gerência de
produção, gerando sinergias no que diz respeito à ampliação do
conhecimento científico/ técnico;
� Mostra que é possível melhorar ganhos mesmo em ambientes de
incerteza;
� Amplia a aplicação de gráficos de controle a processos não
industriais;
� Aumenta o leque de técnicas à disposição dos investidores com
alguma capacidade de correr riscos.
Para que se atinja o objetivo anteriormente proposto, a estrutura da tese
será composta de oito capítulos (além da introdução):
� Capítulo 2: pesquisa bibliográfica composta de estudo da teoria
moderna de finanças, incluindo o uso de gráficos de controle em
finanças;
� Capítulo 3: apresentação da metodologia que irá nortear este
trabalho;
� Capítulos 4, 5 e 6: construção da base de dados, estudo de
sazonalidade e estimação dos modelos de retorno;
� Capítulo 7: escolha das melhores estratégias para se escolher os
momentos de compra e venda de ações;
� Capítulo 8: aprimoramentos e estudos complementares;
� Capítulo 9: conclusões e recomendações
44
No Capítulo 2 é apresentado um resumo dos estudos acerca do
comportamento do mercado financeiro e das principais metodologias (teóricas e
práticas) descritas para entender o seu comportamento. Adicionalmente, é
apresentado uma resenha a respeito do uso de gráfico de controle aplicado a
finanças, que apresenta os resultados a partir dos quais este trabalho foi
concebido.
Em seguida é apresentada, em linhas gerais, a metodologia que será
adotada na construção e escolha da ferramenta destinada a indicar como o
investidor deve escolher os melhores momentos para comprar e vender ações
no mercado à vista.
No Capítulo 4, com o intuito de apresentar o ambiente de estudo ao leitor,
encontra-se um breve resumo sobre o funcionamento da Bovespa e sobre o
cálculo do Ibovespa. Adicionalmente, é apresentada uma análise preliminar
tanto do Ibovespa quanto das ações em estudo, contemplando a plotagem da
série temporal das cotações de fechamento, além de histograma e Box-plot dos
logaritmos dos retornos. O objetivo deste capítulo é fazer uma análise anterior à
aplicação do método proposto para averiguar se é possível formar alguma
expectativa D� SULRUL quanto ao desempenho das ações que serão avaliadas e,
assim, partir de alguma expectativa com relação às estratégias que serão
apontadas.
No Capítulo 5 encontra-se um estudo sobre o comportamento dos dados.
Após o tratamento inicial, indicado para que se construa um banco de dados
consistente com a teoria aplicável ao mercado financeiro, nesse capítulo são
calculados os fatores sazonais segundo a metodologia de Holt-Winters e
apurado o seu grau de relevância para determinar o comportamento das ações
em estudo.
O objetivo do Capítulo 6, por sua vez, é estimar parâmetros dos modelos
de retorno que serão utilizados para filtrar os dados, conforme metodologia
apresentada no Capítulo 3, e apresentar os gráficos de controle montados com
os resíduos gerados. Estes modelos serão estimados a partir da série de dados
originalmente considerada no Capítulo 4 ou a partir dos dados
dessazonalizados, dependendo dos resultados encontrados no capítulo anterior.
No Capítulo 7 é que são apresentadas e detalhadas, efetivamente, as
estratégias montadas a partir deste trabalho. São apresentadas uma análise do
comportamento do método na amostra inicial (dados de 1994 a 2004) e outra
análise referente à amostra de controle (dados de 2005 e 2006). Também é
apresentada uma análise comparativa dos resultados apurados com as duas
45
amostras. Nesse capítulo também é comparado o desempenho dos diferentes
gráficos de controle e dos modelos de retorno, sendo destacadas as
combinações com melhor resultado para investidores com diferentes perfis.
No Capítulo 8 são apresentados os aprimoramentos da ferramenta e as
comparações com o mercado: após estudar o comportamento das estratégias
originalmente propostas, pretende-se estudar alguns aspectos adicionais que
não são o foco deste trabalho, mas que podem ajudar a indicar caminhos futuros
de estudo. Assim, nesse capítulo são abordados os temas: introdução de regras
de VWRS� ORVV, incorporação da teoria de carteiras, estudo de casualidade dos
resultados encontrados, grau de relevância do modelo dessazonalizado para
aplicação das estratégias, tamanho da amostra ideal para se aplicar a
metodologia proposta, comparação dos resultados encontrados com outros
ativos financeiros disponíveis.
Por fim, no Capítulo 9 são apresentadas as conclusões e recomendações
desta tese, onde se indica as principais idéias encontradas com a realização
deste estudo e os caminhos de prosseguimento para trabalhos futuros.
��0RGHUQD� 7HRULD� GH� )LQDQoDV�� 0HUFDGR� GH� &DSLWDLV�%UDVLOHLUR�H�*UiILFRV�GH�&RQWUROH�
Até o final da década de 50 as finanças eram baseadas na contabilidade e
no direito, limitando-se às análises de demonstrações financeiras e à natureza
dos títulos de crédito. No final dos anos 50 e início dos anos 60 surgiram os
trabalhos de Markowitz, Modigliani & Miller e Sharpe que deram origem à
chamada “Moderna Teoria de Finanças”. Este capítulo apresenta as origens das
discussões a respeito das teorias vigentes em finanças, pois se pretende
introduzir todos os conceitos fundamentais para o uso da ferramenta proposta
neste trabalho. Adicionalmente é feito um breve resumo sobre o único trabalho
sobre o uso de gráficos de controle aplicado a finanças e um resumo sobre os
principais indicadores criados para avaliação de performance de carteiras e
fundos de investimento.
�����,QWURGXomR�
Uma das decisões mais importantes que empresários, gestores e as
demais pessoas físicas devem tomar no dia-a-dia são as decisões de
investimento. Estas, normalmente, são tomadas no sentido de se otimizar
recursos financeiros. Um dos mercados que apresenta a possibilidade de
geração de ganhos a curto prazo é o mercado de ações que, por esse motivo,
fascina muitos a ingressar em seu mundo sem uma avaliação adequada.
A teoria econômica tradicional descreve o comportamento do consumidor
racional como avesso a riscos, mas muitas vezes os analistas parecem esquecer
disto e concentram-se apenas no estudo dos retornos financeiros em detrimento
de sua qualidade. Isto pode ser percebido e observado especialmente nos
períodos em que se vivenciam fases de alta das Bolsas de Valores, num cenário
em que a mídia reforça as oportunidades que este tipo de investimento oferece
já que sua rentabilidade apresenta-se superior às demais opções existentes.
Diversos estudos empíricos a respeito de mercado de capitais apontam
que:
47
� séries temporais financeiras têm como comportamento esperado uma
assimetria (retornos muito negativos são mais freqüentes que os muito
positivos);
� períodos de alta volatilidade geralmente são precedidos de grandes
retornos negativos;
� observações remotas ocorrem com freqüência maior do que a
esperada;
� períodos voláteis normalmente começam com grandes retornos
negativos e existe correlação negativa entre 2tY (quadrado do retorno
na data t) e 1tY � (retorno na data t-1);
� períodos relativamente voláteis se alternam com períodos mais
tranqüilos.
Estas características são fortes indícios de que modelos lineares não são
adequados para descrever séries financeiras. Franses & Dijk argumentam que
raramente se consegue uma previsão precisa para séries do mercado financeiro
e afirmam que é possível prever o sinal do retorno futuro esperado com relativa
segurança. Indicam que os retornos passados servem como variáveis
explicativas para os retornos atuais, mas a maior parcela da informação
relevante para previsão são os retornos mais recentes. Propõem, ainda, um
debate: retornos muito negativos são atípicos ou ocorrem naturalmente?
Tentando diminuir a ilusão que os investidores possam sofrer, o intuito
deste trabalho, como já foi anteriormente explicitado, será apresentar uma
ferramenta que possa ajudar o aplicador comum a enxergar e decidir nos dois
momentos cruciais quando se pensa em aplicações de renda variável: a hora de
comprar e a hora de vender títulos. Para tal decisão, será proposta a utilização
de gráficos de controle.
�����&$30�
O “Capital Asset Pricing Model” (CAPM), ou modelo de precificação de
ativo financeiro, surgiu na década de 60 como uma evolução da teoria de
carteiras de Markowitz. Conforme descrito por Copeland, Koller & Murrin (2002),
o CAPM postula que o custo de oportunidade do capital ordinário seja igual ao
48
retorno sobre os títulos livres de risco adicionado ao risco sistêmico da empresa
(E) ajustado pelo prêmio de risco. A equação do capital ordinário (Ks) é:
Ks = Rf + [E(rm) – Rf] E
onde:
Rf: Taxa de retorno livre de risco
E(rm): Taxa de retorno prevista para a carteira do mercado como um todo
E(rm) – Rf: Prêmio de risco
E�� Risco sistêmico do capital ordinário
A forma apresentada acima é "ex-ante", ou seja representa a expectativa
de rentabilidade de um título em função do risco que o mesmo oferece (medido
pelo E). De acordo com Mandelbrot & Hudson (2004, p.65), “O conceito é
inequívoco. Ele [o CAPM] diz que quanto maior for o risco, maior será a
remuneração esperada. Também diz que o maior risco que se enfrenta como
investidor no mercado de ações é o estado geral da economia, que se reflete no
desempenho do mercado. E ainda preceitua que os investidores racionais não
se interessam por uma ação que afundará na primeira recessão, logo no
momento em que também eles correm o risco de demissão, portanto, para
comprar tal ação, espera-se que sua alta nos bons tempos mais do que
compense as perdas nos maus tempos. E agora um aspecto prático que ajuda a
explicar por que essa fórmula tornou-se tão popular no mundo das finanças. Ela
absorve todos os cálculos tediosos de Markowitz referentes à composição de
carteiras e os reduz a uns poucos. Desenvolve uma previsão para o mercado
como um todo e depois estime o E de cada ação que se queira considerar.”
Apesar da simplicidade do modelo representar uma grande evolução,
talvez a maior qualidade do mesmo seja sua validade para qualquer ativo que se
queira precificar. O CAPM tem como característica servir como ferramenta não
apenas para o mercado de ações, mas também como ferramenta de análise de
projetos e cálculo de valor presente, provavelmente, esta seja a razão de sua
imensa popularidade.
Por outro lado, a razão de sua popularidade também é seu maior alvo de
críticas. A simplicidade da idéia de que o E é a única razão que diferencia as
rentabilidades dos ativos é considerada por muitos pesquisadores uma hipótese
fraca o que os leva a ser extremamente descrentes com relação à sua validade.
49
�����&UtWLFDV�DR�&$30�
Apesar da ampla gama de pessoas que utilizam o CAPM para a tomada de
decisões no mercado financeiro, é inegável que este modelo apresenta
distorções em relação ao mundo real, principalmente no que tange aos seus
pressupostos originais. Muitos autores (como por exemplo, Khotari, Shanken &
Sloan, 1995), embasados pela idéia de profecias auto-realizáveis, acreditam
que, apesar dos problemas, sua ampla utilização é suficiente para torná-lo uma
excelente ferramenta.
No entanto, na prática, o que se verifica é que há fortes indícios de
problemas de especificação do CAPM. Diversos acadêmicos (Fama, French –
1996 - e Banz – 1981 - por exemplo) dedicaram-se a estudar os problemas em
torno deste modelo e indicar algumas possíveis soluções para corrigi-lo. Ou,
então, simplesmente apontam evidências empíricas para tornar evidente a
necessidade de uma nova modelagem. Nesta seção serão apresentados estes
estudiosos cujas críticas ao CAPM tornaram-se as mais famosas.
�������0LOOHU��6FKROHV�
Já em 1972 Miller & Scholes investigam possíveis problemas de viés na
estimativa de parâmetros do CAPM. Apesar de seu artigo não apresentar uma
crítica específica aos pressupostos do modelo, investigam, através de uma
abordagem ora empírica, ora teórica, como os dados reais podem comprometer
a estimativa de parâmetros da equação do retorno esperado dos ativos.
Iniciaram sua sondagem com a replicação do trabalho de 1965 de Lintner1,
utilizando séries temporais para se efetuar o cálculo dos E's das ações. Com o
resultado, calcularam a seguinte equação de FURVV�VHFWLRQ para os ativos:
iR~
= J � � + J1 Ei + J2 s2 (ei)
Ji = 0,127 0,042 0,310
(0,006) (0,006) (0,026)
t = 21,31 7,4 11,76
1 Lintner, J.; "Security Prices Risk and Maximal Gains from Diversification" – Journal of Finance, XX, dezembro de 1965.
50
onde:
Ri: retorno do ativo i;
Ei: beta estimado pela equação do CAPM para ativo i;
S2(ei): variância do erro estimado pela equação do CAPM para o ativo i.
Assim como no trabalho anterior, encontraram uma estimativa para J0
bastante superior ao esperado (esperava-se chegar a um valor próximo a 0,028,
a rentabilidade do ativo livre de risco, segundo a teoria que embasa o CAPM),
além de um valor para J1 diferente do prêmio de risco vigente (0,165). Com isto,
os autores passaram a investigar as possíveis fontes de viés nas medidas de
risco e retorno, medidas estas que separaram em dois grupos, a saber: falha na
equação de estimação e falha no uso das variáveis representativas do retorno e
do risco.
Com relação à equação de estimação, foram investigadas as hipóteses de:
erro na suposição de que a renda fixa permaneceria constante, inexistência de
linearidade da relação risco-retorno e possíveis distorções decorrentes de
heterocedasticidade. No que diz respeito às variáveis, foram avaliadas as
seguintes alternativas: erros de medida de Ei, erros na escolha do índice para
representação do portfólio de mercado, uso do risco residual como substituto da
covariância e falta de independência entre os momentos da amostra.
De acordo com os exames apresentados, Miller & Scholes (1972)
concluem que os resultados encontrados para a estimativa da equação do
CAPM não podem ser aceitos como definitivos. Os testes e as discussões
apresentadas mostraram que muitos dos problemas relatados devem-se a
procedimentos de teste utilizados. As distorções parecem ser inevitáveis quando
se utiliza um modelo onde há duas regressões (uma temporal e outra do tipo
"cross-section") interligadas, onde o resultado da primeira influencia o da
segunda. Os cálculos realizados indicam que os problemas de viés encontrados
parecem ser da mesma magnitude da divergência entre os coeficientes
observados e seus valores previstos. No entanto, os testes efetuados não são
capazes de indicar a "verdadeira" relação entre risco e retorno. Nem tampouco
foram suficientes para indicar se os retornos são proporcionais ao risco não
diversificável, conforme sugerem algumas versões do modelo de média e
variância.
51
�������%DQ]�
Banz (1981), por sua vez, faz uma crítica a respeito da simplicidade do
CAPM. O autor baseia suas suspeitas nas descobertas que, à época, sugeriam a
existência de outros fatores relevantes na determinação do preço de um ativo.
Até então o principal argumento a favor do uso do CAPM era que os erros de
estimação referiam-se à falta de mercados eficientes. Foi investigada a relação
entre o valor de mercado das ações de uma firma e seu retorno.
Os resultados que foram alcançados sugerem que, para o período de 1936
a 1975, as firmas menores apresentaram, em média, maiores retornos ajustados
ao risco do que as firmas maiores, fato este caracterizado como o "efeito
tamanho". No entanto, o autor ressalta que “como os resultados do estudo não
são baseados em um modelo teórico particular de equilíbrio, não é possível
determinar de forma conclusiva se o valor de mercado ‘per se’ importa ou se ele
é apenas um substituto para verdadeiros fatores adicionais desconhecidos
correlacionados com o valor de mercado.” (p.4)
Com a estimação de uma equação alternativa ao CAPM (com mais um
fator que incluísse o prêmio de risco do valor de mercado do ativo), foi
encontrado um novo parâmetro estatisticamente significativo, indicando fortes
evidências de má especificação do CAPM, o que poderia explicar, inclusive, o
problema de heterocedasticidade anteriormente relatado.
Adicionalmente, os resultados apontaram para uma clara ineficiência de
uma equação linear, conforme descrito no CAPM. As evidências do trabalho de
Banz apontam para o fato de que o modelo CAPM realmente apresenta omissão
de variáveis. No entanto, por se tratar de um estudo empírico, não é
apresentada uma fundamentação teórica para o efeito tamanho, não sendo
possível definir se este é realmente relevante, ou se é um substituto para um ou
mais fatores ainda desconhecidos e correlacionados ao tamanho.
�������5HLQJDQXP�
Contrariando a teoria financeira, as pesquisas empíricas sugerem que o
lucro corporativo e o tamanho de firma podem ser importantes na identificação
de carteiras com retornos ‘anormais’, que variam desde um pequeno percentual
até quase 40%. É este fenômeno que Reinganum (1981) investiga.
52
Conforme estudo de Latané e Jones2, não foi possível gerar retornos
anormais sistematicamente através da construção de carteiras, mas, no mesmo
período, as razões lucro/preço (L/P) poderiam ter sido usadas para criar carteiras
que, sistematicamente, geraram retornos ‘anormais’ entre 6% e 7% por trimestre.
Destaca-se que, além disso, estes retornos ‘anormais’ persistiram por pelo
menos mais dois trimestres. As evidências apontaram para o fato de que o
retorno ‘anormal’ de firmas com baixo valor de mercado ser talvez mais intenso
que a anomalia da relação L/P.
A evidência, desta forma, parece apontar para algo de errado no CAPM.
Com base na relação L/P é possível montar carteiras com lucros extraordinários
que persistiram por 6 ou 7 trimestres. Isto parece apontar para uma falha na
especificação do CAPM que estaria errado, ou para uma ineficiência de
mercado, ou ambos.
Assim, este estudo sugere, fortemente, que o CAPM de um período
apresenta falhas de especificação. O grupo de fatores omitido do modelo de
preço de equilíbrio parece estar mais relacionado ao tamanho da firma do que à
razão L/P. A falha na especificação, no entanto, não parece ser devido à
ineficiência de mercado, mas em função de omissão de fatores de risco do
modelo CAPM. Adicionalmente, depois de controlar retornos de acordo com os
efeitos de L/P, um forte efeito com tamanho da firma ainda parece existir,
enquanto o contrário não ocorre. Ou seja, depois de controlar retornos para
valores de mercado, um efeito devido à razão L/P desaparece. Apesar das duas
variáveis gerarem lucros ‘anormais’ separadamente, ambas parecem estar
relacionadas ao mesmo grupo de fatores omitido do CAPM, e este grupo parece
estar mais relacionado com o tamanho da firma do que com a relação L/P.
Por fim, o autor conclui que modelos alternativos do equilíbrio de CAPM
devem ser considerados e testados, uma vez que o modelo uniperiódico parece
apresentar evidências empíricas de inadequação para a representação do
equilíbrio do mercado de capitais.
2 Latané, H.A., Jones, C. P.; “Measuring and Using Standardized Unexpected Earnings”, American Finance Association, Annual Meeting in New York, 1977. e Latané, H.A., Jones, C. P.; “Standardized Unexpected Earnings – A progress Report”, Journal of Finance, Dezembro de 1977.
53
�������%DVX�
Estudos empíricos a respeito da relação entre lucratividade, tamanho da
firma e retorno de ações apresentaram algumas anomalias a respeito do preço
do patrimônio de empresas. Mais especificamente, em estudos da década de 70,
Basu3 (1975, 1977) observa que carteiras com alta (ou baixa) lucratividade e
listadas na NYSE parecem apresentar maiores (menores) taxas de retorno
absoluta e ajustada ao risco, se comparadas a carteiras com ações selecionadas
aleatoriamente. Isto sugere uma violação de que o CAPM possui validade
descritiva e que a expectativa de preços na NYSE é consistente com a hipótese
de eficiência de mercado.
A proposta do artigo é reexaminar a relação entre rentabilidade (razão
L/P), tamanho da firma e retornos de ações listadas na NYSE com uma
metodologia diferente e verificar se os resultados anteriormente encontrados por
Reinganum (1981) se repetem. A maior diferença para o trabalho anterior
consiste na utilização de um método para controlar o efeito do risco sobre o
retorno, tendo sido considerado não apenas o risco sistemático, mas também o
nível total de risco, pois se levanta a hipótese de que a falta deste procedimento
pode ter levado a resultados tendenciosos no estudo de Reinganum (1981).
Os dados estudados indicaram que as variáveis valor de mercado e
rentabilidade pareciam estar negativamente relacionadas. Além disso, os
resultados apontaram para uma consistência da proposição de que, apesar de
lucratividade e anomalias de valores de mercado parecerem estar inter-
relacionados, o efeito decorrente do tamanho da firma parece menos relevante
do que o efeito da relação L/P.
Adicionalmente, testes foram realizados para se detectar possíveis reflexos
das informações de fechamento anual de balanço. Verificou-se que as anomalias
de rentabilidade são mais bem explicadas em termos de falhas na especificação
do CAPM do que em termos de eficiência da informação no mercado de capitais.
Empiricamente o que se verificou foi que o retorno das ações da NYSE
parece estar relacionado à rentabilidade e tamanho da empresa. Empresas com
elevada razão L/P parecem ter apresentado, na média, maiores retornos
3 Basu, S.; "The Information Content of Price-earnings Ratios", Financial Management, summer, 1975 e Basu, S.; "Investment Performance of Common Stocks in Relation to Their Price-earnings ratios: A test of the Efficient Market Hypothesis", Journal of Finance, junho de 1977.
54
ajustados ao risco do que as firmas com baixa razão L/P. Este efeito L/P
permanece significativo mesmo após o controle do tamanho na montagem dos
portfólios através da aleatorização desta variável na montagem das carteiras. No
entanto, quando a aleatoriedade é feita para a relação L/P, não se encontra o
efeito tamanho.
Adicionalmente, análises sobre o possível efeito da interação entre a
relação L/P e valor de mercado de empresas sugere que tamanho da empresa
exerce efeito indireto no retorno ajustado ao risco das companhias da NYSE.
Além disso, a anomalia de L/P não se deve à ineficiência de informações do
CAPM, sendo mais plausível admitir a hipótese de falhas na especificação.
Concluindo, nem a razão L/P nem o tamanho da firma podem ser
considerados a causa do retorno esperado, mas a evidência parece apontar para
a idéia de que as duas variáveis são substitutas para algum outro fator ainda não
indicado.
�������)DPD��)UHQFK�
Fama & French (1992 e 1996) talvez sejam os autores cujos trabalhos
ficaram mais famosos por contestar o CAPM. Em 1992 publicaram um artigo
cujo objetivo era analisar o papel conjunto do E, tamanho da empresa, P/L
(relação preço/lucro), alavancagem e BE/ME (relação valor contábil/valor de
mercado) na determinação dos retornos médio para as ações listadas na NYSE,
AMEX e "National Association of Securities Dealers Automated Quotation"
(NASDAQ).
Os resultados obtidos mostram que existe forte evidência do efeito
tamanho no retorno esperado, enquanto que em relação ao E, essa evidência
não é clara, contradizendo o modelo de Sharpe-Lintner-Black (CAPM).
Adicionalmente, a relação retorno médio e L/P apresentou formato de U
(indicando uma possível correlação entre as variáveis, apesar de não linear),
além de ter sido encontrada evidência de forte relação positiva entre o retorno
médio e a relação BE/ME (estatisticamente mais forte do que a relação entre
tamanho e retorno)4.
4 O autor conclui que a relação entre L/P e o retorno médio é devido à correlação positiva entre L/P e BE/ME
55
Apesar de Fama & French terem testado o possível efeito da variável
alavancagem sobre o retorno, encontraram sinais distintos para a alavancagem
financeira (ativo/ME) e alavancagem contábil (ativo/BE), tendo concluído que
esse efeito deve-se à forte correlação do retorno com o indicador BE/ME.
Assim, os autores concluem que, de todos os parâmetros utilizados para analisar
o retorno médio, o de maior peso é a relação BE/ME.
Mais tarde, em um artigo de 1996, Fama & French, rebatendo as críticas
que receberam pelo artigo de 1992, reafirmam a idéia de que, mesmo que E seja
um risco relevante para explicar E(Ri) e o prêmio de risco apresente uma relação
positiva com E, ainda assim estas relações não garantem a adequação do
CAPM. Além disso, ao se introduzir variáveis não correlacionadas com E, mas
que conseguem descrever parte do comportamento do retorno do ativo, haveria
uma maior aproximação da realidade, limitando as discrepâncias já apontadas,
anteriormente, por diversos autores.
Concluindo, French e Fama argumentam que o E, sozinho, não é suficiente
para descrever o retorno médio, como prega a modelagem do CAPM. Variáveis não
relacionadas ao E, como tamanho e a relação BE/ME, entre outras, também são
importantes para descrever o retorno médio e devem ser consideradas num modelo
de previsão.
�������.KRWDUL��6KDQNHQ��6ORDQ�
O objetivo do artigo de Khotari, Shanken & Sloan (1995) foi reexaminar se
os Es explicam a variação "cross-section" no retorno médio no período pós 1940
tão bem quanto num período maior após 1926. Esse artigo tinha, ainda, o
objetivo de verificar se a relação BE/ME inclui a variação "cross-section" no
retorno médio.
Foram apresentadas evidências de que o retorno médio reflete uma
compensação substancial para o risco E, desde que os Es sejam medidos em
intervalos anuais. Naturalmente isso não representa que o E seja responsável por
toda a variação "cross-section" nos retornos esperados como está implícito na
CAPM. Embora haja controvérsias em relação ao efeito do índice BE/ME, os
resultados mostraram que existe um efeito de tamanho.
56
No entanto, a falta de uma investigação mais detalhada não permitiu
concluir se os desvios encontrados refletem imperfeições dos modelos adotados
na definição do índice de mercado, as limitações de estimativas de Es a partir de
séries temporais ou outras inadequações fundamentais no CAPM.
Na verdade, diante da falta de evidências contrárias, Khotari, Shanken e
Sloan argumentam que o CAPM continuaria válido, mesmo diante das
evidências empíricas apontadas por outros autores.
�������%UDJD��/HDO�
O objetivo do artigo de Braga & Leal (1990) foi verificar a existência de
desempenho ajustado ao risco para as ações com valor patrimonial elevado em
relação ao valor de mercado (BE/ME alto) no mercado brasileiro.
Para a construção das carteiras, os autores adotaram a metodologia de Barros
& Neves5 para analisar o índice de Sharpe de carteiras de valor e de crescimento
sem adotar análise de regressão. Foram observadas somente as variáveis B/M e o
tamanho das empresas para formar as carteiras.
A análise do risco total das carteiras indicou que a carteira formada
exclusivamente com ações de valor é significativamente mais arriscada que a
carteira formada com empresas em crescimento, de forma condizente com o
resultado encontrado por French e Fama. O índice de Sharpe mostrou-se mais
elevado para as carteiras de valor, ou seja, as ações que a compunham
recompensaram melhor o risco. Os testes bivariados mostraram que entre as
carteiras ordenadas pelo tamanho, os retornos das carteiras de maior valor são
maiores do que os retornos das carteiras de crescimento, embora tal desempenho só
seja estatisticamente significativo para as empresas maiores. Em relação ao risco, os
autores não encontraram resultados conclusivos.
Os autores concluíram que, para o período de junho de 1991 a junho de
1998, as carteiras formadas por ações com alto valor de BE/ME apresentaram
retornos reais e riscos maiores do que as carteiras formadas com ações de baixo
BE/ME. Os autores encontraram, também, que o índice de Sharpe para ações
com BE/ME elevado foi superior a esse índice encontrado para carteiras com
BE/ME baixo. Ou seja, existiria uma recompensa maior pelo risco dessas
57
carteiras. Dessa forma, os autores recomendam que o prêmio de risco para as
ações de alto BE/ME em relação às ações com baixo BE/ME deva ser incluído
na avaliação de ações no Brasil.
�������)UDQVHV��'LMN�
Franses & Dijk (2000), observando séries financeiras6 os autores
perceberam que:
Æ séries temporais financeiras têm como comportamento esperado uma
assimetria (retornos muito negativos são mais freqüentes que os muito
positivos) – isto é confirmado quando medimos a curtose destas séries,
que é sempre maior do que 3;
Æ períodos de alta volatilidade geralmente são precedidos de grandes
retornos negativos e isto pode ser ratificado com a análise de skewness de
séries financeiras que, em muitos casos, mostrou-se diferente de zero;
Æ observações remotas ocorrem com freqüência maior do que a esperada;
Æ períodos voláteis normalmente começam com grandes retornos negativos
e existe correlação negativa entre 2tY e 1tY � ;
Æ períodos relativamente voláteis se alternam com períodos mais tranqüilos.
Estas características são fortes indícios de que modelos lineares não são
adequados para descrever séries financeiras. Adicionalmente, argumentam que
raramente se consegue uma previsão precisa para séries do mercado financeiro,
mas afirmam que é possível prever o sinal do retorno futuro esperado com
relativa segurança. Indicam que os retornos passados servem como variáveis
explicativas para os retornos atuais, mas a maior parcela da informação
5 Costa Jr., N. C. A., Neves , M.; “Variáveis Fundamentalistas e o Retorno das Ações”, Revista Brasileira de Economia, 54 (1), 2000. 6 Para chegar às conclusões apresentadas, os autores usam a hipótese de que o log do preço de ativos financeiros segue um passeio aleatório, ou seja, quando se usa modelos lineares, o preço de um determinado ativo é assumido como um martingale, ou seja, E[ln Pt+1 / t: ] = ln Pt + P, onde t: indica toda a informação relevante disponível até t. A base de dados foi montada com dados diários ex-dividendos com yt = 100 (pt* - pt-1*), onde pt*=ln pt.
58
relevante previsão são os retornos mais recentes7. Propõem duas variáveis a
serem investigadas no mercado financeiro: retorno e volatilidade.
Diferentemente dos autores citados anteriormente, estes pesquisadores
abandonam a idéia de uma verificação empírica em prol do desenvolvimento de
uma metodologia para modelagem de retornos e volatilidades em ambiente de
mudança de regime.
Com relação ao retorno, o primeiro problema que aparece é escolher um
único modelo dentre os diversos disponíveis, então a sugestão é restringir a
investigação a modelos que assumem que os retornos seguem diferentes
regimes8. Assim, sob cada regime, as séries temporais seguiriam modelos do
tipo AR onde o parâmetro autorregressivo dependeria do regime em vigor. São
investigados 4 possíveis tipos de modelo: SETAR (Self-Exciting Threshold
Autoregressive), STAR (Smooth Transition AR), LSTAR (Logistic STAR) e MSW
(Markov-Switching).
� 6(7$5��c yse y y 1-tt1t1,11,0t dH�I�I �
c yse y 1-tt1t2,12,0 !H�I�I �
Neste caso, a borda, ou o ponto de mudança de regime, seria dada por Yt-1.
� 67$5��
t1t1t2,12,01t1t1,11,0t )c;;y(G)y())c;;y(G1)(y(y H�JI�I�J�I�I ���� ;
Bastante similar em relação à modelagem anterior, mas com a introdução
suavização da mudança de regimes, representada por G(•), uma função
contínua que muda suavemente do regime 0 para o regime 1 em função do
crescimento de Yt-1.
� /67$5��
t1t1t2,12,01t1t1,11,0t )c;;y(G)y())c;;y(G1)(y(y H�JI�I�J�I�I ���� ;
e G(•) = ])cy[ exp(1
1
1t �J�� �
7 Como as séries financeiras normalmente têm memória curta, no caso de usarmos um modelo AR(p) para representar uma série, deveríamos esperar que, no caso dos retornos, p seja pequeno e, no caso das volatilidades, p seja grande. 8 De acordo com a investigação apresentada, no mercado de ações, cada dia da semana segue um regime específico.
59
Esta metodologia, na verdade, representa um caso particular do modelo
STAR, onde parâmetro J� GHWHUPLQDULD� TXão suave seria a mudança entre os
regimes.
� 06:��Neste caso, o regime poderia ser determinado por variáveis não
observáveis que são associadas a probabilidades que seguem um processo de
Markov.
Escolhida a modelagem do retorno, o segundo passo seria definir modelos
para previsão de volatilidade com mudança de regime. Normalmente, para
descrever a volatilidade, os modelos mais populares seriam os modelos GARCH.
Mas o modelo GARCH tradicional não captura algumas propriedades
importantes, como os efeitos diferenciados dos choques positivos e dos choques
negativos (para este modelo apenas o tamanho do choque seria relevante,
sendo irrelevante o seu sinal). Assim, são apresentadas variantes não lineares
de GARCH de modo a incorporar a assimetria dos choques sobre a volatilidade
e captar a correlação entre o retorno e a volatilidade.
A idéia é relaxar a hipótese de que Ht tem variância constante
(homocedasticidade). O primeiro modelo investigado é o GARCH (Generalized
autoregressive conditional heterocedasticity model) de ordem 1 (se Ht-1 é grande,
Ht esperado também é grande, ou seja, grandes choques tendem a ser seguidos
por grandes choques):
E[ 1t2t �:H ] = ht e ht = w + D1
21t �
H + E1 ht-1
No entanto, as avaliações empíricas sugerem que, para o mercado de
ações, períodos voláteis, muitas vezes, são iniciados por um grande choque
negativo. Para capturar esta assimetria, sugere-se usar um modelo EGARCH
(Exponencial GARCH) ou GJR-GARCH.
Para testar um possível comportamento não linear do modelo GARCH, os
autores sugerem:
a. iniciar com um modelo GARCH e depois verificar a assimetria de
componentes não lineares;
b. testar H0 de homocedasticidade contra H1 de ARCH assimétrico
(usa-se uma variável dummy para capturar choques positivos e
60
negativos para examinar se o efeito de choques positivos ou
negativos sobre a variância condicional depende do seu tamanho).
�������0DQGHOEURW��+XGVRQ�
Tendo iniciado sua vida acadêmica na década de 60, Mandelbrot é um dos
maiores críticos com relação à aplicação da teoria convencional para os
mercados financeiros. Sua linha de pesquisa deu origem a um novo ramo da
matemática conhecido por geometria fractal. Este ramo, extremamente
motivador para alguns, não será alvo de estudo neste trabalho, mas os motivos
pelos quais vem sendo desenvolvido juntam-se às principais evidências em favor
de um novo rumo para que se possa explicar e prever com maior precisão o
comportamento dos ativos financeiros.
Mandelbrot & Hudson (2004), argumentam:
“Os pressupostos da teoria financeira ortodoxa são pelo menos tão
absurdos, se considerados isoladamente. Vejamos alguns:
1. Pressuposto: As pessoas são racionais e seu único objetivo é ficarem
ricas. (...)
2. Pressuposto: Todos os investidores são iguais. (...)
3. Pressuposto: A mudança de preços é praticamente contínua. (...)
4. Pressuposto: As mudanças de preços seguem um movimento
[geométrico] browniano.”9
Com relação a cada um dos pressupostos, os autores fazem um paralelo
entre como cada um deles é descrito pela literatura convencional e como,
empiricamente, têm se comportado.
Com relação ao primeiro pressuposto, a teoria do prospecto vem
ganhando força para explicar o comportamento real do investidor, já que é usual
encontrar, no mercado financeiro, contradições com relação à racionalidade
esperada para o investidor. Sobre este aspecto, Shefrin & Statman ($SXG
Macedo Jr., 2003, p.09), já teriam observado que os investidores tendem a reter
por muito tempo ações com prejuízo e a vender muito rapidamente ações com
lucro. Ou seja, o investidor médio tenderia a ter um comportamento de aversão
9 In Mandelbrot & Hudson (2004), pp. 78-81
61
a risco diante de um mercado de risco em alta, e um comportamento de amante
do risco diante de um cenário de queda de preços das ações. O conhecimento
deste novo ramo da economia talvez seja fundamental para explicar o
comportamento de determinadas estratégias geradas pela metodologia proposta
neste trabalho.
No que diz respeito ao segundo pressuposto, reconhecer diferenças entre
os investidores também pode explicar o motivo de determinadas estratégias
funcionarem em algumas épocas e, em outras, fracassarem. Quanto ao terceiro
pressuposto, os autores afirmam, em relação ao que se observa na realidade,
que “Sem dúvida, os preços dão saltos – de maneira trivial e significativa.”10 Isto
ratifica a necessidade de incluir uma modelagem que comporte mudanças de
regime, conforme apontado por Franses & Dijk.
Finalmente, o quarto pressuposto, na prática, revela-se completamente
equivocado já que diversos autores comprovaram, empiricamente, a ausência de
independência nas séries de preços, a falta de estacionaridade dos dados de
séries financeiras e a inexistência de normalidade no comportamento dos
preços. Estes indícios, hipóteses básicas para garantir que as mudanças de
preços apresentassem um comportamento similar ao do movimento browniano,
reforçam a necessidade de se buscar alternativas à teoria convencional.
��������&UtWLFDV�GH�5ROO�
As críticas de Roll basicamente resumem-se às formas encontradas para
verificação do CAPM. Como se tratava de um modelo genérico, Richard Roll
concluiu que é muito difícil definir com exatidão a variável que poderia servir de
SUR[\ para representar o mercado na equação geral proposta. Este problema
era tão maior quanto menos fossem as informações a respeito de determinado
mercado e quanto menor fosse a eficiência do segmento que se pretendia
avaliar. No mercado imobiliário, por exemplo, existem poucos estudos confiáveis
sobre qual variável representaria a média de mercado.
Em outros mercados, no entanto, onde as informações, pelo menos
teoricamente, são difundidas de modo mais universal, diversos autores propõem
o uso de variáveis que possam resolver o problema da não observação do
verdadeiro valor de retorno do mercado. No caso do mercado de ações, por
62
exemplo, normalmente se utiliza o índice da Bolsa de Valores como SUR[\ para o
movimento do mercado (no caso brasileiro usualmente se adota o Ibovespa, no
americano o Dow Jones).
Mais recentemente, mesmo nos mercados onde a informação é ampla e
irrestrita, ainda assim é possível encontrar distorções entre o modelo teórico do
CAPM e a equação estimada a partir de dados observados. Roll e Ross (1995)11
e Kandell e Stambaugh (1995)12 DSXG Araujo et al. (2004) apontam a extensão
das críticas de Roll indicando que, mesmo nos mercados mais eficientes,
quando se utiliza um único índice para representar o mercado é inevitável
encontrar problemas na escolha deste índice, causando distorções na estimativa
dos verdadeiros parâmetros do CAPM.
É interessante destacar que as críticas de Roll se restringiram às variáveis
escolhidas para testar empiricamente o CAPM. O autor não questiona a
validade teórica do modelo, mas sua incapacidade de ser testado
empiricamente, principalmente em mercados com algum grau relevante de
ineficiência.
�����2�XVR�GH�*UiILFRV�GH�&RQWUROH�$SOLFDGR�D�)LQDQoDV�
A pesquisa bibliográfica do tema que se estudou neste trabalho revelou
que, até 2004, não havia sido publicado nenhum trabalho acadêmico conjugando
os temas finanças e gráficos de controle. Tampouco foram encontradas
publicações que indicassem o uso de resíduos de filtros formados com modelos
de séries temporais para a tomada de decisões com ativos de renda variável.
Sendo assim, em 2004, Amaral propôs que os gráficos de controle fossem
aplicados aos resíduos obtidos da série de retornos de preços de ações (de 1a
linha) modelada por uma equação auto-regressiva de 1a ordem.
Na dissertação intitulada “Identificação de Momentos de Compra e Venda,
à Vista, de Ações: Um Procedimento Alternativo Inspirado em Gráficos de
Controle de Processos” desenvolveu-se uma nova ferramenta com o intuito de
ajudar o investidor racional a escolher de forma mais criteriosa e eficiente os
momentos mais indicados para se comprar ou vender ações. “O procedimento,
10 In MANDELBROT & HUDSON (2004), p. 80 11 Roll, R. & Ross, S., “On the Cross-Sectional Relation between Expected Return and Betas”, Journal Of Finance 50, pp.185-224, 1995. 12 Kandel, S. & Stambaugh, R.; Portfolio Inefficiency and the Cross-Section of Expected Returns, Journal Of Finance 50, pp.185-224, 1995.
63
inspirado nos gráficos de controle estatístico de processos, adota como sinais
indicativos de momentos oportunos para compra e venda a ultrapassagem de
certos limites pelos dados. Os dados monitorados são os resíduos resultantes
da aplicação de modelos de séries temporais aos logaritmos dos retornos diários
das cotações de fechamento dos ativos considerados.”13 A idéia do autor foi
comparar os resíduos obtidos depois da aplicação de um modelo do tipo AR(1) a
limites de 3-sigma dos gráficos de controle de Shewhart, “partindo do princípio
de que tendências de alta ou baixa fariam os erros de previsão (resíduos da
série) aumentarem além de certos patamares”14.
Essa comparação foi feita porque, a partir dela, seria possível obter sinais
de tendências de alta ou baixa dos retornos das ações. Para a
operacionalização da idéia foram experimentados 420 pares de limites de
compra e venda, a partir dos quais os resultados de retorno total e desvio-padrão
foram levantados e comparados de forma relativa e com a ajuda de uma análise
estatística a autora separou os pares mais eficientes.
Depois que foram encontrados os melhores valores, foi testado o resultado
financeiro que estes pares mais eficientes teria gerado no último semestre de
dados se seus limites de compra e venda tivessem sido utilizados por
investidores. Com este procedimento foi verificado que dois pares de limites
geraram lucro financeiro de forma mais consistente. Adicionalmente,
comparando-se o resultado destes dois pares com alguns fundos de ação,
verificou-se que o uso destas duas regras de entrada e saída do mercado teria
gerado rentabilidades superiores.
�����,QGLFDGRUHV�GH�3HUIRUPDQFH�
Quando se deseja escolher uma opção ou uma regra de investimento é
fundamental que se possa observar seu desempenho. Isto se deve ao fato do
investidor tomar decisões no sentido de procurar maximizar sua riqueza
correndo o menor risco possível. Assim, torna-se imprescindível avaliar se
decisões de investimento foram tomadas corretamente e isso só é possível
averiguar quando se aplicam indicadores de performance às decisões tomadas e
se comparam seus resultados com outras opções disponíveis.
13 In AMARAL (2004), p.6
14 In AMARAL (2004), p.6
64
Desde a década de 50, com a introdução do modelo de média e variância
de Markowitz, que os financistas procuram meios de se avaliar corretamente (e
rapidamente) o retorno e o risco de suas estratégias de investimento. Assim, os
principais indicadores de performance também precisam considerar em sua
fórmula estas medidas para que estejam compatíveis com as exigências da
moderna teoria de finanças.
Um dos primeiros indicadores de performance foi o índice de Sharpe,
definido da seguinte forma:
p
fpp
)RR(IS V
�
onde:
ISp índice de Sharpe para a carteira ou fundo p
pR : retorno médio da carteira ou fundo p (segundo as práticas de mercado, em
geral corresponde à taxa de retorno nominal mensal equivalente à média
geométrica dos retornos diários de uma determinada carteira ou fundo);
Rf; retorno da renda fixa;
Vp: desvio-padrão do retorno da carteira ou fundo p. (usualmente calculado como
o desvio-padrão histórico de pR ).
Um problema na utilização deste indicador é que ele não leva em
consideração a correlação entre os ativos e, portanto, calcula o retorno adicional
à renda fixa para cada unidade de risco total (incluindo risco de mercado e risco
diversificável), o que pode ser questionável já que a performance não deveria ser
avaliada em função de um risco que pode ser reduzido (o risco diversificável).
Outro problema surge quando o retorno médio da carteira encontra-se inferior à
renda fixa. Em termos matemáticos tem-se ISp < 0, mas, em termos
econômicos, não faz sentido falar em indicadores negativos nem tampouco
“UDQNHDU´ opções de investimentos a partir de indicadores negativos. Um terceiro
problema é usar o indicador como uma SUR[\ para escolha de investimento
futuro: como o indicador se baseia, na prática, em dados históricos e não
esperados, só faz sentido usá-lo como indicador de desempenho e não como
base para tomada de decisões futuras.
Na tentativa de solucionar parte dos problemas referentes ao uso do índice
de Sharpe surgiu o índice de Treynor:
p
fpp
)RR(IT E
�
onde:
65
ITp índice de Treynor para a carteira ou fundo p
pR : retorno médio da carteira ou fundo p;
Rf; retorno da renda fixa;
Ep: E da carteira ou fundo p. (calculado pelo CAPM, corresponde ao risco de
mercado ou risco sistemático, não diversificável).
Apesar de solucionar o problema quanto ao uso da medida relevante de
risco, os demais problemas não deixam de existir.
Seguindo a mesma metodologia, foi criado também o índice de Jensen,
que corresponde ao excesso de retorno obtido pelo fundo ou carteira após ajuste
pelo risco de mercado:
Dc = Rc – Rf – Ec (Rm – Rf)
onde:
Dc: índice de Jensen;
Rc: retorno da carteira ou fundo que se deseja avaliar;
Rf: retorno da renda fixa
Ec: beta da carteira ou fundo que se deseja avaliar
Rm: retorno de mercado
Na prática, D diz respeito ao retorno excedente em relação ao CAPM e
corresponde à diferença absoluta entre o retorno da carteira e o retorno
esperado pela linha do mercado de capitais.
Um indicador bastante interessante é o M2, criado na década de 90 por
Modigliani&Modigliani, onde se tenta medir o excesso de retorno do fundo ou
carteira em relação ao retorno de mercado como se ambos estivessem sujeitos
ao mesmo risco, o risco de mercado:
M2 = mfc
mc
c
m RR)1(R �VV��V
V
onde:
M2:índice de Modigliani&Modigliani
Vm:risco total do mercado (medido pelo desvio-padrão dos retornos do mercado);
Vc: risco da carteira ou fundo (medido pelo desvio-padrão dos retornos da
carteira ou do fundo);
Rc:retorno da carteira ou fundo que se deseja avaliar;
Rf:retorno da renda fixa;
Rm:retorno de Mercado.
Muitas são as opções quando se trata de avaliação de performance, mas é
preferível que se escolha apenas uma que atenda às necessidades do avaliador
66
ou do investidor para que não se corra o risco de chegar a resultados
conflitantes. A maior parte dos bancos de dados especializados divulgados em
jornais de grande circulação entre investidores (por exemplo, Valor Econômico e
Gazeta Mercantil) trabalha com o índice de Sharpe, acredita-se que devido à sua
facilidade de cálculo. Este é, portanto, o indicador mais usualmente encontrado
quando se trata de avaliar desempenho de ativos financeiros.
�����&RQVLGHUDo}HV�)LQDLV�
Depois dessa leitura dos principais artigos sobre o estudo de finanças
modernas, fica evidente a necessidade latente de um novo modelo que sirva de
guia para investidores em ativos de risco. O CAPM pode ter sido a base de toda
a teoria válida para cálculo de valor presente e precificação de ativos na última
metade do século XX, mas os fatos apontam para necessidade de se acabar
com o monopólio criado em torno de sua aplicação. Essa é a principal
motivação para a busca de novas metodologias que podem ajudar na árdua
tarefa de ser bem-sucedido em aplicações de risco. A ferramenta que será
apresentada nos capítulos seguintes pode não ser a resposta definitiva para o
problema descrito, mas certamente pode ajudar a ampliar o estudo em torno da
questão e levantar novos caminhos a serem seguidos neste início do século XXI.
��0HWRGRORJLD�
Este trabalho, inspirado na dificuldade do investidor prever com segurança
a cotação de ativos de risco e na capacidade dos gráficos de controle de
fornecer pistas sobre trajetória de processos estatísticos, pretende apresentar
uma ferramenta que indique momentos favoráveis para realização de negócios
com ativos de risco. Através de um estudo empírico a partir dos últimos 13 anos
de observação (período pós-real), espera-se que seja possível encontrar
padrões nos dias favoráveis para investimentos em bolsa sem que seja
necessário desenvolver um modelo preditivo de preços e/ou retornos.
Acredita-se que a construção dos gráficos de Shewhart e EWMA,
usualmente encontrados em problemas de controle estatístico de processos
(CEP), pode ajudar a destacar os melhores pontos de compra e venda, desde
que não se esteja limitado aos tradicionais limites “de três-sigma” estabelecidos
para a aplicação do CEP, nem tampouco se esteja interessado em avaliar
processos ditos “sob controle”, já que se espera encontrar um ambiente onde
isto seja exceção e não regra. Assim, o CEP deve servir como inspiração e irá
ajudar a encontrar os limiares superior e inferior para os retornos, ou para
alguma função deles, que sejam limiares de decisão para compra ou venda de
ativos de risco.
No entanto, como já se sabe dos estudos citados no capítulo anterior, não
podemos assumir um comportamento aleatório das cotações das ações
negociadas na Bovespa. Mas acredita-se que, pelo menos em parte, seus
comportamentos podem ser explicados por modelos de séries temporais.
Espera-se que, depois de filtrar adequadamente os dados originais de retorno,
será possível gerar uma série de resíduos (diferença entre os valores
observados dos retornos das ações e os calculados a partir do modelo de séries
temporais que melhor represente o ativo em estudo) i.i.d., aleatória,
normalmente distribuídos e com média nula. No entanto, como não existe
literatura específica a respeito do resultado gerado por esta filtragem, não é
possível partir de premissas quanto ao melhor modelo para prever esta parcela
não aleatória do comportamento dos ativos de risco. Resolveu-se, então,
68
estudar alguns dos modelos de séries temporais mais populares que pudessem
descrever o comportamento de ações.
Adotou-se a hipótese de que o melhor modelo estaria entre os seguintes:
AR(1), MA(1), ARMA (1,1), ARCH (1), SETAR, EWMA ou RB (ruído branco),
todos calculados a partir da série de dados histórica levantada na etapa da
construção do banco de dados.
A partir dos dados originais tratados segundo as práticas de mercado
vigentes (usando-se cotação de fechamento para se calcular o logaritmo
neperiano dos retornos diários de cada ativo), pretende-se estimar os
parâmetros desses modelos e, a partir destes, apurar a parcela esperada para o
valor do retorno de cada ação. A diferença entre este valor e o verdadeiro valor
observado para o logaritmo do retorno, o resíduo do modelo, será utilizado para
a construção de gráficos de controle, a partir dos quais será feita uma tentativa
para identificar possíveis limiares (um limite inferior e um limite superior) de
compra e de venda, com a adoção dos quais poderiam ser gerados ganhos
superiores aos obtidos com outros instrumentos financeiros. Ou seja, pretende-
se, a partir de frações dos originais limites de três-sigma, encontrar, através de
uma experimentação empírica, um ou mais par(es) de valores formado por um
limite de compra (que, se ultrapassado, gera uma ordem de compra no dia
seguinte) e um limite de venda (que, de modo similar, gera uma ordem de
venda), formando o que chamamos de “estratégia”, que teria(m) gerado maior
rentabilidade, sem contudo, implicar em maior risco para o investidor.
As estratégias serão testadas a partir dos limiares definidos após a
construção de gráficos de Shewhart ou gráficos EWMA, já que não sabemos
como (e se) pequenos deslocamentos da média dos retornos afetam o
desempenho das estratégias.
Serão avaliadas, experimentalmente, diferentes posições para os limites
através da simulação da aplicação de cada estratégia a um conjunto de ações,
por um longo período, de modo a identificar as melhores estratégias.
A partir das melhores estratégias1 pretende-se separar o conjunto de pares
de limites que atende de forma eficiente à teoria financeira vigente no que diz
respeito a risco e retorno. Com isso será possível identificar estratégias capazes
1 Serão consideradas melhores as estratégias que atendam ao critério de média e variância na amostra inicial, ou seja, determinado ativo é preferível a outro se sua rentabilidade média é no mínimo igual à do outro investimento e sua variância é menor.
69
de atender tanto aos investidores mais avessos a risco, quanto aos mais
audaciosos, sem, contudo, deixarem sua racionalidade de lado.
As diferentes posições para os limites de compra e venda serão
consideradas em combinação com 7 modelos de retorno e com 2 diferentes tipos
de gráfico de controle de modo a, ao final, identificarem-se as melhores
combinações de estratégia, modelo de retorno e gráfico de controle.
Além da verificação dos efeitos que a modelagem escolhida para o retorno
ou a escolha do gráfico de controle trazem ao método, pretende-se avaliar mais
alguns aspectos:
� Relevância da alteração nos resultados com a incorporação de
mecanismos de proteção (VWRS� ORVV) para o investidor (será verificado o
ganho trazido pela introdução de novas regras para venda);
� Relevância dos fatores sazonais para o cálculo dos modelos de retorno e
conseqüente desempenho da ferramenta, seguindo a metodologia de
cálculo de Holt-Winters (serão comparados os resultados obtidos com e
sem a incorporação de fatores sazonais ao modelo);
� Incorporação de carteiras ao estudo para identificar possíveis ganhos
com diversificação (neste caso pretende-se refazer o mesmo estudo
aplicado às ações, mas considerando-se determinadas carteiras
definidas D�SULRUL); � Estudo do grau de casualidade dos resultados encontrados (através da
investigação dos gráficos de plotagem normal e histograma das
rentabilidades apuradas);
� Avaliação do tamanho ideal de amostra para aplicação da metodologia
através da análise da variação dos parâmetros dos modelos de retorno
dada uma mudança no tamanho de amostra inicial;
� Comparação dos resultados da ferramenta com outros ativos financeiros
através da análise das mesmas medidas usadas na aplicação do método
proposto a fundos de investimentos em ações de Bancos do primeira
linha.
Em correspondência com a metodologia proposta, o restante desta tese
está organizada em seis outros capítulos, conforme descrição apresentada no
capítulo de introdução.
��%DVH�GH�'DGRV�
Neste capítulo será feita a apresentação dos dados a serem usados no
desenvolvimento da ferramenta proposta neste trabalho. Inicialmente será feita
uma breve apresentação à Bovespa e ao Ibovespa, que servirão de base para o
estudo proposto. Depois, será elaborada uma breve análise do comportamento
histórico das ações a serem estudadas, pois se supõe que, desta forma, poderão
surgir subsídios para justificar o comportamento do modelo e da estratégia que
serão propostos até o final deste trabalho.
�����%29(63$�(�,%29(63$�Ação é a menor fração do capital social de uma empresa e representa a
menor parcela monetária que uma pessoa física ou jurídica pode investir para
ser acionista de determinada companhia. Na prática, é uma das opções de
investimento com risco à disposição do investidor e cuja transação é regulada, e
operacionalizada, pelas bolsas de valores.
No caso brasileiro, a primeira bolsa de valores que se desenvolveu foi a
Bolsa de Valores do Rio de Janeiro (BVRJ), no final do século XIX, para
regulamentar a corretagem que acontecia, desordenadamente, próximo ao Paço
Imperial, hoje praça XV. Desde a década de 80, com o deslocamento gradativo
das principais instituições financeiras para São Paulo, a Bolsa de Valores de São
Paulo (Bovespa), ganhou projeção nacional e transformou-se no principal
parâmetro das negociações de ações e opções de ações na América Latina.
Ações envolvem risco e caracterizam-se como um investimento de renda
variável devido à propriedade de serem negociadas, a cada dia, de acordo com
a lei da oferta e da demanda. Podem apresentar, num pequeno espaço de
tempo, fortes oscilações de preços, de modo que prever sua rentabilidade futura
tem se transformado em um dos maiores problemas das finanças modernas.
Ações não se tratam de um investimento trivial já que possuem
características muito particulares, como a possibilidade de gerar dividendos e a
inexistência, D�SULRUL, de uma data limite para sua extinção. Por isso, quando se
considera este ativo como investimento, não se pode pensar em prazo, como no
71
caso de títulos públicos, mas é preciso sempre avaliar três importantes
parâmetros: rentabilidade, liquidez e risco.
Rentabilidade é o “grau de rendimento proporcionado por determinado
investimento.”1, ou seja, o que se recebe (excluindo-se o principal) depois de
liquidada uma operação. Liquidez pode ser entendida como a velocidade com
que determinado ativo pode ser convertido em moeda corrente. E risco, ou
volatilidade, é a variação de rentabilidade que determinado ativo pode
apresentar em relação a um retorno médio esperado.
Por definição, será levado em consideração o investidor racional, ou seja,
aquele que só é capaz de correr mais risco se for remunerado por isto
(esperando obter maiores rentabilidades). Assim, as únicas opções de
investimento disponíveis deveriam representar ativos cujo risco é mínimo em
relação aos demais ativos com o mesmo valor de rentabilidade esperada. Ou
ainda, ativos cujo retorno é o maior possível em relação ao conjunto de
investimentos com mesmo risco esperado. A forma usual de avaliar risco e
retorno é calcular a rentabilidade e sua variação, tendo como base a cotação de
cada ação.
Cotação é o valor, em moeda corrente, pelo qual a ação está sendo
negociada, ou foi negociada (em se tratando de valores históricos). No caso de
índices, como o Ibovespa, é o valor do lote de ações de sua carteira, sendo
divulgado em pontos. Os valores diários para cotações máxima, média, mínima,
de fechamento e de abertura das ações brasileiras e do Ibovespa são calculados
pela própria Bovespa e encontram-se disponíveis, para consulta, no seu VLWH.
Da mesma forma como apresentado em Amaral (2004), a partir das
cotações pode-se calcular o “retorno (RET), para o período entre i-W e i,
conforme a seguinte equação:
RETi- � ;i = �
�
-i
-ii
CACACA �
, onde
CAi = cotação do ativo na data i;
CAi- � = cotação do ativo na data base i - W (no caso de retorno diário, W = 1).
A partir desta fórmula é possível definir mais duas medidas:
1. Razão entre cotações = �-i
i
CACA
= RET + 1;
1 In Sandroni (1989), p.270
72
2. Retorno Diário (RDi) = 1-i
i
CACA
= razão entre cotações quando W = 1.
Aplicando-se logaritmo neperiano a RDi, tem-se o retorno logarítmico ou
log-retorno para 1 dia.”2
No Brasil, o Ibovespa é a principal referência para os investidores de renda
variável. Pode ser definido como o índice que representa as transações
ocorridas na Bovespa e, por isso, caracteriza-se como a variável que serve de
SUR[\, ou EHQFKPDUN, para o retorno de mercado. Seu cálculo data do final da
década de 60 sem que haja registros de mudança de metodologia ou interrupção
de apuração em dias úteis. Foi elaborado de forma que representasse uma
carteira teórica de ações formada pelos papéis de maior liquidez3.. De acordo
com a Bovespa (1999), “sua finalidade básica é a de servir como indicador
médio do comportamento do mercado. Para tanto, sua composição procura
aproximar-se o mais possível da real configuração das negociações à vista (lote
padrão) na Bovespa.“
Com o intuito de o cálculo ser o mais próximo possível da realidade, a
carteira teórica que compõe o Ibovespa é reavaliada, e recalculada,
quadrimestralmente, de acordo com o volume negociado nos últimos doze
meses. Assim, o Ibovespa representa uma média ponderada das ações com
maior liquidez e sua fórmula, conforme descrito no VLWH da Bovespa, é:
Ibovespa t =¦�n
i
ti tiQP1
, . onde:
Ibovespa � �= Índice Bovespa no instante t n = número total de ações componentes da carteira teórica P � � � = último preço da ação i no instante t Q � � � = quantidade teórica da ação i na carteira no instante t
Para a elaboração do trabalho, foi considerado o índice em vigor entre
setembro e dezembro de 2006, apresentado na Tabela 4.1 a seguir:
2 In Amaral (2004), pp. 29-30 3 Composta por ações que, em conjunto, responderam por, pelo menos, 80% do volume transacionado à vista nos doze meses anteriores, desde que todas as ações de sua composição apresentem, no mínimo, 80% de presença nos pregões do período e que tenha participação, em termos de volume, superior a 0,1% do total.
73
7$%(/$������&20326,d2�'2�,%29(63$�9È/,'$�3$5$�2�3(5Ë2'2�'(�6(7(0%52�$�'(=(0%52�'(�������
(*) Cotação por lote de mil ações
��� � ��� ������ ��� ��������� � � � "!PETR4 PETROBRAS PN 13,086
VALE5 VALE R DOCE PNA 11,058
BBDC4 BRADESCO PN 4,815
TNLP4 TELEMAR PN 4,724
USIM5 USIMINAS PNA EJ 4,490
ITAU4 ITAUBANCO PN EJ 3,455
CSNA3 SID NACIONAL ON 2,985
GGBR4 GERDAU PN 2,883
VALE3 VALE R DOCE ON 2,517
BRKM5 BRASKEM PNA 2,417
PETR3 PETROBRAS ON 2,230
NETC4 NET PN 2,170
CMIG4 CEMIG PN * 2,163
ELET6 ELETROBRAS PNB* 2,064
VIVO4 VIVO PN 2,062
UBBR11 UNIBANCO UNT 1,881
ITSA4 ITAUSA PN 1,772
EBTP4 EMBRATEL PAR PN * 1,729
ARCE3 ARCELOR BR ON 1,672
BRAP4 BRADESPAR PN 1,399
CPLE6 COPEL PNB* 1,391
BRTO4 BRASIL TELEC PN * 1,373
TNLP3 TELEMAR ON 1,358
SDIA4 SADIA S/A PN 1,336
ELET3 ELETROBRAS ON * 1,324
BBAS3 BRASIL ON 1,318
AMBV4 AMBEV PN * 1,281
GOAU4 GERDAU MET PN 1,142
EMBR3 EMBRAER ON 1,140
TCSL4 TIM PART S/A PN * 1,087
CCRO3 CCR RODOVIAS ON 0,969
PRGA3 PERDIGAO S/A ON 0,942
ARCZ6 ARACRUZ PNB 0,890
VCPA4 V C P PN 0,885
TAMM4 TAM S/A PN 0,822
TMAR5 TELEMAR N L PNA 0,818
SBSP3 SABESP ON * 0,759
ALLL11 ALL AMER LAT UNT 0,718
NATU3 NATURA ON 0,718
PCAR4 P.ACUCAR-CBD PN * 0,713
LIGT3 LIGHT S/A ON * 0,706
BRTP4 BRASIL T PAR PN * 0,685
CLSC6 CELESC PNB EJ 0,604
CRUZ3 SOUZA CRUZ ON 0,573
KLBN4 KLABIN S/A PN 0,538
PTIP4 IPIRANGA PET PN 0,503
TMCP4 TELEMIG PART PN * 0,502
BRTP3 BRASIL T PAR ON * 0,484
CESP6 CESP PNB* 0,459
TRPL4 TRAN PAULIST PN * 0,414
TLPP4 TELESP PN 0,403
ELPL5 ELETROPAULO PNA* 0,375
ACES4 ACESITA PN 0,368
TCSL3 TIM PART S/A ON * 0,346
CGAS5 COMGAS PNA* 0,328
CMIG3 CEMIG ON * 0,158
74
����&2/(7$�'(�'$'26�
Como é de praxe em trabalhos acadêmicos, a coleta de dados precisa ser
oriunda de uma fonte fidedigna e tradicionalmente reconhecida. No caso do
mercado de ações brasileiro, a empresa (FRQRPiWLFD vem se tornando uma
unanimidade quanto ao fornecimento de dados e informações extremamente
precisas, tanto no meio acadêmico quanto pelo mercado financeiro em geral.
Adiciona-se a isto o fato de que seu programa apresenta uma facilidade ímpar
de exportação de dados para o ambiente Windows e, além disto, um longo
histórico de cotações.
Com o intuito de facilitar o estudo, garantir uma maior significância dos
resultados a serem encontrados e conforme previsto na proposta de tese
defendida em dezembro de 2006, trabalhou-se com os dados de janeiro de 1994
a dezembro de 2006. Desta base de dados, foram separados os últimos 2 anos
(grupo de dados chamado de amostra de controle)4 para garantir a possibilidade
de testar os resultados encontrados num ambiente real, mantendo um grau de
confiabilidade satisfatório.
Resolveu-se perseguir a meta de montar uma estratégia que atendesse
aos interesses do investidor que tolera algum grau de risco. Apesar de a
bibliografia que trata de modelos de previsão para finanças sugerir o uso de
bases de dados mensais, neste trabalho estaremos interessados em atender às
necessidades dos investidores que buscam um acompanhamento para períodos
de tempo mais curtos, para os quais é mais indicado trabalhar com cotações
diárias. Assim, este trabalho foi realizado a partir das cotações diárias média e
de fechamento das ações. As cotações médias foram usadas como parâmetro
para representar o valor de compra das ações e as cotações de fechamento
foram importantes para o cálculo dos modelos de retornos e volatilidade e para a
escolha do dia de aplicação das estratégias. No sentido de limitar o tamanho do
estudo, e conforme descrito na mesma proposta de tese mencionada
anteriormente, foram acompanhadas as dez maiores ações (segundo o critério
de percentual de cálculo sobre o índice)5 da Bovespa, conforme valores
apresentados na Tabela 4.1 e os dados do próprio índice Ibovespa.
4 Os dados de jan/05 a Dez/06 foram agrupadas na amostra que chamamos de amostra de controle. 5 Optou-se pelo estudo com as dez maiores ações porque as ações com menor representatividade sobre o índice muitas vezes não são negociadas todos os dias, ou seja, trabalhar com um grupo diferente deste teria gerado uma base de dados incompleta, dificultando o estudo do comportamento das estratégias.
75
����$1È/,6(�35(/,0,1$5�
A partir da base de dados obtida com o programa Economática fez-se uma
investigação preliminar dos dados de modo a garantir um conhecimento a
respeito dos dados e, se possível, formar expectativas a respeito do que poderá
ser encontrado com a aplicação das estratégias, sem, contudo, gerar viés sobre
a utilização das mesmas. Assim, a análise exploratória dos dados consistiu em
fazer uma leitura dos seguintes gráficos: plotagem da série de cotações em
seqüência cronológica; histograma dos retornos com a divisão dos dados em 10
classes com mesma amplitude, com e sem RXWOLHUV e montagem do %R[�SORW (dos
ln dos retornos). Para mantermos o propósito de não gerar expectativas a
respeito da aplicação da ferramenta num ambiente real, a análise preliminar foi
executada apenas com os dados da amostra inicial (Jan/94 a Dez/04).
Nesta seção apresenta-se as primeiras impressões a respeito de todas as
ações a serem avaliadas para a montagem das estratégias; no entanto serão
apresentandos apenas os gráficos referentes ao Ibovespa. Os demais podem
ser encontrados no Anexo B deste trabalho.
������,ERYHVSD�Índice da Bovespa que, teoricamente, serve de medida para o
funcionamento médio de mercado. Na verdade, corresponde a um retorno
médio ponderado das ações mais negociadas, conforme descrito no capítulo 2
deste trabalho. Seu uso é de extrema importância porque o Ibovespa virou um
parâmetro de mercado, servindo de base para cálculo de medidas de
desempenho da gestão de fundos (muitos gestores informam, percentualmente,
quanto o seu produto rendeu em relação ao índice).
76
77
78
A observação dos gráficos revela que o índice vem apresentando tendência de
alta e isto não deve se reverter nos próximos anos. No entanto, esta observação
vale apenas para o longo prazo (prazos superiores a um ano). No curto e médio
prazos é possível identificar períodos de queda, como os ocorridos em 2001 e
2002. Portanto, mesmo que o mercado trabalhe com uma expectativa de alta,
ainda assim é possível (e até muito provável) que o investidor enfrente períodos
de baixa. Isto tornaria muito valiosas as ferramentas capazes de prever com
maior precisão os indícios de que estes períodos estariam chegando.
Uma observação relevante, que ratifica o que é apregoado pelo mercado
em geral, é a percepção de que a bolsa e o dólar possuem correlação negativa:
em todos os períodos em que o dólar se valorizou significativamente (1998,
quando o câmbio deixou de ser fixo e 2002, quando Lula começou a subir nas
pesquisas eleitorais e o risco-brasil cresceu consideravelmente), o Ibovespa
apresentou períodos de baixa. Além disso, depois de períodos relativamente
longos de queda, o Ibovespa cresce consideravelmente, parecendo compensar o
investidor que esperava sua recuperação (vide anos de 1999 e 2003).
Aplicando-se logaritmo aos retornos diários, a média encontrada ficou
próxima de zero, parecendo ser relativamente pequena a ocorrência de RXWOLHUV
(120 pontos num universo de 2721, menos de 5%), apesar desta quantidade ser
bem superior ao esperado em uma amostra referente a uma distribuição normal.
Ainda contrariando o esperado, os valores extremos positivos (63 pontos)
ocorreram em maior quantidade do que os negativos (57 pontos). Tanto o
histograma original dos retornos quanto o box-plot revelam uma assimetria dos
dados observados, mas a exclusão dos RXWOLHUV nos permite encontrar um
histograma bastante próximo ao da distribuição normal e bastante simétrico, mas
pouco elucidativo, já que construir uma ferramenta excluindo-se os RXWOLHUV
poderia implicar em inviabilidade de sua utilização num mundo real.
������'HPDLV�Do}HV�O objetivo desta subseção é traçar um perfil sobre o histórico das
empresas que irão compor a amostra do estudo. Assim, será apresentado um
breve comentário sobre a empresa e uma pequena análise a respeito dos dados
e gráficos apurados.
79
80
��������3(75��“No dia 3 de outubro de 1953, do Palácio do Catete, antiga sede do
Governo Federal, o presidente Getúlio Vargas enviava mensagem ao povo
brasileiro, dando conta de que o Congresso acabara de transformar em lei o
plano governamental para a exploração do petróleo. ‘Constituída com capital,
técnica e trabalho exclusivamente brasileiros, a Petrobrás resulta de uma firme
política nacionalista no terreno econômico (...)’.”6
Estatal com atividade de prospecção, refino e produção de derivados de
petróleo e gás, sendo líder na distribuição de derivados no Brasil e uma das
maiores empresas internacionais, é a maior empresa com tecnologia para
extração de petróleo em águas profundas. Possui na Bovespa emissão de
ações, debêntures e certificados de recebíveis imobiliários, além de ADR´s
negociados na Bolsa de Nova York. Do total de ações, 32% do capital pertence
à União e 68% ao público em geral; no entanto as ações PETR4 são todas
preferenciais e estão todas em poder do investidor da Bolsa de São Paulo.
Normalmente paga dividendos uma vez por ano.
A Petrobrás PN, ação com maior participação individual na formação do
índice (pouco mais de 13%), vem mantendo-se como uma das empresas de
maior liquidez nos últimos anos. Isto certamente explica o motivo de seu
comportamento ser tão similar ao do índice. Também apresenta uma trajetória
de longo prazo ascendente, média dos retornos próxima a zero, maior incidência
de RXWOLHUV positivos do que negativos, histograma e Box-plot ligeiramente
assimétricos e histograma excluindo-se RXWOLHUV bastante similar ao esperado em
uma distribuição normalmente distribuída.
��������9$/(��Empresa nacional privada, com ações e debêntures lançados e
negociados na Bovespa. De seu total de ações, apesar de 63% do total de
ações (99,9% das ações preferenciais) estar em poder do público, 32%
pertencem a VALEPAR (consórcio formado por empresas privadas) que mantém
o controle acionário da empresa. “A companhia Vale do Rio Doce foi fundada
pelo Governo Brasileiro em junho de 1942 para ser proprietária e operar as
minas de ferro localizadas em Itabira, no Estado de Minas Gerais e a Estrada de
Ferro Vitória-Minas, que operava para transportar minério de ferro e
agropecuários (...) Em 06 de maio de 1997, em leilão realizado na Bolsa de
6 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br
81
Valores do Rio de Janeiro, a Companhia Vale do Rio Doce foi privatizada (...).”7
Hoje a empresa concentra suas atividades na produção de Minério de ferro que
vem batendo novos recordes a cada ano, o que a tornou líder no mercado
mundial.
Tendo se mantido no mesmo patamar durante o primeiro mandato de FHC,
as ações preferenciais da Vale do Rio Doce mantêm trajetória de alta no longo
prazo, com a presença de RXWOLHUV positivos bem mais expressivos do que os
negativos. Só para se ter uma idéia desta discrepância, em termos absolutos, o
valor máximo observado nestes 11 anos de amostragem diária corresponde a
2,9 vezes o valor mínimo, de modo que o valor esperado de um investidor deve
pender para uma cifra positiva. Os maiores valores extremos absolutos
concentram-se na primeira metade da amostra e, depois da exclusão de RXWOLHUV,
o histograma mostrou-se bastante simétrico.
��������%%'&��Maior banco privado brasileiro, o controle do Bradesco encontra-se nas
mãos de Lázaro de Mello Brandão (hoje presidente do conselho de
administração) através da empresa Cidade de Deus Cia Cial de Participações.
O restante do capital está em poder do Banco Bilbao Vizcaya, grupo espanhol,
do Banco Espírito Santo, grupo português, de outras empresas do grupo
Bradesco e do público em geral (96% das ações preferenciais e 61% do total de
ações). Desde 2001 emite papéis negociados nas Bolsas de Madrid e de Nova
York.
No ano de 2007, o Banco completou 64 anos de existência e possuía no
seu FXUULFXOXP, entre outros grandes feitos, a fundação da Cidade de Deus,
situada em Osasco e um retrato da grandiosidade e importância do Grupo para o
mercado nacional. Não poupa esforços de mídia ou financeiros, através da
aquisição de outras instituições, para manter-se firme na posição de liderança
entre os bancos privados nacionais.8
Como é de se esperar, uma instituição sólida como o Bradesco têm
rentabilidade de suas ações com tendência de alta no longo prazo. Apesar da
maior concentração de RXWOLHUV positivos, cerca de metade deles foram
registrados até a metade da amostra e, do total de valores extremos, mais de
70% refere-se a observações anteriores a julho de 1999. Os formatos do
7 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br 8 Informações obtidas no IAN com data base de 31/12/2006, breve histórico da empresa , www.cvm.gov.br
82
histograma e do Box-plot são bastante parecidos com os encontrados nos casos
anteriores.
��������71/3��Empresa resultante do desmembramento e privatização das empresas de
telefonia do Brasil, a Telemar começou a ter ações negociadas em Bolsa de
Valores em 1998. Sua atividade principal é prestar serviços de telefonia fixa nas
Regiões Norte, Nordeste e Sudeste do País.
Talvez por ser a ação que é listada pela Bovespa há menos tempo (em
relação às demais da amostra), a quantidade, tanto absoluta quanto relativa, de
RXWOLHUV desta empresa é a menor entre todos os outros casos analisados neste
estudo (62 observações e 4%, respectivamente). Por outro lado, também é a
ação cuja rentabilidade média para todo o período é a menor registrada (1,98%),
bastante distante dos cerca de 4,5% das demais ações. Paradoxalmente, a
distância entre quartis (diferença absoluta entre 3o e 1o quartis) desta ação é
uma das maiores, perdendo apenas para Usiminas. A despeito de apresentar a
menor rentabilidade, responde pelo maior coeficiente de variação calculado, que
é praticamente o dobro do segundo colocado. Isto é resultado de uma elevada
dispersão em torno da média baixa, implicando numa das maiores amplitudes de
resultado possíveis para o investidor.
��������86,0��“A Usiminas foi fundada em 1956 pela iniciativa privada. Em 1957, tornou-
se uma MRLQW-YHQWXUH entre o governo federal brasileiro – com 40% - o governo do
Estado de Minas Gerais – com 20% - e a Nippon Usiminas Co. Ltd. (consórcio
constituído pelo governo Japonês, pela Nippon Steel Corporation e por outros
investidores japoneses) – com 40%. (...) Em 1962, a Usiminas iniciou as
operações na Usina, integrada a coque e com capacidade inicial de produção de
500.000 toneladas de aço bruto por ano. De 1962 a 1980, a Usiminas cresceu
rapidamente, aumentando sua capacidade de produção anual de 500.000 para
3,5 milhões de toneladas de aço bruto por ano. Em 24 de outubro de 1991, a
Usiminas tornou-se a primeira companhia brasileira a ser privatizada (...).”9 A
empresa caracteriza-se por estar sempre batendo recordes de produção de aço
bruto e laminados e está inserida no grupo das maiores empresas mundiais na
área de siderurgia.
9 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br
83
Há cerca de 4 anos esta ação não estava listada entre as 10 maiores do
Ibovespa, sendo apenas a 21a colocada, com influência direta em 1,4% do
índice. Este percentual mais que triplicou, resultado da alavancagem das
cotações dos últimos 2 anos da amostra. Apesar de um gráfico de dispersão em
torno da média parecer bem mais “nervoso” em relação às outras ações, seus
valores superior e inferior parecem estar num nível ligeiramente mais baixo.
Contrastando-se a esta percepção, esta ação é a que apresenta maior distância
entre quartis por ter tanto o quartil inferior quanto o quartil superior, em termos
absolutos, maior do que os calculados nos demais casos.
��������,7$8��O início das operações do Banco Itaú data de janeiro de 1945, tendo sido
transformado em banco múltiplo em 1988. Sua história é pontuada de diversas
aquisições no sentido de incrementar a base de clientes e tornar-se um dos
maiores bancos privados brasileiros, posição que hoje disputa com o Bradesco.
Hoje integra “o índice de Sustentabilidade Empresarial (ISE) da Bovespa,
lançado em 2005 e composto pelas 28 empresas com papéis na Bolsa de
Valores de São Paulo que apresentam as melhores práticas [de mercado]
alinhadas com o desenvolvimento sustentável.”10
Apesar do movimento de alta desta ação estar concentrado mais
fortemente na metade mais recente da amostra, é também neste período que
encontramos somente 20% dos RXWOLHUV, valor bem abaixo dos 50% esperados
se a incidência de valores extremos fosse uniformemente ou aleatoriamente
distribuída. Isso pode indicar uma mudança de comportamento, de tal modo que
a ação tenha ficado menos vulnerável, menos volátil, menos arriscada. Isto
também pode ser traduzido pelo percentual de participação no Ibovespa que é
praticamente o mesmo de 4 anos atrás (hoje a ação responde por 3,455% do
índice contra 3,43% no passado). Adicionalmente, um fato que ratifica esta
observação é a apuração do desvio-padrão da rentabilidade, o menor de toda a
amostra observada; e que, em conjunto com uma média de rentabilidade
superior a 4,5%, implica no menor coeficiente de variação apurado entre as dez
ações acompanhadas.
10 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br, www.cvm.gov.br
84
��������&61$��“A entrada em funcionamento da Companhia Siderúrgica Nacional (...),
criada em 9 de abril de 1941, é reconhecida ainda hoje como um dos
acontecimentos de maior importância dentro do passado recente do
desenvolvimento econômico brasileiro.”11 Inicialmente sob controle do Governo
Federal, em 1993 foi privatizada e hoje concentra-se na atividade de siderurgia.
Antes a 20a colocada em participação no Ibovespa, as ações de
Companhia Siderúrgica Nacional quase dobraram a influência sobre a
rentabilidade média de mercado de 2002 para cá, o que é facilmente observado
no gráfico de evolução diária das cotações. Em relação aos RXWOLHUV, apesar da
maior incidência de valores atípicos positivos na amostra de 11 anos, se
olharmos apenas a última metade da amostra, há exatamente o mesmo número
de valores extremos positivos e negativos (22) e, no último ano de coleta de
dados, os RXWOLHUV positivos (3) representaram metade dos negativos (6). Todos
estes fatos podem indicar que, apesar de estar sendo mais negociada, cresceu a
probabilidade de resultados negativos ao se operar esta ação.
��������**%5��Nascida no início da década de 70, a Gerdau foi inicialmente instalada
para produzir até 250 mil toneladas de aço por ano. Em 2005, com pouco mais
de 3 décadas de existência, “a produção de aço bruto (placas, blocos e tarugos)
alcançou 13,7 milhões de toneladas (...).”12 Sua receita é fortemente
dependente das exportações, levando a empresa a figurar entre as principais
produtoras de aço no mundo.
A Gerdau apresentou comportamento muito semelhante ao de CSNA3,
passando de 26a na participação do índice (1,14%) para 8a (2,883%), mais
RXWOLHUV positivos do que negativos, mas os primeiros mais concentrados na
metade inicial da amostra. Até os valores apurados para a média e para os
quartis de rentabilidade diferenciam-se em menos de 0,5 p.p., sendo o
coeficiente de variação de GGBR4 pouco mais de 1 unidade superior ao de
CSNA3. É de se esperar que a ferramenta proposta neste trabalho funcione de
forma semelhante para as duas ações.
11 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br 12 In IAN com data base de 31/12/2005, breve histórico da empresa, www.cvm.gov.br
85
��������9$/(��A análise das ações ordinárias da Vale do Rio Doce revela que a sua
entrada não só no cálculo do Ibovespa, mas no grupo das “dez mais” do índice
diminuiu sensivelmente a sua volatilidade. O desvio-padrão da rentabilidade que
até a metade de amostra era de 125%, caiu para 61% na última metade. Isto
talvez tenha contribuído para aumentar a liquidez desta ação que tem uma das
menores volatilidades do grupo avaliado, apesar de sua rentabilidade média ser
uma das melhores. Chama a atenção o formato do histograma desta ação que
apresenta muitos valores concentrados na classe mediana, confirmando os fatos
apontados anteriormente.
���������%5.0��Fundada no início dos anos 70, a Braskem hoje faz parte do grupo
Oddebrecht, depois de fazer parte do programa de privatização nacional em
1995, e tem como negócio principal fabricação, comércio, importação e
exportação de produtos químicos e petroquímicos.
Figurando apenas na 50a posição no cálculo do Ibovespa em 2004, o fato
que parece ter contribuído para o aumento da liquidez da Braskem e sua
conseqüente entrada no grupo das “dez mais” é a relativa estabilidade da sua
rentabilidade e volatilidade entre a metade inicial e a metade final da amostra: a
primeira caiu 8,6% e a segunda 10,1% (valores bastante distantes das ações da
Petrobrás, sempre bastante representativa no cálculo do índice, cujos
percentuais de variação foram, respectivamente, 56% e 57,7%).
���������&RQVLGHUDo}HV�*HUDLV�A análise das dez maiores empresas em volume de negócios da Bovespa
revelou que este seleto grupo é formado por empresas sólidas, de grande porte
(elevado patrimônio líquido), participantes de oligopólios e, em sua maioria,
oriundas do setor público e privatizadas no governo do Presidente Fernando
Henrique Cardoso. As únicas exceções são a Petrobrás, ainda estatal, os
bancos Itaú e Bradesco e a Telemar, empresa de histórico mais recente, mas
que também pode ser vista como um fruto do processo de desestatização
adotado no início do plano Real.
É interessante observar que, apesar de sólidas, metade das empresas
avaliadas não fazia parte, há 4 anos, do grupo de maiores empresas no cálculo
do Ibovespa. Assim, os resultados a serem encontrados neste trabalho
(conjugando o uso de gráficos de controle ao mercado de capitais brasileiro) não
86
poderão ser vistos como generalizações para todo o mercado, e só deverão ser
implantados em empresas com características parecidas com as apresentadas
anteriormente.
Em relação ao estudo dos dados coletados, de um modo geral, o que se
pôde perceber é que existe assimetria positiva para o retorno de todas as ações
e, em muitos casos, mesmo com a exclusão dos RXWOLHUV, o histograma
apresenta grande concentração de dados em torno da média. Os RXWOLHUV
totalizaram cerca de 5% das amostras, à exceção de VALE3, cujo número
relativo de valores extremos foi superior a esta cifra. As medianas
apresentaram-se muito próximas de zero, enquanto as médias foram bastante
superiores (em 8 das 10 ações estudadas, a média das rentabilidades esteve
entre 4% am e 5% am). Os desvios-padrão e, conseqüentemente, os
coeficientes de variação foram muito superiores a estas cifras, confirmando que,
em relação à média, há muitas possibilidades de se conseguir ganhos muitos
elevados ou prejuízos bastante consideráveis ao se optar por investimentos em
ativos de risco, mesmo que de primeira linha.
��(VWXGR�GH�6D]RQDOLGDGH�
Antes de calcular e analisar a estimativa dos parâmetros de retorno e a
aplicação das estratégias, vale a pena investigar um possível comportamento
sazonal dos dados. Este estudo já havia sido iniciado na dissertação de
mestrado intitulada “Identificação de Momentos de Compra e Venda, à Vista, de
Ações: Um Procedimento Alternativo Inspirado em Gráficos de Controle de
Processos”, mas, agora, os resultados obtidos foram bastante diferentes dos
anteriormente encontrados, conforme indicado ao longo deste capítulo. Assim,
torna-se necessário uma averiguação adicional com o objetivo de apurar que
efeitos a sazonalidade pode trazer à metodologia proposta neste trabalho para
escolha de momentos de compra e venda de ações no mercado à vista.
����&iOFXOR�GR�(IHLWR�6D]RQDO��Desde a década de 80, os estudiosos da Bovespa atribuem alguns
comportamentos sazonais à variação de preços das ações: “5a feira é o dia do
boato”, “dezembro é um mês com rentabilidade superior aos demais”, “2a feira é
um dia de pouco movimento”, “janeiro é um mês de realização de lucros”, etc.
Qualquer analista ou investidor com alguma experiência sabe que o mercado de
ações sofre o efeito de sazonalidade diária e mensal, mas não existe qualquer
estudo que defina o tamanho deste efeito; pelo menos não segundo a
metodologia de cálculo proposta por Holt e Winters. O intuito, nesta seção, será
apurar o tamanho da sazonalidade diária e, caso ela seja significativa, verificar
como sua presença pode afetar os resultados. Espera-se, desta forma, entender
se existe necessidade de considerar o efeito sazonal na aplicação da
metodologia proposta inicialmente para este trabalho.
������*HUDomR�GH�QRYD�EDVH�GH�GDGRV�Para estimar fatores sazonais é conveniente trabalhar com bases de dados
contínuas. No entanto, quando se trata de ações, não há negociações, e
portanto cotações, para os feriados. Isto representa um problema para estimar
sazonalidade, especialmente quando existe a presença de feriados móveis,
88
como o Carnaval e a Páscoa. Deste modo, para que seja possível calcular os
fatores sazonais dos retornos das ações, é preciso converter a série original de
dados em uma série sem valores faltantes (³PLVVLQJ�YDOXHV´). Adotou-se, então,
os seguintes passos para completar a base de dados:
“Passo 1: identificar os feriados;
Passo 2: para cada seqüência de dois dias úteis seguidos (considerou-se
como seqüência de dois dias úteis seguidos o conjunto formado por dois dias
consecutivos com negócios de pregão depois de excluídos sábado e domingo,
ou seja, sem feriados entre um determinado pregão e o seguinte), calcular o
logaritmo neperiano dos retornos acumulados para dois dias e montar uma série
histórica com estes valores e com a sua decomposição pelos dois dias
consecutivos (por exemplo; se, para o período de 2 dias foi encontrado um
retorno de 2,51%, é preciso identificar que parcela deste refere-se ao primeiro
dia da seqüência e que parcela refere-se ao segundo dia, de modo que o
resultado acumulado não seja alterado, no caso, 2% e 0,5%)
Passo 3: para cada feriado, calcular o valor do logaritmo neperiano do
retorno do dia útil imediatamente posterior (digamos que tenha sido encontrado o
valor 2,52%);
Passo 4: procurar na série construída no Passo 2 o dia em que o logaritmo
neperiano do retorno para dois dias for mais próximo ou igual ao encontrado no
Passo 3 (no caso de não existir um valor igual na série histórica, procurar o
maior valor que esteja abaixo do encontrado no Passo 3), identificando sua
decomposição quanto aos retornos para o primeiro e segundo dias (continuando
com o exemplo, imagine que 2,51% é o menor valor mais próximo de 2,52%);
Passo 5: atribuir, ao feriado, o valor identificado no Passo 4 para o primeiro
dia (neste caso, o feriado receberia, para efeito de calculo, o valor de 2% de
retorno);
Passo 6: trocar o retorno do primeiro dia útil posterior ao feriado pela
diferença entre o valor original deste e o encontrado no Passo 5, ou seja, a soma
dos logaritmos dos retornos atribuídos à seqüência de dois dias (feriado e dia útil
seguinte) será exatamente igual ao valor original do logaritmo do retorno
apurado entre o dia útil imediatamente posterior e o imediatamente anterior ao
feriado (no nosso exemplo, 0,5098% para ser atribuído ao dia que,
originalmente, apresentava retorno de 2,52%);
Passo 7: no caso de o feriado referir-se a uma seqüência de dias maior do
que dois (por exemplo, Carnaval ou Semana Santa), aplicar o procedimento dos
Passos 2 a 6 apenas ao último dia não útil e, logo depois, repetir os Passos 2 a 6
89
para o penúltimo dia não útil e, depois, para o ante-penúltimo dia não útil, se for
o caso, de modo que não reste nenhuma seqüência de segunda a sexta-feira
sem um valor de retorno associado.1”2
�������&iOFXOR�GRV�)DWRUHV�6D]RQDLV�VHJXQGR�+ROW�:LQWHUV�
Neste trabalho optou-se por verificar os fatores sazonais conforme a
metodologia de Holt-Winters. Com origem na década de 70 e nos métodos de
amortecimento exponencial, sua principal qualidade é trabalhar com uma
modelagem univariada, ou seja, é possível estimar valores futuros apenas com
valores históricos de uma série. Isto implica em recalcular as estimativas da
série de dados em estudo sempre que se conseguir uma nova observação, o
que garante a qualidade apenas das estimativas de curtíssimo prazo, já que os
parâmetros deste tipo de modelagem mudam a cada novo valor efetivamente
observado para os dados.
Para aplicar a metodologia de Holt-Winters utilizou-se o programa E-
VIEWS já que assim é possível obter estimativas bastante precisas para os
fatores sazonais. Para tanto, depois de feitos os procedimentos de entrada de
dados (antes de aplicar qualquer modelagem econométrica para tratamento dos
dados) e escolha da opção de geração de fatores sazonais diários (cycle for
seasonal = 53) para sazonalidade aditiva4, foram encontrados os seguintes
Fatores sazonais médios:
1 Pode-se imaginar que, para estes casos, dever-se-ia ter repetido o processo começando, no Passo 2, não com uma seqüência de dois dias, mas com as seqüências com o mesmo número de feriados mais um, no entanto, há apenas duas ocorrências deste tipo por ano, ou seja, usar a metodologia aqui proposta poupa recursos computacionais, mas sem gerar prejuízos relevantes para o que se pretende estudar. 2 In: AMARAL, 2004, pp.37 e 38 3 Segundo Lacombe (2004), sazonalidade pode ser definida como uma “alteração, em geral, previsível, no valor de qualquer variável em função da estação do ano, trata-se de um galicismo originário da palavra saison. A alteração é previsível porque se reproduz de maneira semelhante em períodos determinados de cada ano.” Assim, o mais comum é associar fatores sazonais às estações do ano ou aos seus meses, mas, neste trabalho, optou-se por estudar este efeito em períodos ainda mais curtos: os dias da semana. Na academia não existe consenso quanto à melhor nomenclatura para este fenômeno que se repetiria a cada dia da semana, então resolveu-se manter a metodologia de cálculo tradicional de fatores sazonais usualmente aplicada a variáveis econômicas mensais e manteve-se a mesma nomenclatura mesmo com a mudança da periodicidade considerada. 4 Optamos pelo modelo aditivo por estarmos partindo de uma base de dados logaritmizada e com médias próximas do valor zero.
90
De modo geral, o que se pode verificar é que, na média, tanto na 2ª quanto
na 5ª feira a sazonalidade parece ser negativa, enquanto na 3a, 4ª e 6ª feiras sua
influência é positiva. Estes mesmos efeitos apareceram no estudo feito
anteriormente para a dissertação. No entanto, neste caso, os dias de 5ª e 6ª
feira apresentam os valores mais expressivos, de magnitude parecida, mas com
sinais opostos, indicando um possível movimento de compensação antes e
depois do final de semana. Anteriormente, na análise apresentada em 2004, o
efeito sazonal encontrado para 2a feira era mais expressivo que o de 5a feira.
Este resultado parecido, mas com algumas diferenças, pode indicar que o
tamanho da amostra pode ser fundamental para uma avaliação adequada deste
fenômeno.
����7HVWHV�GH�VLJQLILFkQFLD�GRV�)DWRUHV�VD]RQDLV�
Os resultados apresentados na seção anterior, a princípio, parecem indicar
que o efeito sazonal está presente. Mas será que esta presença é
estatisticamente significativa? Ou será que os valores apurados podem ser
considerados nulos? É para responder a estas perguntas que submetemos os
resultados apurados a quatro testes estatísticos.
O primeiro teste consiste em verificar se os fatores sazonais, para cada dia
da semana, são estatisticamente não nulos, ou seja, trata-se de fazer um teste
de média com as seguintes hipóteses nula e alternativa:
H0: P = 0
H1: P z 0
7$%(/$������)DWRUHV�6D]RQDLV�0pGLRV�3DGURQL]DGRV���6DtGDV�(�YLHZV$d®(6 ���)(,5$ ���)(,5$ ���)(,5$ ���)(,5$ ���)(,5$
PETR4 -0,0024 0,0024 0,0013 -0,0020 0,0008VALE5 -0,0011 0,0011 -0,0009 -0,0010 0,0019BBDC4 -0,0023 0,0006 0,0008 -0,0016 0,0026TNLP4 -0,0010 -0,0003 -0,0003 -0,0022 0,0038USIM5 -0,0015 0,0038 -0,0012 -0,0055 0,0044ITAU4 -0,0015 0,0012 0,0001 -0,0022 0,0025CSNA3 -0,0021 0,0024 -0,0003 -0,0008 0,0007GGBR4 -0,0015 0,0011 0,0008 -0,0041 0,0037VALE3 -0,0019 0,0011 -0,0001 -0,0021 0,0029BRKM5 -0,0011 -0,0001 0,0003 -0,0016 0,0025média ações -0,0017 0,0013 0,0001 -0,0023 0,0026
91
Neste caso, não rejeitar a hipótese nula significa dizer que os valores
encontrados para as médias de cada dia da semana referem-se a efeitos
aleatórios gerados a partir dos dados coletados. Caso contrário, ou seja, se
houver indícios para rejeitar a hipótese nula, isto representará um forte indicador
de que a sazonalidade é relevante, sem que isso implique em afirmar que sua
presença pode afetar os resultados das estratégias aplicadas antes de se retirar
o efeito sazonal, o que será apurado mais tarde.
Comparando-se a estatística t calculada com a estatística t tabelada pode-
se concluir que apenas o valor apurado para 4a feira é estatisticamente nulo. É
claro que isto não significa que 4a não esteja sob influência de sazonalidade,
mas que o ln(RD) de 4a está mais próximo do ln(RD) médio, sendo os demais
dias da semana afastados desta média global por uma distância semelhante aos
valores apurados para os demais fatores sazonais, o que confirma a análise
anteriormente feita.
Para ratificar os resultados encontrados com a aplicação do primeiro teste,
pode-se fazer um teste de significância global das médias, ou seja, é possível
aplicar um teste F com o intuito de verificar os fatores sazonais são
estatisticamente diferentes entre si. Isto equivale a trabalhar com as seguintes
hipóteses nula e alternativa:
H0: Pi = P = 0�H1: � Pi z P,
onde i e j representam cada um dos dias da semana e i z j
A Tabela 5.4, a seguir, mostra os valores apurados:
7$%(/$������(VWDWtVWLFDV�GH�7HVWH
',$ W ������� S�YDORU2ª FEIRA -9,8289 0,00003ª FEIRA 3,3408 0,00864ª FEIRA 0,2336 0,82055ª FEIRA -5,0487 0,00076ª FEIRA 6,6304 0,0001
W ������� � ��;�P��V� ��Q� ��
92
Mais uma vez confirmou-se a sensação inicial de que existe diferença
entre os valores sazonais calculados a partir da amostra e que deve-se rejeitar a
hipótese nula.
Prosseguindo com a idéia de entender como a sazonalidade se comporta
no mercado acionário brasileiro, resta verificar como se comportam as variâncias
dos fatores calculados pela metodologia de Holt-Winters. Assim, um terceiro
teste deve tratar das seguintes hipóteses:
H0: Vi = Vj
H1: Vi z Vj
onde i representa a ação de maior variância e j representa a ação com menor
variância para os fatores sazonais calculados.
Com os dados apurados, a ação com menor variância foi a VALE5
enquanto a de maior variância foi a USIM5. Para a razão variância máxima /
variância mínima, foi encontrado o valor 8,95, valor mais do que o dobro do
verificado com a amostra da dissertação de Amaral (2004), anteriormente citada.
Neste caso, este valor é suficientemente grande (p-valor = 0,028) para rejeitar-se
a hipótese nula e assumir heterogeneidade entre as variâncias.
Uma análise mais detalhada de todos os pares de ações revela, no
entanto, que esta heterogeneidade só está presente em 2 dos 45 pares de
ações. Isto significa que, apesar da rejeição da hipótese nula, na média, parece
que a maioria das ações apresenta um comportamento homocedástico em se
tratando da variância dos fatores sazonais ao longo dos dias da semana para
cada ação. Assim, na maioria dos casos, não parece razoável esperar
comportamentos diferentes para as oscilações de fatores sazonais de cada
ação, em torno da média apurada para cada dia da semana, mas é possível que,
para algumas empresas, seja necessário trabalhar com os seus próprios fatores
sazonais e não os seus valores médios.
7$%(/$�������$129$�5()(5(17(�$2�7(67(���'(�6$=21$/,'$'(
)RQWH�GD�YDULDomR 64 JO 04 ) YDORU�3 )�FUtWLFREntre grupos 0,0002 4 0,000041 33,911 5E-13 2,5787
Dentro dos grupos 5E-05 45 0,000001
Total 0,0002 49
93
Finalmente, pode-se testar se existe evidência de um comportamento
homogêneo das variâncias dos fatores sazonais médios apurados para cada dia
da semana. Assim, fez-se o uso das seguintes hipóteses:
H0: Vi = Vj
H1: Vi z Vj
onde i representa o dia da semana com maior variância (5a feira) e j o dia da
semana com menor variância apurada (2a feira)
Neste caso, rejeitar a hipótese nula significa acreditar que pode haver um
dia da semana com menor risco para definição dos fatores sazonais entre as
ações e, para o investidor avesso a riscos, menor risco pode representar um dia
mais favorável para investimentos.
É interessante observar que se está testando a diferença de variância (dos
valores para os fatores sazonais) entre os dois dias que apresentaram valores
negativos de sazonalidade. A razão entre as variâncias foi de 7,352, o que
também indica rejeição da hipótese nula (p-valor = 0,0033, conforme teste F),
indicando heterogeneidade entre as variâncias para cada dia da semana. Como
o resultado implica em rejeição da hipótese nula, vale a pena verificar a
estatística de teste para cada par de dias. Este resultado é apresentado na
Tabela 5.6 a seguir:
� ������������� ������� ��� � ���� !�"��#%$�&'#� #)(+* ,'# �-# .0/%�� #213� �4* 5 .06�* �87�� �-�2�9/�: #%$;�<>=0?%@ A�B�CD<�E F F�G0H0@ =0I C>;D@ J�K�L M3E L =DB�J%@ H�K I�B N OPO3F ?%@ A�B�C><>N F�? Q�M3E
;�<>=0?%@A�B�C><�E
0,219F F G�H0@0,456 0,252=0I C>;D@0,442 0,180 0,399J�K�L M3E0,109 R�S R�TVU 0,091 0,136L =DB�J�@0,433 0,270 0,477 0,377 0,083H�K I>B!N0,347 0,348 0,388 0,296 0,057 0,411O�OWF�?%@0,261 0,085 0,227 0,309 0,267 0,211 0,154A�B�C><>N0,495 0,215 0,451 0,448 0,111 0,428 0,342 0,265F ? Q0MWE0,295 0,404 0,334 0,248 R�S R @�@ 0,355 0,442 0,124 0,291
� X �GLD � X �GLD S�YDORU2a feira 3a feira 0,00872a feira 4a feira ������2a feira 5a feira 0,00332a feira 6a feira 0,01023a feira 4a feira ������3a feira 5a feira ������3a feira 6a feira ������4a feira 5a feira 0,03974a feira 6a feira ������5a feira 6a feira ������
7$%(/$�������7HVWH�GH�'LIHUHQoD�GH�9DULkQFLD�SDUD�GLDV
94
O que se nota ao observar a tabela é que, para D = 5% parece haver
heterogeneidade de variâncias em 4 dos 10 pares avaliados. Se aumentarmos
D para 10%, a heterogeneidade aparece em 6 dos 10 pares avaliados. Assim, é
impossível afirmar se existe preponderância de pares de dias com
homogeneidade ou com heterogeneidade de variância; mas é possível acreditar
que exista um dia mais arriscado, ou com maior variância em torno da carga
sazonal média, e este dia é 2a feira, um parâmetro que poderá ser considerado
ao se estudar aprimoramento das estratégias (por exemplo, pode-se colocar
como premissa que nenhuma operação será iniciada ou finalizada em uma 2a
feira).
De modo geral pode-se afirmar que os fatores sazonais são significativos,
diferentes uns dos outros. As 2as feiras não só apresentam comportamento
abaixo da média esperada, como também parecem ser mais arriscadas para se
operar com ações. Vale a pena destacar que tanto para a 2a feira quanto para a
5a e 6a feiras não há mudança no sinal dos fatores sazonais apurados em todo o
conjunto das 10 ações, ratificando o comportamento sazonal negativo nas 2as e
5as feiras e o comportamento sazonal positivo nas 6as feiras.
A análise dos fatores sazonais e de sua variância pode ser
complementada por uma análise do volume de negócios médio para os diversos
dias da semana:
O que se pode perceber é que 2a feira, além de possuir a maior variância
quando se olha para o logaritmo dos retornos, também responde pelo menor
'LD�GD�6HPDQD
9ROXPH�GH�1HJyFLRV��5��
0LOK}HV���WRWDO
2a feira 447,09 17,2%3a feira 520,71 20,0%4a feira 582,16 22,4%5a feira 546,18 21,0%6a feira 501,37 19,3%
7RWDO ��������
7DEHOD������9ROXPH�GH�1HJyFLRV�0pGLRSRU�GLD�GD�6HPDQD��,ERYHVSD�
95
volume de operações médio e, portanto, deve-se optar, preferencialmente, pela
realização de negócios nos demais dias da semana.
Adicionalmente, pelo que se pôde apurar após a realização dos testes
descritos nesta seção, também é de se esperar que a sazonalidade entre os dias
da semana, claramente presente na amostra em estudo, possa contribuir de
alguma forma para a formação do retorno das ações. No entanto, é prematuro
acreditar que este efeito possa vir a afetar o desempenho das estratégias em
estudo, uma vez que se está trabalhando com estratégias montadas a partir de
limites de compra e venda formados a partir de intervalos de pequena amplitude.
Mas, para se ter certeza dos resultados que este efeito pode trazer, é preciso
avaliar o comportamento das estratégias montadas a partir de uma série
dessazonalizada dos dados.
��0RGHORV�GH�5HWRUQR�
A análise histórica da base de dados não estaria completa sem um estudo
atento sobre os possíveis modelos de previsão do retorno das ações. É o
resultado estimado para estes modelos que será apresentado neste capítulo.
�����02'(/26�'(�5(72512��Até este momento já se pode supor que o comportamento dos dados que
se irá usar não é i.i.d. ou aleatório. Na tentativa de gerar uma amostra com
estas características e aplicar a mesma metodologia sugerida em AMARAL
(2004), ou seja, encontrar o resultado de aplicação de estratégias de compra e
venda inspiradas em gráficos de controle, optou-se por “filtrar” os dados originais
com alguns dos mais conhecidos modelos de séries temporais e trabalhar com
os resíduos (diferença entre o valor observado e o esperado de cada
observação) da base de dados primária. No entanto, como se trata de um
estudo investigativo, não há como definir, D� SULRUL, qual modelo é o mais
adequado para descrever o comportamento dos dados, nem tampouco se é
possível, depois de filtrar a amostra, gerar dados i.i.d. ou aleatórios a partir da
amostra coletada.
Para tentar descobrir se a aleatoriedade dos dados é importante na
definição da estratégia a ser seguida pelo investidor, será investigado se o
tratamento dos retornos apurados (ln RD) altera os resultados esperados1 e, em
caso afirmativo, se esta alteração é relevante ou não. Assim, busca-se trabalhar
com a comparação da estratégia aplicada a uma base de dados tratada e outra
sem tratamento. Diante das inúmeras possibilidades em conformidade com a
teoria de séries temporais, optou-se por investigar o comportamento dos
resíduos dos seguintes modelos de séries temporais: AR (1), MA (1), ARMA
(1,1), ARCH (1), EWMA e mudança de regime (modelo do tipo SETAR). Assim,
1 Isto é, se trabalhar com os resíduos de modelos de séries temporais aplicados a ln (RD) gera melhores resultados do que trabalhar diretamente com os valores observados.
97
serão estimados, a partir da amostra inicial, os parâmetros das equações dos
modelos anteriormente apontados, conforme descrição a seguir.
������$5����Replicando-se o trabalho realizado na dissertação de mestrado, estima-se
a seguinte equação:
yt = c1 + I1yt-1 + Ht
onde:
yt é o valor do ln do retorno do período t;
Ht refere-se ao resíduo da série de ln de retornos no momento t.
Os parâmetros c1 e I1 deste modelo foram encontrados adotando-se a
metodologia de Box & Jenkins através do programa Forecast Pro for Windows
(FPW).
������0$����Para o cálculo deste modelo foi utilizada a seguinte equação:
yt = c2 + at + T1at-1
onde:
yt é o valor do ln do retorno do período t;
at refere-se ao resíduo da série de ln de retornos no momento t
Assim como na subseção anterior, os parâmetros do modelo (c2 e T1) deste
modelo foram encontrados adotando-se a metodologia de Box & Jenkins através
do programa Forecastpro for Windows (FPW).
������$50$������Neste caso buscou-se calcular os seguintes parâmetros:
yt = c3 + I1yt-1 + at + T1at-1
onde:
yt é o valor do ln do retorno do período t;
at refere-se ao resíduo da série de ln de retornos no momento t
Repetindo o procedimento das subseções anteriores, os parâmetros do
modelo (c3, I1 e T1) deste modelo foram encontrados adotando-se a metodologia
de Box & Jenkins através do programa Forecastpro for Windows (FPW).
98
������$5&+����Segundo Gujarati (2000), “Pesquisadores que se dedicam a prever séries
temporais financeiras (...) , observaram que sua capacidade de prever tais
variáveis oscila consideravelmente de um período para outro (...). Isto sugeriria
que a variância dos erros de previsão não é constante, mas varia de um período
para outro, ou seja, há uma espécie de autocorrelação na variância dos erros de
previsão.” (p.438)
Com o intuito de avaliar se este fenômeno é relevante para a escolha de
estratégias segundo a metodologia deste trabalho, será testada a hipótese de
existência de um comportamento heterocedástico dos resíduos. Para tanto,
partiu-se da hipótese de que se trata de um processo ARCH (1), ou seja,
21t10
2t aa �D�D + Ht
onde:
at refere-se ao resíduo da série de retornos (previstos a partir de uma equação
conforme o modelo AR(1)) no momento t;
Di refere-se aos coeficientes linear (i=0) e angular (i=1) obtidos a partir de uma
regressão simples usando-se MQO;
Ht refere-se ao resíduo da série de ln de retornos no momento t.
Como não é possível estimar modelos do tipo ARCH com o programa
FPW, neste caso trabalhou-se com o E-VIEWS. Isto nos deu a segurança de
estar trabalhando com um programa reconhecido no meio acadêmico para
estimar modelos de séries temporais. A versão utilizada neste trabalho foi a 4.1.
������(:0$�Optar pela modelagem de médias móveis ponderada exponencialmente
(EWMA) traz o benefício de se lidar com um modelo bem mais simples,
propriedade desejável a modelos econométricos. Vale a pena investigar se o
uso de EWMA pode trazer benefícios em relação à modelagem de Box &
Jenkins.
A estatística EWMA é uma média móvel ponderada exponencialmente. De
fato, a equação recursiva para seu cálculo é:
1iii z)1(xz �O��O
onde:
xi refere-se à observação do período i;
99
zi é a média ponderada EWMA no tempo i;
O é uma constante tal que 0<O<1.
Expandindo a equação anterior com sucessivas substituições de zi-j,
obteve-se a seguinte equação:
0i
ji
1i
0j
ji z)1(x)1(z O��O�O �
�
�¦
“Note that, unless (...) O is close to 0, the weights will die out (become
negligible) fairly rapidly.”2 Isto é, quanto mais próximo de zero for o valor
adotado para O, menor será a mudança na média após a introdução de uma
nova observação. E, simetricamente, quanto mais próximo de 1 estiver O, mais a
média se aproxima do último valor observado.
Para os casos intermediários (0<O<1), quanto mais antiga é a observação,
menor a sua importância, mas não existe a suposição de que cada valor
observado trata-se de um dado iid em relação ao verificado no período anterior.
As estimativas de O foram encontradas através do uso, novamente, do programa
FPW.
������0XGDQoD�GH�5HJLPH�Neste caso, será verificado como se alteram os resultados diante da
hipótese de o retorno das ações apresentar um comportamento de mudança de
regime. Diante das 3 possibilidades levantadas pelos autores Franses & Dijk
(2000), escolheu-se trabalhar com um modelo do tipo SETAR, conforme descrito
na seção 2.4.8 desta tese. Ou seja,
c yse y y 1-tt1t1,11,0t dH�I�I �
c yse y 1-tt1t2,12,0 !H�I�I �
Um ponto fundamental para escolha do modelo SETAR é encontrar o
ponto c que, na prática, pode ser definido como a fronteira entre os dois regimes
vigentes. Como não foi encontrada nenhuma literatura que tratasse da escolha
de tal ponto e a amostra continha RXWOLHUV, optou-se por recorrer a pontos
tradicionais da estatística. Assim, para definir o ponto c com o qual foi realizado
o trabalho, investigou-se o comportamento da escolha dos quartis como
fronteira.
2 In Box & Luceño, p. 70
100
101
Os parâmetros do modelo SETAR foram encontrados com o uso do
software EXCEL, aplicando-se o procedimento de estimativas de retas de
regressão múltipla. Foi usada a metodologia de mínimos quadrados ordinários
(MQO) e variáveis dummy de intercepto de inclinação. A equação estimada foi a
seguinte:
DyDy y t1t211t1,11,0t H�E�E�I�I ��
onde:
D = 0 se yt-1 d c e D = 1 se yt-1 ! c
Neste caso, I0,2 = I0,1 + E1 e I1,2 = I1,1 + E2
Os resultados encontrados para as variáveis são apresentados na Tabela
6.1.
Uma análise dos valores apresentados revela duas características:
dummies significativas, mas poucas variáveis I1,1 significantes e, adicionalmente,
resultados para I1,1 com sinal oposto ao esperado para valores de yt-1 abaixo de
c (não há quaisquer evidências para acreditar que o retorno atual tenha
correlação negativa com o do dia anterior). Deste modo, pode ser que esta
modelagem esteja apresentando algum problema a respeito de violação das
hipóteses, por exemplo multicolinearidade, o que resultaria em resultados deste
tipo. Resolveu-se testar uma nova equação de estimação:
Dy y t1t1,11,0t H�E�I�I �
onde:
D = 0 se yt-1 d c e D = 1 se yt-1 ! c
Neste caso, I0,2 = I0,1 + D e I1,2 = 0
Mais uma vez estudamos os resultados encontrados e, dado que, em
termos estatísticos (comparação de estatísticas t dos parâmetros e valores
encontrados para o coeficiente de determinação das retas de regressão
estimadas), os valores obtidos com a mediana e o terceiro quartil como fronteiras
foram muito parecidos, optou-se por trabalhar com a mediana que dividiria
igualmente a quantidade de observações de cada equação estimada.
������(VWLPDWLYDV�±�'DGRV�GHVVD]RQDOL]DGRV�Com os parâmetros definidos para os modelos de retorno, para cada
observação será possível calcular um valor esperado para o retorno das ações
e, deste valor, será subtraído o verdadeiro valor observado para o retorno. O
102
resultado encontrado, o resíduo do modelo, representa a parcela de erros do
modelo (que se espera se iid, se o modelo for adequado), sendo esta parcela a
que se precisa conhecer para montar os gráficos de controle. A partir destes
gráficos, tentou-se identificar se existe um intervalo de variação dos resíduos
que teria otimizado o lucro do investidor. Ou seja, tentou-se descobrir se existe
um par de limites (“estratégia”) para compra e venda, para cada ação, que, se
acatados, teriam gerado maior rentabilidade para o investidor sem que este
corresse maior risco. Neste caso, será considerada rentabilidade o percentual
acumulado da variação entre a cotação de venda e a cotação de compra de
determinada ação durante a aplicação da estratégia, e risco, o desvio-padrão
das rentabilidades obtidas com o uso da estratégia3.
Com as melhores estratégias mapeadas, pode-se identificar se existe
alguma que mantém o seu desempenho na amostra de controle, ou seja, se
existe um par de limites de compra e venda que, na amostra de controle,
também possui uma relação de ganho e risco favorável ao investidor.
A Tabela 6.2 resume o resultado dos parâmetros encontrados para cada
um dos modelos apresentados anteriormente, usando-se a base de dados
dessazonalizada.
De modo geral o que se pôde perceber é que, independentemente do
modelo escolhido para representar o comportamento dos retornos, o grau de
predição e explicação das equações encontradas é muito ruim, uma vez que
todos os coeficientes de determinação encontrados apresentaram-se muito
baixos (todos inferiores a 5%). No entanto, de um modo geral, as estatísticas t
dos coeficientes encontrados foram bastante satisfatórias (revelando, na maioria
dos casos, coeficientes estatisticamente significativos para um grau de confiança
superior a 95%), indicando uma possível omissão de variáveis nas equações
originais. Este resultado não representa propriamente uma surpresa, já que está
em conformidade com o apurado pelos diversos autores favoráveis à adoção de
modelos de índices múltiplos como Fama & French (1996), e diversos outros,
citados no capítulo 2 desta tese. Além disso, os modelos ARMA (1,1) são os
que parecem apresentar a menor incidência de estimativas estatisticamente
significativas.
3 Para o cálculo final foi apurada a rentabilidade de cada operação de compra e venda, mas, para o cálculo do desvio-padrão durante a aplicação da estratégia, considerou-se o resultado global transformado em operações diárias, conforme fórmulas definidas no Capítulo 7, página 138.
103
Adicionalmente, repetindo o que havia sido verificado em AMARAL (2004),
quando a escolha do modelo, seguindo a metodologia de Box & Jenkins, foi livre
para o programa FPW (o programa dispõe de uma interface na qual calcula uma
estimativa automática do melhor modelo ajustado aos dados, aquele com menor
RMSE), metade dos casos estudados resultaram num modelo MA(1) e a outra
metade num modelo AR(1), contrariando o que o mercado financeiro, em geral,
tende a esperar4.
4 O mercado financeiro costuma trabalhar com modelos do tipo AR (1).
104
������(VWLPDWLYDV�±�'DGRV�RULJLQDLV�Diante dos resultados apontados no capítulo anterior, fica evidente que os
fatores sazonais são relevantes. No entanto, não se pode afirmar que incluí-los
no processo de modelagem dos retornos e/ou volatilidades possa afetar o
desempenho das estratégias. Esta seção foi pensada com o intuito de fornecer
subsídios que possam sugerir se a sazonalidade deve ser realmente expurgada
ou não dos dados iniciais para que se possa escolher melhor a estratégia que se
deseja seguir.
Uma primeira averiguação feita foi o estudo de como as estatísticas dos
modelos de retorno se alteram com a dessazonalização dos dados da amostra
inicial. Os resultados obtidos são apresentados na Tabela 6.3 e referem-se aos
cálculos feitos com os dados originais utilizando-se o Excel, o FPW e o E-views.
Uma análise do coeficiente de determinação (R2) das regressões
calculadas revela que, em 90% dos modelos, este coeficiente foi maior após a
dessazonalização dos dados. No entanto, o acréscimo, em nenhum caso, é
superior a 0,001, ou seja, o aumento no poder explicativo dos modelos é inferior
a 0,1 p.p. Isto pode ser um sinal de que, apesar de estar presente, a
sazonalidade não parece afetar a capacidade de previsão com os modelos
propostos. Mas, como não havia interesse em prever o comportamento dos
retornos e, sim, identificar momentos favoráveis para investimentos, trabalhou-se
com os dados dessazonalizados e, mais adiante, tentou-se avaliar como o
processo de dessazonalização tem efeito sobre os resultados encontrados, já
que um dos objetivos deste trabalho é selecionar a metodologia mais
parcimoniosa no que diz respeito a estimativa de coeficientes e, no caso de
dados dessazonalizados, parece óbvio que não se trata do modelo mais enxuto
que pode ser considerado.
105
�
106
����*5È),&26�'(�&21752/(��Este trabalho pretende adotar uma abordagem empírica para a definição
de momentos de compra e venda de ações porque sua ênfase não contempla a
escolha de um modelo com capacidade preditiva das cotações ou de seus
retornos. Assim, não será aplicado o controle estatístico de processos (CEP),
mas uma abordagem empírica inspirada em CEP. A idéia é utilizar limiares
superior e inferior para os retornos, ou para alguma fração destes, que sejam
limiares de decisão para compra ou venda. Apesar da semelhança com gráficos
de controle, não se trata de gráficos de controle, pois estes se aplicam a
situações em que o objetivo é detectar a eventual presença de causas especiais
de variação em processos, para neles intervir, eliminando-as. Os limiares a
serem utilizados serão determinados empiricamente, pois as fórmulas para
determinação dos limites de gráficos de controle baseiam-se em um modelo de
processo que aqui não se aplica, visando manter a probabilidade de alarme falso
num nível suficientemente baixo, enquanto que aqui não há como definir “alarme
falso” ou “alarme verdadeiro”, dado que o modelo subjacente de processo é
outro. Limites de controle em gráficos de controle são relacionados aos erros do
tipo I e II em testes de hipóteses, enquanto que os limites para as estratégias
que aqui se propõem são limiares de decisão que visam maximizar o retorno;
não se trata de teste de hipóteses e por isso a teoria de testes de hipóteses não
se aplica à sua determinação.
�������+LVWyULFR�GRV�*UiILFRV�GH�&RQWUROH�
O início formal do Controle Estatístico de Processos ocorre no início da
década de 20 quando Walter A. Shewhart desenvolveu um gráfico de controle
para ser utilizado na empresa da qual era funcionário, a %HOO� 7HOHSKRQH�/DERUDWRULHV. Sua concepção foi baseada na idéia de que deveria ser utilizado
por operários e, portanto, necessitava ser simples em termos de elaboração e
interpretação. Mas seu valor só começa a ser reconhecido após a II Guerra
Mundial com a sua utilização para auxiliar a reconstrução japonesa ao longo da
década de 50.
Uma das principais, e talvez mais conhecida, ferramentas do CEP são os
gráficos de controle, desenvolvidos para monitorar processos. Sua importância
advém do fato destes gráficos serem eficazes no sentido de sugerir que
determinada variabilidade de um processo se deve a causas aleatórias (neste
107
caso o processo é classificado como estando “sob controle”, pois as alterações
apuradas são inerentes ao próprio fenômeno em estudo) ou causas “especiais”
(quando não estão correlacionadas ao processo) Estando sob controle,
normalmente não há o que possa ser feito, no curto prazo, para reduzir as
variações encontradas a não ser que se promovam mudanças estruturais mais
significativas (de tecnologia, por exemplo). Mas havendo causas especiais,
muitas vezes é possível identificar o motivo de sua ocorrência e tomar medidas
no sentido de eliminá-las.
Os gráficos de controle têm sua construção baseada na coleta de
amostras e em limites de probabilidade, sendo bastante utilizados no sentido de
ajudar no monitoramento de processos produtivos. Permitem o estudo e
acompanhamento de medidas de interesse. Equivalem à aplicação periódica de
testes de hipóteses, para determinar se um conjunto de dados tem
comportamento razoavelmente estável, sob controle. Apenas este
monitoramento é suficiente para que, muitas vezes, seja possível implementar
ações corretivas, para eliminar as causas especiais e reverter uma tendência
anormal em formação. Na maioria dos casos, traduz-se em benefícios materiais
e/ou financeiros.
Um gráfico de controle será tão mais eficaz quanto menor for o tempo para
se detectar mudanças no processo que se quer analisar. E este tempo tende a
ser tão menor quanto maior for a amostra coletada pelo responsável pela
elaboração do gráfico. No entanto, é essencial que se faça uma análise
detalhada para que o custo de implantação do gráfico de controle não seja
excessivo e, portanto, torne inviável a sua utilização. Assim, o uso de gráficos
de controle pressupõe um estudo preliminar para que se determinem os
parâmetros que serão considerados: tamanho das amostras, intervalo de tempo
entre amostragens e identificação do fator que estabelece o posicionamento dos
limites de controle no gráfico.
Modernamente os gráficos de controle deixaram de ser exclusividade dos
processos industriais, onde se destinavam ao monitoramento de ‘chão de
fábrica’, tendo sido incorporados a diversos outros setores, estando entre eles o
acompanhamento de diversas variáveis macroeconômicas, como desempenho
da balança comercial.
A operação dos gráficos de controle é simples: periodicamente, retira-se
uma amostra de n itens do processo (uma amostra) ; mede-se nesses itens o
valor da variável (característica de qualidade) de interesse; calculam-se as
108
estatísticas de interesse dessa amostra. No caso dos gráficos de Shewhart, “O
monitoramento é realizado através da análise periódica de amostras (...). Para
cada amostra, é calculada a média X dos valores medidos e a amplitude
amostral R (diferença entre o maior e o menor valores da amostra). Os valores
de X e R das diversas amostras são marcados, respectivamente, nos gráficos
de média e amplitude.”5 A diferença para estes gráficos e uma plotagem em
ordem cronológica é que, nos gráficos de controle, encontra-se, também, um
limite superior de controle (LSC), um limite inferior de controle (LIC) e uma linha
média (LM), calculados com base na distribuição de probabilidades teórica
(determinadas quando o processo em estudo encontra-se livre de causas
especiais) da variável X (as fórmulas para seu cálculo são extremamente
simples e serão apresentadas mais adiante neste capítulo).
Os gráficos de controle de Shewhart utilizam como princípio a idéia de que
cada característica que se deseja estudar está associada a uma distribuição de
probabilidades (comumente representada pela distribuição normal ou
gaussiana), ou seja, o processo produtivo não pode ser descrito como um
processo matemático, pois não é possível produzir dois itens exatamente iguais.
Isto se deve ao que se chama de “variabilidade natural do processo”, resultado
de variações não controláveis e de origem aleatória. Quando determinada
amostra gera uma observação que, ao ser plotada, encontra-se entre os dois
limites de controle, isto significa que as alterações encontradas devem-se
apenas às suas próprias causas de variabilidade e entende-se que o processo
em estudo está “sob controle”. Se, porém, o ponto estiver fora desses limites,
entende-se que o processo está sujeito a causas especiais, devendo ser feita
uma investigação para identificá-las e uma conseqüente intervenção para
eliminá-las, pois o processo sob avaliação pode apresentar um deslocamento da
sua média e/ou dispersão, implicando em prejuízos financeiros já que leva à
produção de bens cujas características não atendem às suas especificações
originais.
Mas os gráficos de Shewhart foram desenvolvidos para monitoramento de
ambientes onde a variável X é independente e identicamente distribuída (i.i.d.),
ou seja, o valor de determinada amostra coletada não está correlacionado aos
demais valores desta amostra, nem aos valores de outras amostras. No entanto,
na vida prática é comum nos depararmos com processos interdependentes, ou
5 In COSTA HW�DO� (2004), p.28
109
seja, processos nos quais o valor observado hoje explica parte do valor
observado amanhã.
Com a utilização das técnicas de controle, percebeu-se que os gráficos de
Shewhart são lentos em detectar alterações de magnitude pequena ou
moderada nos parâmetros do processo. Com o tempo, outros procedimentos
(outros gráficos de controle) foram desenvolvidos, mais sensíveis a alterações
de menor magnitude, Entre eles encontra-se o gráfico de controle da Média
Móvel Ponderada Exponencialmente (em inglês, Exponentially Weighted Moving
Average, ou EWMA).
Originalmente introduzidos por Roberts no final da década de 50, os
gráficos de Média Móvel Ponderada Exponencialmente (EWMA) são mais
sensíveis que os de Shewhart para detectar pequenas alterações no processo.
Desta forma, quando se deseja identificar pequenas mudanças na média do
processo, o gráfico EWMA serve como uma alternativa mais eficiente ao gráfico
de Shewhart.
Neste trabalho estes dois gráficos serão utilizados para que se possa
detectar, de forma empírica, se subdivisões dos seus limiares podem gerar um
mecanismo capaz de antecipar, ao investidor de bolsa de valores, momentos
favoráveis para compra e/ou venda de papéis.
������$QiOLVH�GH�$XWRFRUUHODomR�Após a modelagem dos retornos, conforme descrito na seção 6.1, foram
plotados os resíduos encontrados conforme a metodologia existente para
construção de gráficos de controle. Seguindo o caminho traçado anteriormente
na dissertação de mestrado, optou-se, inicialmente, pela montagem de gráficos
de controle de Shewhart. No entanto, não se descartou a hipótese de que outros
gráficos de controle menos tradicionais poderiam fornecer resultados diferentes.
Por esse motivo, resolveu-se testar a metodologia proposta utilizando-se,
também, os gráficos EWMA para a identificação das melhores estratégias.
Uma característica que poderia impactar os resultados finais da estratégia
seria o uso de gráficos com dados que ainda tivessem algum grau de
dependência. Assim, uma investigação realizada antes da montagem dos
gráficos de controle, foi a verificação de uma possível existência de
autocorrelação dos resíduos, mesmo após a filtragem realizada com o uso dos
modelos de séries temporais. Neste caso, adotou-se o teste de Durbin-Watson
110
para verificar se ainda haveria indícios de autocorrelação de 1a ordem mesmo
depois do tratamento dado à base de dados original. A Tabela 6.4 apresenta os
valores das estatísticas de teste encontrados para cada modelo.
Apenas em alguns poucos modelos, destes todos estimados a partir do
alisamento dos resíduos por um modelo EWMA ,os resíduos continuaram
apresentando autocorrelação. Vale destacar que as linhas referentes a modelos
“SEM_TRAT” relacionam-se à série original de ln dos retornos (e não são
resíduos), ou seja, sem a filtragem anteriormente proposta e, portanto, não é
surpreendente observar que a autocorrelação existe em seis das dez ações
consideradas. Adicionalmente, para estes casos (dados originais com
autocorrelação) os retornos parecem apresentar correlação de primeira ordem,
positiva e com valores abaixo de 0,2. Esta última constatação foi uma surpresa,
pois esperávamos encontrar um grau de dependência maior entre dois dias
consecutivos de negociação, mas isto pode ser resultante do fato de se estar
lidando com o retorno das ações e não com os seus preços propriamente ditos.
Adicionalmente, é interessante observar que os únicos resíduos que ainda
apresentam autocorrelação são os resultantes da aplicação de modelos EWMA
à base de dados, o que pode ser uma pista de que este não é um bom modelo
para a operacionalização da ferramenta que se deseja montar.
111
112
������*UiILFRV�GH�6KHZKDUW�Os gráficos de controle normalmente são importantes para se detectar
alterações na dinâmica ou no parâmetro de processos de produção. No caso de
haver alterações, isto deverá implicar na plotagem de pontos que excedem os
limites de controle (acima de LSC ou abaixo de LIC). Espera-se que diferenças
relevantes entre o modelo de previsão e a série de retornos propriamente dita
(os resíduos) possam ser indicadores de que ocorreu um comportamento
anormal do mercado que deverá ser corrigido a curto prazo. Assim, “Um resíduo
positivo excepcionalmente grande (acima do LSC) indicaria uma tendência de
aumento na variável (pois o modelo estará subestimando os valores desta), e,
simetricamente, um grande resíduo negativo (abaixo do LIC), indicaria uma
provável redução no valor da variável considerada, em relação aos valores
previstos pelo modelo.”6 É por acreditar nesta hipótese que resolvemos aplicar
os gráficos de controle de Shewhart aos dados coletados.
Como se está lidando com o resíduo calculado a partir dos valores das
cotações de fechamento das ações, acredita-se que o gráfico de observações
individuais (gráfico de X) é o mais adequado. A este se adiciona o gráfico mR
que poderá ser útil na escolha das estratégias. Assim, seguindo os limites de
controle definidos (ver, por exemplo, Wheeler & Chambers, 1992) definidos a
seguir, é possível montar os gráficos em planilha eletrônica Excel.
7$%(/$�����/,0,7(6�'(�&21752/(�±�*5È),&2�;��6+(:+$57��*5È),&2� /,&� /&� /6&�X LC – 2,66LCmR
X = n / Xn
1i
i¦�
LC + 2,66LCmR
mR – 1)(n / X - X
n
2i
1 -ii �¦
3,268 * LCmR
onde:
Xi = ln RDi = ln (CAi / CAi-1);
LCmR = 1)(n / X - Xn
2i
1 -ii �¦
;
|Xi - Xi-1| = |ln RDi – ln RDi-1| = VP (variação entre os dias).
6 In AMARAL (2004), p.40
113
Os gráficos de controle apresentados a seguir referem-se aos obtidos a
partir dos dados dessazonalizados da ação com maior representatividade no
Ibovespa (PETR4). As figuras referentes às demais ações estão apresentadas
no Anexo C desta tese. Como não foi encontrada, na teoria disponível, resposta
para a diferença de comportamento dos fatores sazonais das diferentes ações,
supôs-se que seria mais razoável não admitir uma sazonalidade média e
trabalhou-se, então, com a hipótese de que cada ação tem o seu próprio
comportamento sazonal.
114
115
116
117
118
119
120
Acreditando que o investidor padrão e as instituições interessadas em
aplicar a metodologia proposta neste trabalho teriam dificuldades em detectar
RXWOLHUV, optou-se por não excluí-los do cálculo dos limites. Acredita-se que esta
decisão não deverá afetar a eficiência da ferramenta, pois o efeito dos RXWOLHUV e
de uma eventual superestimação do desvio-padrão a que eles poderiam levar
pode ser, pelo menos em parte, compensado pela possibilidade de utilizar limites
com “larguras” diferentes de 3V: como se irá experimentar e selecionar os limites
que forneçam melhor desempenho, os limites selecionados deverão estar
automaticamente “adaptados” à estimativa de V feita sem a eliminação dos
RXWOLHUV.
De modo geral, pode-se perceber que os gráficos de controle apresentam,
visualmente, valores aleatoriamente distribuídos, sem que se possa detectar
qualquer tendência, linear ou não linear, com a análise visual. Isto é comum a
todas as dez ações acompanhadas.
Apesar de este trabalho estar fora do contexto tradicional de CEP (e,
portanto, não se estarem eliminando RXWOLHUV na amostra inicial, e nem haver
processo no qual intervir quando ocorrerem pontos além dos limites de 3V dos
gráficos), é interessante verificar as ocorrências de pontos com distância da
média superior a 3V: mesmo que esta informação não afete a aplicação das
estratégias, ela pode promover algum “LQVLJKW”. Chama a atenção o fato destes
pontos estarem concentrados até o primeiro trimestre do ano de 1999,
independentemente do modelo de previsão escolhido. Isto pode ser devido à
grande incidência de crises internas e externas entre 1997 e 1999, além da
melhoria dos fundamentos econômicos brasileiros no século XXI.
Também existe uma incidência maior de pontos que ultrapassam os limites
negativos (59,7% do total de pontos fora dos limites 3V), mesmo depois do
tratamento dado aos dados originais: é maior a quantidade de pontos negativos,
além dos extremos negativos serem, em módulo, superiores aos extremos
positivos. Isto corrobora tudo o que foi apontado pelos autores contrários ao
CAPM cujas teorias estão resumidas no referencial teórico desta tese.
������*UiILFRV�(:0$�Os gráficos EWMA tendem a detectar mais rapidamente do que os gráficos
de Shewhart pequenas variações na média de certos processos. Além dessa
possível vantagem, observar os gráficos EWMA também pode trazer vantagens
adicionais, pois é possível que não se consiga eliminar toda a correlação serial
121
com o uso dos modelos apresentados anteriormente. Neste caso, se os
resíduos ainda apresentarem alguma correlação, o uso do gráfico EWMA, com
os limites adequadamente “alargados”, deve fornecer boas estratégias, já que,
conforme ZHANG (1998), nesta situação os gráficos EWMA apresentam um bom
desempenho em CEP.
“Since the EWMA can be viewed as a weighted average of all past and
current observations, it is very insensitive to the normality assumption.”7
Finalmente, há a vantagem de se poder aplicar um gráfico EWMA
diretamente aos dados (com limites de controle adequadamente alargados), já
que se trata de um dos métodos de controle estatístico de processos
autocorrelacionados (conforme apontado no referencial teórico desta proposta,
estudos empíricos revelam que dados de séries financeiras apresentam
correlação), de modo que se possa experimentar o desempenho de estratégias
que o aplicassem diretamente à série de retornos, ou seja, limiares para a
estatística EWMA dos retornos.
O gráfico é construído a partir de valores individuais Xi amortecidos
exponencialmente, ou seja:
1iii Y)1(XY O��O
No caso do cálculo dos limites são definidos para os gráficos EWMA (por
exemplo, em Montgomery):
LIC = ])1(1[)2(
L i20 O��O�
OV�P
LC = 0P
LSC = ])1(1[)2(
L i20 O��O�
OV�P
onde X0 P ;
X = n / Xn
1i
i¦�
e
Xi = ln RDi = ln (CAi / CAi-1);
É fácil deduzir que o termo ])1(1[ i2O�� converge em poucas amostras,
sendo a velocidade de convergência maior quanto mais próximo de 1 for O.
Neste caso, quando O = 1 tem-se os limites tradicionais do gráfico de controle de
Shewhart para L = 2,66 e V = LCmR.
7 In MONTGOMERY (2001), p. 333
122
Assim, para se construir os limites precisaríamos conhecer V, L e O. O
desvio-padrão (V� foi estimado com base nos valores amostrais de cada ação.
Mas O e L deveriam ser escolhidos com base em experimentação. Como se
tratava de um processo extremamente trabalhoso que tiraria o foco do problema
desta tese e que pouco deveria contribuir para o seu resultado final, já que os
limites 3V não seriam os únicos valores testados para a aplicação das
estratégias, optou-se por escolher os parâmetros citados embasados pelo artigo
de CROWDER (1989), que demonstra que os pares ótimos de valores (O , L)
podem ser obtidos ao se fixar o ARL8 em um valor de interesse. Apesar de esta
escolha não ser de extrema relevância para o cálculo da estratégia, uma vez que
serão experimentadas diversas frações dos limites do gráfico EWMA, optou-se
por seguir a metodologia proposta no artigo supra-citado que indica que para
cada O existe um L correspondente que resultaria num ARL específico (no caso
deste trabalho, este valor foi fixado em 370, o que corresponde a uma
probabilidade de alarme falso de 0,0027 ou erro do tipo I de uma normal com
valores superiores a 3V). Tais valores de L são os valores, para o gráfico de
EWMA, que correspondem aos limites de 3V para o gráfico de Shewhart.
Seguindo a sugestão do autor, utilizamos, para O = 0,6, o valor L = 3 e para para
O = 0,2, o valor L = 2,85.
No sentido de verificar como a escolha destes valores afetaria o
desempenho das estratégias, também observou-se o comportamento de gráficos
EWMA construídos com um parâmetro O bem menor. Assim, inclui-se na análise
os gráficos de controle EWMA montados a partir dos valores L = 2,85 e O = 0,2.
8 ARL: average run length, corresponde ao número esperado de observações até que se tenha um alarme falso.
123
124
125
126
127
128
129
130
Mais uma vez, os demais gráficos encontram-se no Anexo C deste
trabalho. De modo geral, pode-se observar que o comportamento dos gráficos
EWMA é muito parecido com o encontrado nos gráficos de Shewhart, mas no
conjunto de dados mais recentes verifica-se maior quantidade de observações
extrapolando os limites LIC e LSC. A Tabela 6.6 nos dá uma idéia de como a
estimativa de V muda (e, conseqüentemente, os valores de LIC e LSC) em
função do valor escolhido para O �
:
É interessante perceber que mesmo mudando o modelo de previsão, a
mudança nas estimativas para o desvio-padrão não é tão relevante quanto
esperava-se, de modo que a diferença entre o valor mínimo e máximo apurados
para V não passa de 6% nos gráficos de Shewhart e EWMA com O = 0,6 e é
inferior a 15% com o uso do gráfico EWMA com O = 0,2. Como a escolha de O é
de fundamental relevância no cálculo dos valores plotados, quanto mais este
parâmetro se aproxima de zero, menor a distância de cada limite de controle à
LC do gráfico. Isso é, talvez, um indício de que devem ser encontradas
alterações significativas na aplicação das estratégias ao se trocar o gráfico de
controle que irá nortear as decisões de compra e venda de ações, mesmo que
não seja alterado o modelo de previsão para os retornos.
As Tabelas 6.7, 6.8 e 6.9, a seguir, apresenta os valores para LSC e LIC
para os dados dessazonalizados:
9 V é o valor do desvio-padrão dos erros de previsão observado para cada par modelo de retorno - gráfico de controle.
7$%(/$������9DORUHV�HVWLPDGRV�SDUD�V�GH�3(75�
0RGHOR�GH�5HWRUQR
*UiILFR�6KHZKDUW
*UiILFR�(:0$��O� �
����*UiILFR�
(:0$��O� �����
SEM_TRAT 0,0326 0,0222 0,0117AR 0,0324 0,0210 0,0106ARMA 0,0323 0,0210 0,0107MA 0,0323 0,0210 0,0106SETAR 0,0323 0,0210 0,0103EWMA 0,0326 0,0220 0,0111ARCH 0,0324 0,0213 0,0106
131
132
133
134
Com estes dados é possível supor que as estratégias tenham resultados
significativamente diferentes em função do gráfico de controle escolhido. É esta
suspeita que será averiguada no capítulo seguinte.
��&RPSDUDomR�GDV�(VWUDWpJLDV�QDV�$PRVWUDV�
Após o estudo dos dados preliminares, a montagem dos gráficos de
controle e a estimação dos modelos de retorno, existe material suficiente para
simular o comportamento das estratégias propostas neste trabalho. Neste
capítulo serão apresentados os resultados encontrados a partir de sua utilização
na amostra inicial (dados de janeiro de 1994 a dezembro de 2004) e na amostra
de controle (cotações de janeiro de 2005 a dezembro de 2006). Com os valores
encontrados espera-se poder apontar as melhores opções de pares de limites de
compra e venda, bem como os gráficos de controle e modelos de retorno que se
mostraram mais eficientes para cada tipo de investidor.
����0(72'2/2*,$��Normalmente o uso de gráficos de controle seria adotado para verificar se
determinada série de dados ultrapassou, em algum instante do tempo, os limites
três-sigma. No caso em estudo, olhar apenas para estes limites pode traduzir-se
em ineficiência da ferramenta já que se espera que poucos apresentem esta
característica. Adicionalmente, como não se trata de avaliar se os processos em
estudo estão sob ou fora de controle, não faz sentido engessar o olhar apenas
sobre as observações que extrapolam os limites tradicionais dos gráficos de
controle de Shewhart e/ou EWMA. Assim, seguindo o caminho da dissertação
de mestrado anteriormente citada, manteve-se a metodologia de testar frações
dos limites originalmente plotados nos gráficos de controle. Mais uma vez,
optou-se por testar o desempenho das estratégias tendo como base valores
múltiplos de 0,5 sigma (0 V, 0,5 V, 1 V, 1,5 V, 2 V, 2,5 V e 3 V), além do valor
zero (limite este que é extrapolado quando o erro de previsão muda de sinal).
Matematicamente, está-se falando em aplicar as seguintes regras:
1. O investidor deve comprar determinada ação (ou carteira) sempre
que tLnRD – tDRLn ˆ < LI ou erro de previsão do modelo < LI1;
1 Esta restrição foi considerada porque, se o valor observado for inferior ao previsto (com uma distância de, pelo menos, LI entre eles), então se espera que o valor observado
136
2. Estando com a ação em carteira, este mesmo investidor deve
vender esta ação quando tlnRD – tDR̂ln > LS ou erro de previsão
do modelo > LS;
Onde:
LI = limite inferior, definido conforme a estratégia;
LS = limite superior, também definido conforme a estratégia;
tDR̂ln = valor estimado para o lnRDt segundo os modelos apresentados no
capítulo anterior.
Os limites inferior e superior correspondem à distância da linha central (LC)
até cada múltiplo 0,5 sigma, conforme descrito no parágrafo anterior.
Mais especificamente, ao longo de 11 anos, será simulada uma compra
sempre que o erro de previsão de determinada observação (segundo cada um
dos modelos já detalhados, ou seja, AR, MA, ARMA, SETAR, ARCH, EWMA ou
passeio aleatório) ultrapassar LI , considerando-se que, já que estamos
trabalhando com cotações de fechamento, esta compra só poderá ser realizada
com um dia de atraso, após a plotagem do gráfico de controle. Com relação à
venda da ação e realização de lucro ou prejuízo, o cálculo é semelhante,
incorporando-se a restrição de que o investidor não pode ficar “vendido” (não
pode haver vendas a descoberto, ou seja, só é possível vender determinado
ativo se o investidor o tiver comprado em data anterior). No sentido de apurar os
resultados do modo mais isento possível, utilizou-se como cotação de compra e
venda a cotação média do dia da operação (média do dia seguinte à sinalização
dos LI e LS). Nesta etapa inicial trabalhou-se com 105 estratégias que
correspondem àqueles pares de LI e LS tais que LI d LS, ou seja, trabalhou-se
com pares de limites apresentados na Tabela 7.12.
cresça até o previsto (já que flutuações nos valores observados ocorrem com maior intensidade do que nos valores previstos, cuja trajetória tende a ser bem mais estável), ou seja, quando erro de previsão < LI, espera-se que o retorno da ação suba e, portanto, sua cotação está baixa e é hora de comprá-la. Por exemplo, se LI = 0, então, deve-se comprar sempre que lnRDt < DtR̂ln . 2 Em AMARAL (2004) também foram avaliadas, para o modelo AR associado ao gráfico de Shewhart, as estratégias onde LI > LS, mas os resultados indicaram que a inclusão destes novos limiares não alterou o resultado final da ferramenta. Os casos onde LI = LS foram mantidos porque, apesar de se tratar do mesmo valor de referência, espera-se que, após a indicação de compra (resíduo < LI), exista um período de tempo relevante até que a trajetória descendente do resíduo retorno seja revertida e isso se transforme em indicação de compra (resíduo > LS).
137
138
139
Para análise dos resultados de cada estratégia, será apurado o resultado
de cada operação de compra e venda conforme a seguinte razão:
ROt = t
itCCCV �
, onde:
CVt+i : cotação média de venda na data t+i;
CCt : cotação média de compra na data t;
ROt : resultado da operação iniciada na data t;
i: número de dias entre a compra e a venda do ativo (conta-se o dia da compra,
mas não o da venda).
O resultado final de cada estratégia corresponde ao produtório de cada
uma das razões de cada operação de compra e venda menos 1:
RE = ��
n
1ttRO -1onde:
n : último dia útil da amostra considerada;
RE: resultado final da estratégia.
Para facilitar os cálculos, nos dias em que não houver operação, o RE será
considerado equivalente a um, como se todos os dias fossem realizadas
operações, mesmo que com resultado igual a zero. Portanto, para cada uma
das 105 estratégias, cada um dos 7 modelos de retorno e cada um dos 3
gráficos plotados, será gerado um grupo composto de 10 REs. Como as dez
ações compõem um grupo bastante heterogêneo no que diz respeito a ordem de
grandeza das cotações e retornos, conforme análise preliminar apresentada no
capítulo anterior, a comparação destes resultados pode não ser indicada antes
que se faça algum tratamento nos dados apurados. Para tanto, decidiu-se
trabalhar com a média e o desvio-padrão dos ROs diários (iROV ), calculado
como se i=1 seguindo a fórmula apresentada para o cálculo de RO sempre que
uma ação ou o índice estivesse na posição comprado. Com a divisão de RE
pelo desvio-padrão de RO (chamado de retorno escalonado - RETESC) gera-se
uma espécie de índice de Sharpe adaptado ou o inverso do coeficiente de
variação.
RETESCi = iRO
iREV
Deste modo, para cada conjunto com um modelo de retorno, um gráfico de
controle e um par (LI,LS) calculou-se um total de 10 RETESCs. Esta amostra
140
com RETESCs foi a base de dados utilizada para escolha das melhores
estratégias.
Para a escolha das estratégias mais eficientes, num primeiro momento,
trabalhou-se com o conceito de que o investidor racional segue o critério de
média e variância, ou seja:
EstratégiaA EstratégiaB se
BA RETESCRETESC ! e BA RETESCRETESC VdV
Este comportamento, que equivale ao comportamento de um investidor
racional, que só aceita correr mais risco se for remunerado para tanto, é
bastante utilizado para se gerar uma fronteira eficiente. No caso específico
deste trabalho, foi gerado, para cada modelo de retorno e gráfico de controle, um
conjunto de estratégias cujo mix risco (VRETESC) e retorno (RETESC) atende ao
comportamento esperado do investidor racional.
Vale a pena destacar que, conceitualmente, este critério de otimalidade só
é válido quando assumimos distribuição normal de retornos ou existe aversão
relativa crescente a risco, ou seja, quando a proporção aplicada em ativos com
risco cai à medida que a riqueza aumenta. Isto acontece toda vez que a função
utilidade da riqueza do investidor pode ser descrita segundo uma função
quadrática do tipo U(W) = W – bW2, desde que W < 1/ (2b), onde:
W: riqueza do investidor;
U(W): utilidade da riqueza do investidor.
����5(68/7$'26�'$6�(675$7e*,$6�1$�$02675$�,1,&,$/��'$'26�'(66$=21$/,=$'26��
�Aplicando-se a metodologia proposta na seção anterior, chega-se aos
gráficos apresentados a seguir:
141
142
143
�
144
�
145
�
146
�
147
�
148
As curvas das figuras 7.1 a 7.21 representam o conjunto de soluções não
dominadas, e não a fronteira eficiente, que é um subconjunto deste conjunto de
soluções não dominadas. Uma fronteira eficiente sempre apresentará formato
côncavo, isto porque, segundo a teoria de finanças, uma combinação linear de
dois ativos que compõem a fronteira jamais poderá ter risco maior do que a
média ponderada dos riscos individuais destes dois ativos. Este formato
encontrado sugere que o conjunto das melhores estratégias (“não dominadas”)
parece estar gerando resultados que não violam a teoria econômica, mesmo
depois de se trocar o modelo escolhido para representar o retorno e de se alterar
a escolha do gráfico de controle para aplicação das estratégias.
Mesmo após a eliminação das estratégias dominadas, ainda foi grande o
leque de opções de escolha de pares de limites LI e LS encontrado com o uso
da ferramenta proposta. Assim, resolveu-se prosseguir com este trabalho
levando-se em consideração que destacar apenas uma opção de limites de
compra e venda não seria capaz de atender aos diversos tipos de investidores
com os quais nos deparamos na prática. Na teoria de finanças é possível
destacar pelo menos três tipos de comportamento do investidor frente ao risco:
existe o grupo dos investidores com aversão a risco, o grupo neutro ao risco e o
que é propenso a risco. É a estes diferentes tipos de investidores que
tentaremos atender com a análise a seguir.
Vale a pena destacar que uma mesma pessoa, sob conjunturas diferentes,
pode mudar o grau de aversão a risco que é capaz de suportar. Por exemplo,
um certo indivíduo tende a ser mais amante do risco quando sua riqueza é
pequena, mas sua aversão a risco cresce na medida em que fica mais rico. Este
comportamento é relativamente comum e sua descrição não é recente, sendo
conhecida como paradoxo de Friedman-Savage publicado em 1948. Pela sua
teoria é possível, inclusive, que se vivencie, ao mesmo tempo, situações de
aversão e amor ao risco, como por exemplo quando um mesmo indivíduo com
um dado nível de riqueza aposta em loterias e, ao mesmo tempo, faz algum tipo
de seguro.
“A maior parte das evidências indicaria que, à medida que a riqueza
aumenta, o volume total aplicado em ativos com risco deve crescer, o que
significa que os investidores possuem aversão absoluta decrescente a risco. (...)
Embora haja concordância generalizada quanto à idéia de que a maioria dos
investidores possui aversão absoluta decrescente a risco, há concordância muito
menor quanto à aversão relativa a risco. Geralmente se supõe aversão relativa
constante a risco. A justificativa, porém, é a de conveniência, e não a crença
149
quanto à precisa descrição. Seja qual for o caso, se os investidores puderem
articular suas atitudes quanto à porcentagem que aplicariam em ativos com risco
à medida que sua riqueza variasse, então conseguiriam reduzir o número de
carteiras que deveriam considerar, ou restringir ainda mais as funções utilidade
que poderiam descrever seu comportamento.”3
A função utilidade quadrática, apresentada anteriormente no final da seção
7.1, é uma das funções que representaria aversão absoluta crescente ao risco e,
por isso, ocupa lugar de destaque quando se utiliza o critério de média-variância.
Já a função logarítmica4 é eficiente para explicar o comportamento do investidor
com aversão absoluta decrescente e aversão relativa constante a risco, ou seja,
aquele investidor que prefere mais a menos riqueza, mas cujo percentual
aplicado em ativos de risco se mantém constante à medida que sua riqueza se
altera.
Levando-se em consideração toda esta diversidade de comportamentos
que podemos encontrar no investidor, é de se esperar que não exista apenas
uma estratégia de investimento preferível às demais, já que o critério de
preferência deve mudar em função do tipo de investidor que se deseja atender.
Assim, procurando atender a uma parcela significativa dos aplicadores de
recursos em ativos com risco, um aspecto interessante a ser considerado é a
rentabilidade relativa que determinada estratégia gerou em relação às demais.
Um dos indicadores de maior utilização para comparação de resultados de
carteira ou fundos compostos por ativos de renda variável é o índice de Sharpe:
p
fpp
)RR(IS V
�
onde:
ISp índice de Sharpe para a carteira ou fundo p
pR : retorno médio da carteira ou fundo p (segundo as práticas de mercado, em
geral corresponde à taxa de retorno nominal mensal equivalente à média
geométrica dos retornos diários de uma determinada carteira ou fundo);
Rf; retorno da renda fixa;
Vp:desvio-padrão do retorno da carteira ou fundo p. (usualmente calculado como
o desvio-padrão histórico de pR ).
3 In Elton HW�DO� (2004); pp.197-198 4 Função de utilidade logaritmica: U(W) = ln W, onde W: riqueza do investidor.
150
“Este quociente também é chamado de medida de retorno excedente por
variabilidade, ou ainda recompensa por variabilidade.”5
Na prática, muitas avaliações enfrentam um problema para trabalhar com
este indicador devido à dificuldade em se estabelecer que título serviria como
SUR[\ para a renda fixa, especialmente em economias como a brasileira, onde
até os títulos do governo apresentam risco, pois incluir a parcela de renda fixa,
neste caso, poderia gerar índices negativos e comprometer a comparabilidade
dos valores apurados. Um modo de contornar este problema é substituir a renda
fixa por um EHQFKPDUN (o Ibovespa, por exemplo). Outra solução é retirar do
cálculo a parcela da renda fixa, o que não é incomum, pois se costuma trabalhar
apenas com a relação entre retorno e risco para medir desempenho de fundos
ou carteiras de ativos de renda variável. Neste caso, trata-se de trabalhar com o
inverso do coeficiente de variação, medida definida pela estatística e aplicável a
qualquer variável aleatória, seja ela financeira ou não.
Vale a pena olhar essa medida representada pelo inverso do coeficiente de
variação, ou índice de Sharpe adaptado (ISA), como iremos chamá-la daqui por
diante. A Tabela 7.2 apresenta os ISA máximos (ISAM) apurados para cada
modelo de retorno e gráfico de controle:
É interessante observar que, de modo geral, os gráficos de Shewhart e
EWMA com O = 0,6 produziram estratégias com desempenho superior aos
gráficos EWMA com O = 0,2 (pelo menos para as estratégias que geraram ISA
máximo), o que indica que a escolha do gráfico de controle a ser considerado
pode ser um fator crítico para o sucesso da estratégia. Este resultado não era
esperado, pelo menos não se esperava encontrar variações tão grandes como
as verificadas, já que a escolha de limites para compra e venda baseados em
5 In Elton HW�DO� (2004); p.542
7DEHOD������&RPSDUDomR�GRV�,6$0�DSXUDGRV0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�
O� ����EWMA 2,8867 1,3999 3,2110ARCH 2,5020 1,5313 2,2047SETAR 2,0411 1,5813 2,2032MA 2,4305 1,5051 2,0487ARMA 2,3186 1,5085 2,1122AR 2,4092 1,6062 2,1824SEM_TRAT 1,9342 1,5410 2,3175
151
subdivisões dos limites de controle deveria ter amenizado estas diferenças.
Destaca-se que, para os dois melhores gráficos (Shewhart e EWMA com O =
0,6), o modelo de retorno EWMA apresentou desempenho bastante superior aos
demais modelos considerados, sendo responsável pela observação com maior
distância em relação à média apurada de ISA máximo. Caso fosse
desconsiderada esta observação, todos os valores de ISA máximo encontrados
estariam contidos no intervalo (1,9;2,5), valores bastante superiores a qualquer
uma das medidas calculadas com o uso do gráfico EWMA com O = 0,2. Ainda
desconsiderando-se a 1a linha da Tabela 7.2, o gráfico EWMA com O = 0,6
apresenta valores máximos de ISA bem mais concentrados em torno da média
do que os apurados com os gráficos de Shewhart, o que indica que,
provavelmente, o risco associado à adoção de estratégias com este gráfico
parece ser menor.
No conjunto de ISAM apurados com o uso dos gráficos de Shewhart e
EWMA com O = 0,6 encontra-se a ocorrência da estratégia 99 quatro vezes e da
estratégia 80 três vezes. A estratégia 99 tem como limite inferior (de compra) –
3s e superior (de venda) –1,5s. A estratégia 80 tem como limite inferior – 1s e
como limite superior o 3s. Isto é de certa forma surpreendente porque uma
estratégia é complementar à outra se olharmos para todos os subconjuntos de
limites considerados entre –3s e 3s.
Adicionalmente, vale destacar que as estratégias 80 e 99 aparecem como
as que apresentaram melhor ISAM para os seguintes modelos: ARCH, ARMA e
AR (a 99 também apresentou o melhor desempenho para o modelo MA), sendo
que a estratégia 80 representa a moda de ISAM para o gráfico de Shewhart e a
99 a moda de ISAM para o uso do gráfico EWMA com O = 0,6. Além disso, para
estes 3 modelos (ARCH, ARMA e AR), o valor apurado dos ISAM é sempre
superior quando se olha as estratégias aplicadas com gráficos de Shewhart. Isto
pode ser um indício de que os modelos que contenham alguma estrutura auto-
regressiva devem gerar melhores desempenhos quando combinados com o
gráfico de Shewhart.
Uma outra análise com resultados bastante interessantes é a observação
das estratégias que geraram os RETESCs máximos e mínimos. Não vale a
pena apresentar uma tabela exclusivamente com os valores apurados para
RETESC porque se referem a números sem sentido financeiro já que se trata do
retorno em unidades de desvio-padrão; mas as Tabelas 7.3 e 7.4 apresentam as
melhores estratégias apuradas com este critério:
152
É evidente que as estratégias 38 (LI = 1s e LS = 1,5s) e 39 (LI = 1,5s e LS
= 1,5s) para Shewhart e 74 (LI = 1s e LS = 3s) e 75 (LI = 1,5s e LS = 3s) para
EWMA com O = 0,2 dominam este indicador. E, neste caso, os RETESCs
encontrados para Shewhart são bastante superiores aos apurados com os
gráficos EWMA. É claro que, por se tratar de estratégias que compõem o
conjunto das não dominadas, então o maior RETESC também corresponde ao
desempenho de maior risco e deve ser levado em consideração por aqueles
investidores com maior capacidade de absorver riscos (investidores que se
encontram no grupo de investidores racionais, mas com maior propensão a
correr riscos). Fica claro que, aquele que se enquadra nesta categoria deve dar
preferência ao uso da estratégia 39 com o gráfico de Shewhart,
independentemente do modelo de retorno que julgar mais adequado para
representar o desempenho das ações.
Isso deveria significar que, para aqueles que aceitam correr mais riscos, a
melhor escolha de estratégias seria independente do modelo de retorno
escolhido e, deste modo, o mais recomendável seria trabalhar com dados
dessazonalizados sem tratamento (este representaria a modelagem mais
parcimoniosa para se aplicar a ferramenta). No entanto, uma olhada nos
RETESCs revela que o modelo SETAR produziu RETESC máximo, em média,
10% superior ao encontrado com dados sem tratamento. Isto é bastante
surpreendente porque representa que a estratégia 39 apresenta consistência no
que diz respeito a gerar retornos e riscos mais elevados, mas que, ainda assim,
a escolha do modelo de retorno pode gerar resultados significativamente
melhores, apesar do aparente baixo poder explicativo apurado no capítulo 6.
Uma análise dos RETESCs máximos ordenados revela que, para os três
gráficos de controle, trabalhar sem modelo de retorno (dados sem tratamento)
gerou os menores valores apurados, ou seja, para o investidor que deseja
(VWUDWpJLD 5(7(6& (VWUDWpJLD 5(7(6& (VWUDWpJLD 5(7(6&EWMA 39 3.809,58 63 3.615,74 64 3.230,15ARCH 39 3.858,11 74 3.027,93 51 3.389,59SETAR 39 3.923,15 75 2.911,90 51 3.354,12MA 39 3.765,34 74 2.889,13 39 3.225,90ARMA 38 3.689,34 74 2.872,42 39 3.117,06AR 39 3.676,08 74 2.915,24 37 3.232,83SEM_TRAT 39 3.533,06 75 2.729,58 27 2.749,61
7DEHOD������5(7(6&V�0i[LPRV���(VWUDWpJLDV�H�9DORUHV0RGHOR�GH�5HWRUQR
6KHZKDUW (:0$�FRP�O� ���� (:0$�FRP�O� ����
153
maximizar retorno, é fundamental trabalhar com os resíduos de algum modelo de
séries temporais, independentemente do gráfico de controle com o qual se
escolha trabalhar. Além disso, os modelos de retorno ARMA e MA geraram, no
máximo, o 4o melhor RETESC máximo, tanto para o gráfico de Shewhart quanto
para os gráficos EWMA. Em sentido oposto, a modelagem ARCH respondeu, no
mínimo, pela segunda colocação em termos de RETESC máximo, para qualquer
dos três gráficos de controle considerados.
Mais surpreendente é a verificação daquelas estratégias que geraram os
RETESCs mínimos das estratégias não dominadas. As estratégias se resumem
a três: 102 (LI = -3s e LS = -2s), 104 (LI = -3s e LS = -2,5s) e 105 (LI = -3s e LS =
-3s). Em oposição ao encontrado para os RETESCs máximos, todos os limites,
neste caso, são sigmas negativos e se aproximam do mínimo considerado neste
trabalho. Adicionalmente, os melhores resultados foram apurados para o
gráficos EWMA com O = 0,2. Além disso, o RETESC mínimo para o modelo de
retorno EWMA (do gráfico de controle EWMA com O = 0,2) é quase 60% superior
ao 2o colocado. Portanto, aqueles investidores que aceitam aplicar em bolsa,
mas que gostam de correr riscos mínimos, devem preferir a estratégia 105, com
a combinação de modelo de retorno EWMA e gráfico de controle EWMA com O =
0,2.
Em relação a valores medianos, os melhores RETESCs apurados referem-
se àqueles encontrados com os gráficos de controle EWMA com O = 0,2. E,
neste grupo, mais uma vez, é a utilização do modelo de retorno EWMA quem
produz a melhor resposta. O RETESC mediano, neste caso, corresponde à
média entre o RETESC das estratégias 17 (LI = média e LS = 0,5s) e 40 (LI = -
0,5s e LS = 1,5s). Definitivamente, trata-se de estratégias bem diferentes, mas
certamente com limites de compra e venda mais centralizados do que os
apurados para RETESCs máximos e mínimos.
7DEHOD������(VWUDWpJLDV�FRP�5(7(6&V�0tQLPRV0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�O�
����EWMA 102 105 105ARCH 104 104 105SETAR 104 105 105MA 105 104 105ARMA 105 104 105AR 105 104 105SEM_TRAT 102 104 105
154
Outro dado que talvez indique algum comportamento é a análise de
quantas vezes a estratégia fez parte do conjunto das não dominadas. Talvez
este dado nos dê alguma idéia de consistência do desempenho de cada
estratégia. Se forem consideradas todas as 21 chances (7 modelos de retorno
para cada um dos 3 gráficos de controle) de se entrar no conjunto, nenhuma
estratégia atinge este limite, indicando que, provavelmente, os desempenhos
são bastante diferentes dependendo do gráfico de controle que se esteja
escolhendo. Assim, não parece existir uma única estratégia que seja superior às
demais independentemente do gráfico de controle escolhido para
acompanhamento do desempenho das ações. No entanto, algumas estratégias
anteriormente citadas surpreendem quanto ao número de vezes que aparecem
no conjunto das estratégias não dominadas: 105 (aparece 17 vezes) e 99, 39 e
104 (aparecem 15 vezes, cada uma). Destaca-se, ainda, que para o gráfico de
Shewhart, a estratégia 80 (considerada a melhor em se tratando de maximizar
ISA) aparece em 6 dos 7 conjuntos (correspondendo aos 7 modelos possíveis) e
a estratégia 39 (entre as de melhor RETESC máximo) aparece em todas os 7
conjuntos. Com relação ao gráfico EWMA com O = 0,2, as estratégias 104 e 105
(melhores RETESCs mínimos) aparecem em 6 e 7 vezes no conjunto não
dominado, respectivamente. Curiosamente, a estratégia 84 (LI = -3s e LS = 3s,
que correspondem aos limites de controle tradicionais) não aparece nenhuma
vez no gráfico de estratégias não dominadas.
Assim, após esta análise exploratória, é possível tirar algumas conclusões
a respeito do conjunto de soluções “não dominadas”:
� Para o investidor racional que busca a melhor combinação de retorno e
risco, a melhor alternativa parece ser acompanhar as ações com gráfico
de controle de Shewhart (coincidentemente, o de mais fácil aplicação)
com um modelo auto-regressivo de 1a ordem (AR (1), por ser o de
estimação de parâmetros mais simples entre os que contêm
componentes auto-regressivos) em conjunto com a estratégia 80;
� Para o investidor que procura maximizar retorno, também é
recomendável trabalhar com o gráfico de Shewhart, mas utilizar o
modelo de retorno do tipo SETAR;
� Para investidores que buscam alcançar os menores retornos (esperando,
com isso, correr menos riscos), o ideal parece ser apostar nos gráficos
EWMA com O = 0,2, modelo de retorno EWMA e estratégia 105;
� Finalmente, para o investidor que tem como meta obter retornos
medianos (conseqüentemente, correr riscos medianos), o mais coerente
155
parece ser optar pelo uso dos gráficos EWMA com O = 0,2, modelo de
retorno EWMA e estratégia 17 ou 40;
� Para qualquer tipo de investidor, independentemente do modelo ou
gráfico de controle escolhido, deve-se excluir a possibilidade de escolher
momentos de compra e venda de ações usando-se como limitadores os
limites originais dos gráficos de controle;
� Os limites de compra e venda parecem estar associados ao tamanho do
risco que se aceita correr: quanto maior o grau de risco que o investidor
aceita, maior as distâncias entre os limites, mas se o investidor tem
preferência por um grau de risco menor, então LI e LS se aproximam,
indicando que pequenos movimentos do mercado são suficientes para
gerar uma reação do investidor.
Dentre as opções apresentadas, parece mais sensato que o investidor
procure maximizar o retorno alcançado em relação ao risco corrido o que
significa, neste caso, procurar maximizar o índice de Sharpe e, portanto,
trabalhar com gráfico de controle Shewhart, modelo AR(1) e estratégia 80. Vale
ressaltar que este resultado é bem próximo ao apurado na dissertação de
mestrado (AMARAL, 2004), quando a melhor estratégia encontrada foi a 81, cuja
diferença para a estratégia que se está considerando neste momento é apenas
de 0,5s para a emissão do sinal de compra. A combinação de gráficos EWMA
com O = 0,2 e modelos de retorno EWMA parece ser mais poderosa do que as
demais para investidores que desejam obter retornos mínimos ou medianos,
talvez a minoria em se tratando de venda e compra de ações.
����5(68/7$'26�'$6�(675$7e*,$6�1$�$02675$�'(�&21752/(�
No que diz respeito à amostra de controle, os gráficos com a plotagem das
estratégias não dominadas têm características bem semelhantes aos
apresentados para a amostra inicial e, portanto, não serão apresentados nesta
seção (caso o leitor queira consultá-los, eles são apresentados no Anexo D).
Pela própria metodologia de cálculo não era esperado encontrar algo diferente
disto.
A análise das estratégias, no entanto, revela algumas semelhanças e
algumas diferenças em relação ao apontado na seção anterior. A Tabela 7.5
apresenta os valores de ISAM apurados para esta amostra.
156
Chama a atenção o fato de se encontrar, para alguns modelos de retorno
combinados com o gráfico de Shewhart, valores para ISA bem superiores aos da
amostra anterior. Isto não pode ser fruto de características do período de análise
escolhido, uma vez que o padrão não se repete para os gráficos EWMA. Assim,
parece que esta amostra ratifica que, caso o investidor esteja procurando
maximizar o ISA, este deve optar por trabalhar com gráficos de Shewhart.
Adicionalmente, mais uma vez é evidente a superioridade de desempenho dos
modelos com alguma estrutura auto-regressiva e, dentre estes, o modelo de
retorno AR gera um indicador de ISAM cerca de 40% superior ao 2o colocado.
No entanto, a estratégia correspondente a este desempenho é a de número 24
(LI = -3s e LS = 0,5s), praticamente o oposto da estratégia 80, cujo risco subiu
consideravelmente na amostra de controle (por ter correspondido a aplicações
em duas ações com retorno negativo). Para os últimos 2 anos a estratégia 80
corresponderia a um ISA pouco acima de 0,5, cerca de 20% do valor apurado
para a amostra inicial.
Com relação à apuração dos RETESCs máximos, o gráfico de Shewhart
continua mostrando-se superior aos demais, mas as distâncias entre os gráficos
EWMA e ele parecem estar menores, talvez por causa da menor
representatividade da amostra. A estratégia com melhor desempenho foi a 26
(LI = média e LS = 1s). Apesar de não ter apresentado o melhor desempenho, o
modelo de retorno SETAR continua sendo uma boa opção para os investidores
que desejam maximizar retorno.
Surpreendentemente, os investidores que procuram minimizar retorno e
risco, mas que desejam investir em bolsa, continuam encontrando na estratégia
105, em conjunto com o gráfico de controle EWMA com O = 0,2, uma boa
ferramenta para gerenciar suas aplicações. No entanto, o modelo de retorno
EWMA já não apresenta a mesma distância em relação aos demais, como
7DEHOD������&RPSDUDomR�GRV�,6$0�DSXUDGRVDPRVWUD�GH�FRQWUROH
0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�
O� ����EWMA 1,4533 1,4654 1,6037ARCH 18,7402 1,5449 1,6863SETAR 1,4442 1,5007 1,7276MA 5,5338 1,5268 1,7591ARMA 22,0601 1,5244 1,7714AR 31,4951 1,5585 1,7202SEM_TRAT 1,5116 1,5208 1,6958
157
verificado na amostra inicial. Apesar disto, continua sendo uma boa opção para
aqueles que não desejam correr muito risco pois apresentou desvio-padrão
ligeiramente superior à da estratégia 102.
Os investidores medianos continuam encontrando vantagem na
combinação gráfico EWMA com O = 0,2 e modelo de retorno EWMA.
Uma avaliação interessante é observar o comportamento dos ISAs e dos
RETESCs comparativamente em relação à amostra inicial. Para tanto, optou-se
por fazer uma análise de regressão onde a variável independente seria o ISA ou
o RETESC apurado, para a mesma combinação de estratégia e gráfico de
controle, na amostra inicial e a variável dependente seria também o ISA ou o
RETESC calculado pela amostra de controle. Partindo-se da hipótese de que a
participação no conjunto das estratégias não dominadas pode ajudar a explicar o
comportamento das estratégias, tentou-se avaliar este efeito com o uso de uma
variável qualitativa de intercepto e de inclinação associada à entrada (D = 1) ou
ausência (D = 0) no conjunto não dominado da estratégia em questão na
amostra inicial. Assim, foram apuradas 21 equações de regressão com a
seguinte estrutura:
RETESCcj = E0 + E1 * RETESCij + E2 * Dj + E3 * Dj * RETESCij + Hj
onde:
RETESCcj: RETESC da estratégia j na amostra de controle;
RETESCij: RETESC da estratégia j na amostra inicial
Dj: variável dummy
Hj: erro do modelo
E outras 21 equações com a seguinte estrutura:
ISAcj = E0 + E1 * ISAij + E2 * Dj + E3 * Dj * ISAij + Hj
onde:
ISAcj: ISA da estratégia j na amostra de controle;
7DEHOD������(VWUDWpJLDV�FRP�5(7(6&V�0tQLPRVDPRVWUD�GH�FRQWUROH
0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�O�
����EWMA 102 102 102ARCH 102 105 103SETAR 101 105 90MA 8 105 103ARMA 34 105 100AR 24 95 103SEM_TRAT 104 105 103
158
ISAij: ISA da estratégia j na amostra inicial
Dj: variável dummy
Hj: erro do modelo
Para os dados de RETESC muitos coeficientes apresentaram-se
estatisticamente nulos (as equações estimadas são apresentadas no Anexo D).
Optou-se, então, por retirar do modelo as variáveis dummy de intercepto, ou
seja, considera a mesma estrutura anterior, mas com E2 = 0. Ainda assim não
foram encontradas dummies com significância estatística, de modo que o
modelo para os RETESCs mais adequado apresentava a seguinte equação:
RETESCcj = E0 + E1 * RETESCij + Hj
A Tabela 7.7 resume os resultados encontrados:
Como se trata da análise de apenas um coeficiente angular, um elevado
coeficiente de determinação implica em significância estatística do coeficiente
estimado. Em todos os casos encontrou-se um elevado poder explicativo e
valores muito próximos para E1. Isto demonstra que o grau de correlação do
RETESC é positivo e bem alto e que participar do conjunto das estratégias não
dominadas na amostra inicial não parece ter relação com o RETESC apurado
7DEHOD������5HVXPR�GRV�5HVXOWDGRV���5HJUHVVmR�FRP�5(7(6&E �
FRP�'�LQW�H�LQFO FRP�'�LQFO VHP�' VHP�'
SETAR 0,755 0,754 0,726 0,010SEM_TRAT 0,749 0,745 0,742 0,011EWMA 0,790 0,787 0,779 0,010MA 0,795 0,794 0,761 0,011ARMA 0,791 0,791 0,748 0,011AR 0,786 0,786 0,755 0,011ARCH 0,753 0,752 0,729 0,010SETAR 0,871 0,870 0,870 0,009SEM_TRAT 0,902 0,900 0,896 0,009EWMA 0,902 0,901 0,896 0,009MA 0,875 0,874 0,874 0,009ARMA 0,876 0,876 0,875 0,009AR 0,878 0,877 0,877 0,009ARCH 0,883 0,883 0,883 0,009SETAR 0,858 0,857 0,856 0,011SEM_TRAT 0,892 0,890 0,890 0,012EWMA 0,888 0,888 0,887 0,011MA 0,903 0,900 0,900 0,012ARMA 0,881 0,868 0,868 0,012AR 0,901 0,896 0,896 0,012ARCH 0,895 0,893 0,893 0,011
5 �
SHEW
EWMAl=
0,2
EWMAl=
0,6
*UiILFR���0RGHOR�GH�5HWRUQR
159
para o futuro, ou pelo menos não parece haver uma relação linear entre a
entrada no conjunto não dominado e o desempenho D�SRVWHULRUL�da estratégia.
A mesma análise para os ISA não leva aos mesmos resultados.
Os modelos calculados apresentam baixo poder explicativo e, mesmo
adotando a primeira equação de estimação (com dummies para intercepto de
inclinação), os valores apurados para E1 não apresentam comportamento padrão
(nem de valor, nem de sinal) nem com algum sentido econômico.
7DEHOD������5HVXPR�GRV�5HVXOWDGRV���5HJUHVVmR�FRP�,6$E �
FRP�'�LQW�H�LQFO FRP�'�LQFO VHP�' FRP�'�LQW�H�
LQFOSETAR 0,031 0,030 0,007 -0,225SEM_TRAT 0,047 0,020 0,018 0,322EWMA 0,043 0,026 0,007 -0,057MA 0,074 0,039 0,009 0,518ARMA 0,038 0,032 0,023 0,087AR 0,015 0,015 0,006 1,582ARCH 0,043 0,036 0,001 2,039SETAR 0,107 0,061 0,011 -0,098SEM_TRAT 0,084 0,050 0,026 0,186EWMA 0,022 0,020 0,019 0,088MA 0,098 0,098 0,004 -0,156ARMA 0,196 0,195 0,019 -0,155AR 0,151 0,148 0,003 -0,201ARCH 0,087 0,070 0,014 0,010SETAR 0,038 0,032 0,008 0,100SEM_TRAT 0,098 0,069 0,046 0,091EWMA 0,053 0,012 0,000 0,135MA 0,054 0,054 0,032 -0,047ARMA 0,193 0,178 0,090 -0,148AR 0,094 0,089 0,044 -0,096ARCH 0,092 0,078 0,047 -0,187
5 �
SHEW
EWMAl=
0,2
EWMAl=
0,6
*UiILFR���0RGHOR�GH�5HWRUQR
�����$1È/,6(�'(�&255(/$d2�(175(�26�5(68/7$'26�Uma medida de dependência entre os resultados que não pode ser
esquecida é a de correlação. Esta correlação pode ser medida de duas formas:
entre as amostras e entre os diferentes pares de gráfico e modelo de retorno.
Não se pode saber, D� SULRUL, o grau de correlação entre os resultados
apurados com a amostra inicial e com a amostra de controle, mas é desejável
uma forte correlação positiva entre os retornos escalonados médios. Isto
indicaria que existe algum grau de dependência entre os resultados
intertemporais, o que é desejável para o investidor que não espera de uma
estratégia comportamento divergente entre períodos de tempo próximos. Os
160
resultados das correlações encontradas são apresentados na Tabela 7.9 e
correspondem à raiz quadrada do valor de R2 da coluna “sem D” da Tabela 7.7.
O que se pode concluir é que, de fato, a correlação é alta entre as
amostras. Com o mínimo encontrado equivalente a 0,8521, é praticamente
impossível atribuir aleatoriedade para os valores de RETESC encontrados, pelo
menos quando se fala de comportamento intertemporal. Qualquer que tenha
sido o gráfico de controle e o modelo de retorno escolhido (isto vale até mesmo
para a hipótese de comportamento totalmente aleatório dos retornos diários), o
desempenho de cada estratégia na amostra inicial apresentou forte correlação
com o desempenho da mesma na amostra de controle. Isso corrobora todo o
resultado da análise de regressão.
Uma medida interessante é verificar a correlação entre os RETESCs das
105 estratégias associadas a cada par modelo de retorno-gráfico de controle.
Considerando-se a fórmula tradicional de correlação:
ilik xx
105
1i ilikkl
xx
VV U ¦ �
onde:
7$%(/$������&255(/$d2�$02675$�,1,&,$/�YV��$02675$�'(�&21752/(
*UiILFR 0RGHOR�GH�5HWRUQR &RUUHODomR
SETAR 0,8521SEM_TRAT 0,8612EWMA 0,8824MA 0,8723ARMA 0,8647AR 0,8687ARCH 0,8537SETAR 0,9326SEM_TRAT 0,9466EWMA 0,9464MA 0,9350ARMA 0,9353AR 0,9367ARCH 0,9396SETAR 0,9252SEM_TRAT 0,9433EWMA 0,9420MA 0,9486ARMA 0,9315AR 0,9464ARCH 0,9447
SHEW
EWMAl=
0,2
EWMAl=
0,6
161
Ukl = correlação entre o par modelo de retorno-gráfico de controle k e o modelo
de retorno-gráfico de controle l;
xik = ikik XX � ;
Xik: valor observado para o RETESC da estratégia i e par modelo de retorno-
gráfico de controle k;
xil = ilil XX � ;
Xil: valor observado para o RETESC da estratégia i e par modelo de retorno-
gráfico de controle l;
ikXV : desvio padrão de Xik;
ilXV : desvio padrão de Xil;
l e k correspondem aos 21 pares de modelo de retorno-gráfico de controle
considerados neste trabalho.
Os resultados encontram-se na Tabela 7.10, para a amostra inicial.
O que se pode verificar é que, mesmo entre os diversos pares, existe um
elevado grau de dependência entre os RETESCs apurados para as diferentes
estratégias consideradas. O valor mínimo apurado para as correlações foi de
0,73, bastante elevado para os padrões estatísticos. É interessante ressaltar
que não foi encontrado nenhum valor negativo para as correlações, indicando
que, para os diferentes pares considerados, não há possibilidade de reduções
acentuadas de risco diversificável se trabalharmos, genericamente falando, com
dois pares de gráfico e modelos de retorno diferentes. Isto é importante porque
indica que o investidor deve optar por escolher apenas um modelo de retorno e
tipo de gráfico para implementar sua estratégia favorita, fugindo de combinações
entre pares modelo-gráfico, o que apenas dificultaria sua operacionalização, sem
que isto representasse ganhos financeiros. No limite, isto significa dizer que
existe um e somente um par de conjunto (tipo de gráfico, modelo de retorno) que
deve satisfazer às necessidades do investidor racional e que trabalhar com dois
pares modelo-gráfico ao mesmo tempo deve apenas trazer complexidade
adicional sem ganho financeiro significativo, conforme hipótese levantada na
etapa de proposta desta tese. Ou seja, de modo geral, a influência da estratégia
é muito maior que a do modelo de retorno ou do tipo de gráfico escolhidos.
As menores correlações encontradas (ainda que elevadas) são entre
RETESCs de gráficos de Shewhart e de EWMA com O = 0,2. Das demais
correlações, a menor correlação encontrada é de 0,87. Esta menor correlação
entre os RETESCs médios apurados com o uso de gráficos de Shewhart e de
EWMA com O = 0,2, no entanto, já era esperada, uma vez que estes gráficos
162
correspondem ao extremo da gama considerada (já que o gráfico de Shewhart
corresponde a um gráfico de EWMA no caso extremo de O = 1).
Não se faz necessário realizar esta mesma análise com os dados da
amostra de controle dada a forte correlação encontrada na Tabela 7.9.
163
164
Este capítulo apresentou alguns resultados inesperados. destacam-se:
� Para o investidor que busca maximizar ISA (índice de Sharpe adaptado), ou
seja, aquele que procura combinar a renda fixa (neste caso considerada
zero em função das particularidades de nosso país) com a melhor opção de
investimento de ativos de risco6, o melhor parece ser combinar o gráfico de
Shewhart com o modelo AR(1), combinação que, intuitivamente7, tinha sido
testada na dissertação de mestrado que deu origem a este trabalho;
� A estratégia 80, bastante próxima de uma das alternativas apontadas na
dissertação de mestrado como uma das melhores estratégias, parece gerar
bons resultados no longo prazo, mas seu desempenho não é tão satisfatório
na amostra de controle. No entanto, neste estudo, não foi possível
identificar se isto se deve ao uso de uma amostra de menor prazo, ou se o
desempenho da Bolsa de São Paulo nos anos de 2005 e 2006 é que gerou
os resultados apurados. Este aspecto merece ser considerado em trabalhos
futuros;
� Investidores que desejam maximizar retorno devem preferir a modelagem
do tipo SETAR;
� Investidores que buscam retornos mínimos devem procurar trabalhar com
modelagem EWMA para os retornos, gráficos de controle EWMA com O
baixo e trabalhar com a estratégia 105, que resulta em apropriação de
resultados menores, mas também em riscos menores;
� Comparando-se a regressão e a correlação dos valores apurados, parece
que o ISA da amostra inicial mantém baixa relação com o da amostra de
controle, mas os RETESCs das duas amostras apresentam alta ligação, o
que sugere que o risco entre as ações varia muito do longo para o curto
prazo, ou seja, os resultados de longo prazo são mais homogêneos que os
de curto prazo. Vale a pena lembrar que este resultado pode ter sido
encontrado devido aos períodos amostrais escolhidos.
6 Na prática, esta combinação corresponde à linha que, a partir da renda fixa, tangencia a fronteira eficiente e, portanto, gera a reta com maior coeficiente angular formado a partir das opções de investimento existentes. 7 Na construção da dissertação não havia qualquer motivo para a escolha do gráfico de Shewhart além da praticidade de se usar o gráfico mais difundido dentro do CEP, mas a escolha do modelo AR(1) deveu-se à idéia de seguir as práticas mais usuais do mercado financeiro
��$SULPRUDPHQWRV�H�&RPSDUDo}HV�FRP�R�0HUFDGR�
Apurados os resultados da metodologia proposta e encontradas as
estratégias que seriam preferíveis para cada tipo de investidor, resta avaliar os
desempenhos apurados e apontar possíveis mecanismos de aprimoramento da
ferramenta. Neste capítulo as estratégias serão avaliadas de forma comparativa
a outras opções de investimento com a intenção de indicar possíveis pontos de
melhoria da metodologia.
����(6&2/+$�'$6�(675$7e*,$6�(0�$0%,(17(�'(�&$57(,5$6��
������(VFROKD�GDV�&DUWHLUDV�Este trabalho trata da escolha de oportunidades de investimento em ativos
de renda variável. No entanto, falar em ativos de risco implica em reconhecer
que, em virtude da inexistência de ativos que tenham correlação positiva e
perfeita (até o momento não há registro de nenhum ativo de risco com esta
característica, no máximo se verifica uma forte correlação positiva, mas nunca
perfeita), sempre será possível diminuir riscos com a diversificação. Esta
parcela de risco que pode ser reduzida é chamada de risco diversificável. O
motivo para este fato é simples: como não existe correlação linear perfeita, o
risco de uma carteira formada por dois ativos de risco nunca será a combinação
linear dos riscos destes ativos, sempre será inferior. Matematicamente, tem-se a
seguinte situação:
Seja C uma carteira formada por dois ativos de risco A e B com retornos e
riscos (RA , VA) e (RB , VB), respectivamente. Então:
Se C = DA + (1 – D)B,
RC = DRA + (1 – D)RB
VC2 = D2VA
2 + (1 – D)2VB2 + D (1 – D) UAB VA VB
como UAB < 1,
VC2 < [DVA + (1 – D)VB]2
e como Vi > 0 e 0 < D < 1
então VC < DVA + (1 – D)VB
166
Assim, levando-se em consideração que o risco é composto por duas
parcelas (risco de mercado e risco diversificável), sempre será possível diminuir
a exposição ao risco com o uso de carteiras que possam levar o investidor a se
expor, apenas, àquela parcela de volatilidade que não se pode eliminar.
Portanto, deixar de avaliar carteiras pode levar à subestimação dos resultados
que se pode alcançar com a ferramenta que está sendo proposta. Como este
trabalho não pretende esgotar a discussão a respeito do assunto que trata, mas
fomentá-la, decidiu-se verificar que resultado teria sido obtido com a aplicação
das melhores estratégias em portfólios de investimento. Sem o intuito de
esgotar as possibilidades de escolha do investidor, optou-se por trabalhar com 3
carteiras distintas: o Ibovespa (a carteira de mercado), uma carteira com
recursos igualmente distribuídos entre os 10 ativos considerados neste trabalho
e, por último, o conjunto dos 10 ativos desta tese ponderados pelo peso que
teriam numa carteira ótima, segundo metodologia definida por Markowitz e
dados de 31/12/2004.
Assim, foram designados os seguintes símbolos para estas carteiras:
,%9: portfólio formado pelo índice ibovespa, cuja cotação é divulgada
diariamente;
&$57�: carteira tal que 10% dos recursos sejam alocados em cada uma
das 10 ações consideradas neste trabalho;
&$57�: carteira com a seguinte alocação de recursos:
7$%(/$������'LVWULEXLomR�SHUFHQWXDO�GH�&$57��$7,92� ��ITAU4 28,555
GGBR4 32,953 VALE3 38,492
OBS: demais ativos com participação = 0 (zero), uma vez que não foi admitida a posição vendida
Como as carteiras são compostas por ativos cuja cotação aparece em
diferentes ordens de grandeza, então era preciso um trabalho sobre a base de
dados para que se pudesse aplicar a ferramenta. Para operacionalização dos
cálculos de CART1 e CART2 foi necessário, então trabalhar diretamente com os
retornos dos ativos e simular seus retornos diários, conforme a teoria financeira
vigente, ou seja:
RCART1 = ¦�10
1i
i10R onde Ri é o retorno diário de cada uma das ações
consideradas
RCART2 = 0,28555 RITAU4 + 0,32953 RGGBR4 + 0,38492 RVALE3
167
Assim, a partir dos retornos diários de abertura, fechamento, médios,
mínimos e máximos, foi possível gerar um conjunto de valores que retrataria o
verdadeiro retorno ao qual o investidor de CART1 e CART2 estaria sujeito. No
entanto, a aplicação da estratégia pressupõe que se trabalhe com um único valor
de cotação média para a compra e um único valor de cotação média para a
venda. Para permitir a simulação da estratégia, transformou-se a série diária de
retornos médios em retornos acumulados que foram transformados em número
índice, substituindo o valor das cotações sem nenhum prejuízo de cálculo dos
resultados finais. E, para o cálculo dos resultados, foi considerado o
procedimento de se comprar ou vender apenas a carteira inteira.
������5HVXOWDGRV�HQFRQWUDGRV�Com a aplicação da mesma metodologia de cálculo de retorno para as
ações apresentadas anteriormente, foram encontrados os seguintes resultados:
7$%(/$������5(6802�'$6�(67,0$7,9$6�'$6�&$57(,5$6,%9 &$57� &$57�
$5����I1 0,0750 0,1761 0,1529Estat t 3,9278 9,3397 8,0757c1 0,0014 0,0018 0,0020R2 0,0056 0,0310 0,0234
0$����T1 -0,0769 -0,1824 -0,1515Estat t -4,0280 -9,6782 -8,0061c2 0,0016 0,0022 0,0024R2 0,0057 0,0320 0,0229$50$������
I1 0,0000 -0,0213 0,1213Estat t 0,0000 -0,2026 0,9780T1 -0,0773 -0,2032 -0,0316Estat t -0,3131 -1,9688 -0,2533c3 0,0016 0,0022 0,0021R2 0,0057 0,0320 0,0233
$5&+����D1 0,4687 0,0000 0,0000Estat t 17,9568 0,0000 0,0000D0 0,0004 0,0167 -0,0218R2 0,0047 0,0000 0,0000
(:0$O 0,0000 0,0188 0,0156R2 0,0000 0,0183 0,01450XGDQoD�GH�5HJLPHI1,1 0,0420 0,1710 0,1098
Estat t 1,5815 6,4857 4,0870I0,1 0,0002 0,0016 0,0008
E 0,0025 0,0003 0,0027Estat t 1,7672 0,2604 2,2493R2 0,0067 0,0310 0,0251
168
De modo geral o que se pode perceber é que o uso de carteiras leva a
estimativas bastante parecidas com as encontradas para as ações anteriormente
consideradas. Foram encontrados modelos com baixo poder explicativo
(coeficientes de determinação – R2 – muito baixos) e com alguns coeficientes
estatisticamente nulos (estatísticas t muito baixas).
Vejamos, agora, os resultados que a aplicação das estratégias teria
gerado:
169
170
171
172
173
174
175
176
177
178
179
180
181
182
Com relação aos gráficos de controle1, não foi encontrada uma situação muito
diferente do apurado anteriormente: valores aleatoriamente distribuídos, sem
indícios de ocorrência de tendências, observação de valores que extrapolam os
limites 3s, com maior incidência de pontos fora dos limites do lado negativo dos
gráficos.
No que diz respeito à aplicação das estratégias, no caso de carteiras não é
possível trabalhar com o conjunto de estratégias dominadas nem de índice de
Sharpe já que se trata de apenas três dados para apuração de média e desvio-
padrão, caso fosse seguida a metodologia descrita para o cálculo com as ações.
Assim, talvez seja mais interessante verificar os resultados de RETESC para os
principais pares de limites-modelo apontados no capítulo anterior. Os valores
apurados são apresentados na Tabela 8.3 a seguir:
De modo geral, o que se pode perceber é que o desempenho das carteiras
gera resultados inferiores em termos de retorno escalonado. Apesar de o risco
não ter sido avaliado, por causa de limitações metodológicas, é de se esperar
que carteiras apresentem risco inferior ao encontrado para ativos. Portanto, o
menor retorno também deve estar associado a riscos menores. Mas chamam a
atenção os valores apurados para a primeira linha da Tabela 8.3. Para aqueles
investidores que buscam encontrar investimentos baseados em maximizar o
índice de Sharpe, os resultados encontrados com a aplicação da estratégia 80
foram significativamente superiores ao apurado para a média das ações. Isto
associado à idéia de que se reduz risco com o uso de carteiras nos faz inferir
que o índice de Sharpe ao qual o investidor destas carteiras estaria sujeito deve
ter sido substancialmente superior ao apurado com as ações. Vale lembrar que,
neste caso, testou-se um par de limites modelo-retorno bem similar ao
1 Os gráficos referentes a CART1 e CART2 são apresentados no anexo E
PpGLDDo}HV ,%9 &$57� &$57�
Shewhart AR 80 ISA máximo 863,67 1.137,31 1.932,47 939,69Shewhart SETAR 39 RETESC máximo 3.923,15 584,48 1.838,79 3.738,61EWMA (O =0,2) EWMA 105 RETESC mínimo 127,55 20,65 194,99 81,48EWMA (O =0,2) EWMA 17 RETESC mediano 1.188,06 157,13 348,06 323,40EWMA (O =0,2) EWMA 40 RETESC mediano 1.263,60 325,94 533,28 706,69
7$%(/$������5(7(6&�$SXUDGR�SDUD�&DUWHLUDV��$PRVWUD�,QLFLDO�
5(7(6&*UiILFR&RQWUROH
0RGHOR5HWRUQR (VWUDWpJLD &DUDFWHUtVWLFD
LQLFLDO
183
encontrado durante as investigações da dissertação de mestrado anteriormente
citada. Isto é de extrema relevância porque aponta no sentido de que este tipo
de investidor pode ser beneficiado se optar por aplicar as estratégias propostas a
carteiras. O mesmo não pode ser inferido para aqueles investidores que
desejam tomar decisões baseados em expectativas para o retorno escalonado
(RETESC).
Uma observação interessante é a verificação de quantas vezes o RETESC
das carteiras mostrou-se superior ao RETESC médio das ações. Esta
informação é apresentada na Tabela 8.4.
*5È),&2 02'(/2 ,%9 &$57� &$57�SETAR 21,9% 19,0% 32,4%
SEM_TRAT 15,2% 31,4% 45,7%
EWMA 13,3% 54,3% 57,1%
MA 26,7% 22,9% 36,2%
ARMA 23,8% 19,0% 32,4%
AR 24,8% 19,0% 41,0%
ARCH 18,1% 43,8% 49,5%
SETAR 0,0% 0,0% 6,7%
SEM_TRAT 0,0% 0,0% 6,7%
EWMA 0,0% 7,6% 24,8%
MA 0,0% 0,0% 5,7%
ARMA 0,0% 0,0% 5,7%
AR 0,0% 0,0% 7,6%
ARCH 0,0% 4,8% 7,6%
SETAR 9,5% 24,8% 33,3%
SEM_TRAT 9,5% 32,4% 41,0%
EWMA 4,8% 57,1% 50,5%
MA 10,5% 31,4% 35,2%
ARMA 10,5% 28,6% 38,1%
AR 10,5% 26,7% 37,1%
ARCH 11,4% 38,1% 38,1%
7$%(/$������3(5&(178$/�'(�5(7(6&�'$6�&$57(,5$6�683(5,25�$�5(7(6&�0e',2�'$6�
$d®(6��DPRVWUD�LQLFLDO�
SHEWHART
EWMAl=0,2
EWMAl=0,6
184
O que se pode perceber é que em apenas 4 conjuntos de gráfico de
controle e modelo de retorno os RETESCs encontrados foram maiores para as
carteiras em mais de 50% das estratégias. E nestas 4 observações estava
sempre sendo considerado o modelo de retorno EWMA. Na grande maioria dos
casos, o retorno calculado com as carteiras é inferior ao retorno médio
observado para a aplicação das estratégias às ações. Para o gráfico EWMA
com O=0,2 foram encontradas as menores ocorrências de RETESCs superiores
para carteiras, tendo sido verificado que, para o Ibovespa, não apareceu
nenhuma ocorrência de retorno superior à média de retorno das ações.
Apesar de tratar-se de uma informação que parece simples, isto confirma a
impressão de que o uso de carteiras tende a diminuir o retorno potencial da
estratégia. Supondo que as carteiras geram risco menor para o aplicador de
recursos, isto significa que não é possível inferir, com o conjunto de dados
gerado, se existe algum ganho para o investidor, já que, mais uma vez, chegou-
se a resultados compatíveis com o Teorema da Média e Variância, então não é
possível garantir que as estratégias aplicadas a carteiras são preferíveis ou
preteridas pela mesma metodologia aplicada diretamente às ações.
É claro que esta investigação não pretende ser exaustiva e nem pretende
esgotar o assunto, mas com estes dados é possível sugerir que, talvez, o uso de
carteiras só seja interessante para dois tipos de investidores: os que procuram
menor risco relativo (maior índice de Sharpe) e os que buscam menor risco
absoluto (menor RETESC). Para aqueles que desejam trabalhar com retornos
máximos ou medianos (que aceitam riscos em maior grau) não foi encontrada
violação do critério de média e variância, mas não há elementos suficientes para
que se possa avaliar se o uso de carteiras traz benefícios ou malefícios para o
investidor.
����$35,025$0(172�'$6�(675$7e*,$6��
������0RGHOR�FRP�'DGRV�2ULJLQDLV��VHP�GHVVD]RQDOL]DomR��Conforme apresentado no capítulo 6, os resultados das estimativas dos
parâmetros obtidos a partir da base de dados dessazonalizada parecem
apresentar uma significância estatística ligeiramente maior. Mas será que isto,
na prática, traz benefícios ao investidor?
Inicialmente vale a pena averiguar o comportamento dos pares de limites-
modelo com os melhores desempenhos para os dados dessazonalizados:
185
O que se pode perceber é que, à exceção da estratégia 80 com gráfico de
controle Shewhart e modelo de retorno AR, os valores obtidos para RETESC e
desvio-padrão foram muito similares. Vejamos como as tabelas apresentadas
no Capítulo 7 se alteram para os dados sem tratamento a respeito da
sazonalidade:
O comportamento encontrado é bastante parecido com o de dados com
tratamento sazonal. Os gráficos de Shewhart e EWMA com O = 0,6 parecem ter
resultados superiores ao gráfico EWMA com O = 0,2. Também é o modelo
EWMA que corresponde aos maiores valores de ISAM, independentemente do
gráfico de controle escolhido. Para o gráfico EWMA com O = 0,6 a estratégia 99
ainda permanece sendo a de melhor desempenho, mas para o gráfico de
Shewhart, a estratégia 80 (LI = -1s e LS = 3s) é substituída pela 95 (LI = -3s e LS
= -1s), estratégias “complementares” se for considerado o conjunto dos pontos
ditos “sob controle”, ou seja, contidos no intervalo [-3s;3s].
As estratégias 39, 51, 74 e 75 continuam figurando no grupo daquelas com
RETESC máximos, sendo os retornos encontrados, em média, diferentes em
cerca de 2% dos apurados com os dados dessazonalizados (para os gráficos de
���������� ����� �� � ��� ���������� ����� ��
� ���
Shewhart AR 80 863,67 358,49 2,41 1.383,63 1.587,77 0,87Shewhart SETAR 39 3.923,15 3.402,79 1,15 3.771,09 3.215,35 1,17EWMA ( � =0,2) EWMA 105 127,55 109,88 1,16 121,40 100,68 1,21EWMA ( � =0,2) EWMA 17 1.188,06 1.046,10 1,14 1.201,53 1.116,74 1,08EWMA ( � =0,2) EWMA 40 1.263,60 1.058,01 1,19 1.155,02 1.044,11 1,11
��������������� ��������������������� "!$#�%&�'!� "!(�*)+%$,.-/ "!0� 1�2 3�2 !�4 �
5 "6�7/2 3'%��%�1'-/ 8%�4 9
:;%�#�9�4 %��9�-"%� <1�%
��,.-< "!->=$?�2 !
#�!$#�%$,@#�9�,.,�!�AB%�1$!�4 2 AC!$#�%�,ED�,�� !$#�%$,@%� <2 ?�2 1$!�2 ,
� F � �������G FEH ����� G�� F � � F � F ��� 5 � H ��� �
7DEHOD������&RPSDUDomR�GRV�,6$0�DSXUDGRV0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�
O� ����EWMA 2,5823 1,5594 2,9391ARCH 2,1889 1,4495 2,2862SETAR 2,0631 1,4438 2,2203MA 2,0602 1,4655 2,1592ARMA 2,1068 1,4906 2,1480AR 2,0804 1,5151 2,2417SEM_TRAT 2,3442 1,4569 2,1349
GDGRV�VHP�WUDWDPHQWR�GH�VD]RQDOLGDGH
186
Shewhart e EWMA com O = 0,2, o resultado com dados sem tratamento sazonal
ficou abaixo do apurado para dados com tratamento).
Para os RETESCs mínimos, as estratégias 102, 104 e 105 continuam
aparecendo com bastante freqüência; no entanto, para o gráfico de Shewhart e
modelo AR ou ARMA a estratégia 95 também aparece, tendo sido também a
estratégia de maior ISA para este gráfico e estes modelos de retorno. Porém, os
RETESCs mínimos apurados para o gráfico de controle de Shewhart são, em
média, 21,4% superiores para dados sem tratamento sazonal (para os gráficos
EWMA, encontraram-se variações bem menos significativas).
Todas estas observações apontam para duas conclusões: não parece
haver mudança significativa na escolha das estratégias se for mudada a base de
dados com tratamento sazonal para a que não recebeu tratamento. No entanto,
os resultados encontrados sugerem que se poderia ter obtido resultados
diferentes ao se trabalhar com os dados originais, mas a diferença varia em
relação ao tipo de investidor que deverá usar a estratégia: investidores que
desejam minimizar retorno e risco deveriam preferir trabalhar sem tratamento
sazonal, enquanto os que procuram maximizar retorno e risco deveriam
conseguir maiores ganhos com a base de dados dessazonalizadas. No entanto,
estas conclusões não são exaustivas, uma vez que não se esgotou, neste
trabalho, todas as metodologias de comparação entre as amostras com e sem
tratamento sazonal, já que este objetivo não foi foco deste trabalho.
������7DPDQKR�GD�$PRVWUD�,QLFLDO�Durante a elaboração da dissertação de mestrado, anteriormente citada
neste trabalho, chegou-se à conclusão de que, para o uso do modelo AR(1), não
havia alterações significativas na estimativa dos parâmetros caso a amostra
inicial fosse reduzida. Neste trabalho replicou-se este estudo para os demais
modelos considerados.
7DEHOD������(VWUDWpJLDV�FRP�5(7(6&V�0i[LPRV0RGHOR�GH�5HWRUQR 6KHZKDUW (:0$�FRP�
O� ����(:0$�FRP�O�
����EWMA 38 76 51ARCH 39 78 51SETAR 39 75 50MA 39 74 51ARMA 51 74 39AR 51 74 51SEM_TRAT 39 77 51
GDGRV�VHP�WUDWDPHQWR�GH�VD]RQDOLGDGH
187
Aplicou-se a metodologia de recálculo dos parâmetros dos modelos de
retorno obtidos a partir de amostras iniciais cada vez menores, com reduções,
entre cada uma delas, de um semestre de dados. A idéia era encontrar aquele
tamanho de amostra a partir do qual os parâmetros permanecem relativamente
estáveis. Assim, do conjunto de dados originais foi gerada a “amostra 2”,
contendo dados do período de julho/94 a dezembro/2004, com os quais
chegamos aos valores da Tabela 8.8.
188
Nesta tabela é possível encontrar os valores estimados segundo os
diversos modelos para uma amostra com 6 meses a menos de informação
(amostra 2). Optou-se por trabalhar com variações semestrais no tamanho das
amostras porque se acreditava que seria encontrada pouca variação entre as
estimativas, de modo que fosse possível inferir algum comentário sobre o
possível tamanho ótimo de amostra a se trabalhar.
O que os resultados revelam é que, contrariando o esperado, já com a
primeira redução de 6 meses na amostra inicial, os valores estimados sofrem
alterações bastante significativas, ocorrendo, inclusive, troca de sinais nos
coeficientes gerados. Isto certamente está em desacordo com o previsto, já que
era esperado encontrar uma certa estabilidade dos parâmetros modelados.
Acreditou-se que seria possível sugerir um trabalho a partir de amostras
menores, mas, diante dos resultados encontrados só é possível sugerir que se
faça, futuramente, um estudo mais detalhado para que se defina, com
segurança, o tamanho da janela ideal para se estimar os modelos de retorno.
Com a mudança nos coeficientes estimados não há como prever o
comportamento da ferramenta nem garantir que as estratégias apontadas
anteriormente permanecerão no grupo das mais eficientes. Isso só será possível
averiguar com a replicação do trabalho anteriormente realizado para diversas
amostras de diferentes tamanhos.
Adicionalmente, as mudanças encontradas podem ser uma pista do motivo
pelo qual certas estratégias funcionaram tão bem na amostra inicial, mas não
apresentaram o mesmo resultado na amostra de controle. A falta de
estabilidade dos parâmetros pode ser a causa do comportamento não
homogêneo de certas estratégias.
������0HFDQLVPRV�GH�6WRS�/RVV�Um dos meios mais conhecidos pelo investidor de se limitar riscos é o
chamado “stop loss”. O mecanismo de VWRS�ORVV consiste em fixar um valor de
cotação a partir do qual não se deseja mais manter a ação em carteira e, toda
vez que a cotação é menor do que o valor fixado, então a ação é colocada à
venda para sair da carteira do investidor e limitar o prejuízo que o investidor
possa ter. É claro que não existe certeza de que seja possível fazer uma
operação de venda da ação ao preço mínimo desejado, uma vez que o JDS de
tempo entre a identificação do limite para a efetivação da venda e a venda
propriamente dita, por menor que seja, pode gerar prejuízos maiores do que os
estabelecidos como aceitáveis.
189
Nesse caso, também se está trabalhando com uma ferramenta que
identifica pontos de compra e venda com defasagem de 1 dia útil, o que pode
resultar na estruturação de mecanismos de VWRS�ORVV ineficazes. É isto que será
avaliado nesta subseção.
Diante do grande número de informações das quais dispúnhamos, foi
necessário fixar algumas regras de VWRS�ORVV a serem testadas. Optou-se, então,
por verificar o impacto sobre os RETESCs do uso de restrições adicionais
(baseadas nos valores de cotação ou MR) para LS. Fixaram-se 4 regras de VWRS�ORVV (alternativas mutuamente exclusivas) para verificar como retorno e risco se
comportariam:
1. estando com a ação em carteira, vendê-la quando a cotação do
papel for inferior a 95% da cotação de compra (foi usada como
cotação do papel a cotação média do dia);
2. estando com a ação em carteira, vendê-la quando a cotação do
papel for inferior à cotação de compra (foi usada como cotação do
papel a cotação média do dia);
3. estando com a ação em carteira, vendê-la quando MR do último
fechamento disponível for superior ao percentil 90 calculado a partir
da base de dados passada (desde que haja pelo menos 100
informações disponíveis);
4. estando com a ação em carteira, vendê-la quando MR do último
fechamento disponível for superior ao 3o quartil calculado a partir da
base de dados passada (desde que haja pelo menos 100
informações disponíveis).
Para cada uma destas 4 restrições foram recalculados a média e o desvio-
padrão de RETESC de cada estratégia. Vale a pena destacar que estas regras
adicionais valem apenas para aquelas situações onde já existia uma operação
de compra, ou seja, trata-se de tentar limitar os prejuízos com a introdução de
novas condições associadas apenas aos LS anteriores e não introduzir novas
regras para compra e venda.
Resolveu-se averiguar o impacto apenas sobre os pares de limites-modelo
anteriormente apontados como os mais eficazes. Foram encontrados os
seguintes resultados:
190
De todos os cálculos apresentados na Tabela 8.9, o único que parece
resultar numa melhora significativa dos indicadores é o relativo à estratégia 39
(com gráfico de Shewhart e modelo de retorno SETAR), mas apenas diante da
introdução das restrições relativas às cotações (restrições 1 e 2, que, aliás,
também representaram um acréscimo de 50 a 150% nos RETESCs apurados
para as estratégias 17 e 40). Com relação às demais estratégias, à exceção da
restrição 3 com a estratégia 80 (gráfico de Shewhart e modelo de retorno AR), o
retorno e o desvio-padrão apurados com as restrições não apresentaram
variações tão significativas que merecessem destaque.
A Tabela 8.10 nos dá uma visão um pouco melhor do comportamento das
estratégias como um todo. Nesta tabela apresenta-se o percentual referente ao
número de vezes que determinada restrição, associada a determinado gráfico de
controle e modelo de retorno, levou a resultados melhores do que os
encontrados com o cálculo feito inicialmente, para determinada medida (índice
de Sharpe ou RETESC). O que se pode perceber é que, para o índice de
Sharpe, de modo geral, só são encontradas melhoras na maioria das estratégias
com o uso da 2a restrição porque, em termos de RETESC, o ganho com esta
restrição é muito maior do que com as outras. A primeira restrição também
parece elevar o ISA numa parcela grande das estratégias, mas seus efeitos
aparecem de modo mais forte quando se usam os gráficos de controle EWMA.
A introdução das restrições contendo MR como medida de cautela para o
investidor não parece ter alavancado os resultados.
I�JLKNM�JLOCP Q I�JLKRM*JSOSP Q TSU@VXWZY [ \S]L^ _L` TSUaVXWZY [ \C]b^ _L` TSU@V�WZY [ \C]L^ _b`WXc I�TBdCWXc TSU@V�W TSU@VXW TSU@VXWe ] fhg iN]Lj iNk lb]
MÉDIA 863,67 3.923,15 127,55 1.188,06 1.263,60DESV PAD 358,49 3.402,79 109,88 1.046,10 1.058,01ISA 2,41 1,15 1,16 1,14 1,19MÉDIA 747,94 6.447,57 122,69 1.933,99 1.925,94DESV PAD 491,93 4.536,27 95,04 1.839,98 1.601,39ISA 1,52 1,42 1,29 1,05 1,20MÉDIA 717,73 11.860,82 129,20 2.822,77 2.740,89DESV PAD 698,59 7.562,16 85,51 2.567,32 2.051,82ISA 1,03 1,57 1,51 1,10 1,34MÉDIA 1.652,13 3.256,54 100,36 1.006,83 981,77DESV PAD 1.316,11 3.103,64 83,87 1.100,90 955,64ISA 1,26 1,05 1,20 0,91 1,03MÉDIA 852,41 3.143,37 89,92 754,48 904,59DESV PAD 658,86 3.801,41 79,62 773,40 1.027,74ISA 1,29 0,83 1,13 0,98 0,88
m W m$n Im TBI'I.W�o nqp WXrCs oCW m$n It n Vuc�TBI'd�c�s v'w n l
x'yz�{�|Sy~}�� �$�'�X{�x�{$������yq�'�'���.�'�.��qP �h�>� �b���CK*t����bQ>P ��� KVq�B�CKC� ���CK�c'KhQ ��P��S�
TC�hQ>P OhQ �L��� Om W m$n Im TBI'I.W�o nqp WXrCs oCW m$n II�T�Vuc�TBI'd�c�s v$w nm W m$n I
m TBI'I.W�o nqp WXrCs oCW m$n It n Vuc�TBI'd�c�s v'w n im W m$n Im TBI'I.W�o nqp WXrCs oCW m$n It n Vuc�TBI'd�c�s v'w n _m W m$n Im TBI'I.W�o nqp WXrCs oCW m$n It n Vuc�TBI'd�c�s v'w n f
191
192
No que diz respeito a RETESC, o uso das restrições 1 e 2 também parece
ter sido responsável por um acréscimo do resultado final, não tendo sido
verificado nenhum percentual de crescimento inferior a 49%. E chama a atenção
o fato de terem sido encontrados praticamente todos os RETESCs maiores para
as estratégias associadas ao gráfico de controle EWMA com O = 0,6. Já as
restrições baseadas em MR levaram a pouquíssimo número de estratégias com
aumento de retorno, sendo possível, inclusive, encontrar combinações de gráfico
de controle e modelo de retorno onde nenhum RETESC com o uso da restrição
foi superior ao RETESC encontrado sem restrições.
Assim, a análise dos resultados apresentados parece nos levar a concluir
que apenas as restrições 1 e 2 parecem estar gerando melhores resultados. Isto
é interessante porque, nestes dois casos, apenas o preço das ações é usado
como parâmetro adicional para as estratégias originais.
������6tQWHVH�GRV�5HVXOWDGRV�No que diz respeito ao aprimoramento das estratégias, o que se pode
extrair da Seção 8.2 são os seguintes aspectos:
� As conclusões do Capítulo 7 permanecem válidas se trabalharmos com
dados sem tratamento sazonal mas, apesar de a maioria das estratégias
não ter apresentado variação superior a 10% nas métricas RETESC, desvio-
padrão ou ISA, a combinação gráfico de Shewhart + modelo de retorno AR
+ estratégia 80 (indicada para aqueles investidores que desejam maximizar
ISA), apresentou resultados de RETESC e desvio-padrão bem superiores
para dados sem tratamento, mas ISA mais do que 150% superior para os
dados dessazonalizados;
� O tamanho da amostra colhida para estimação dos parâmetros dos modelos
de retorno é crucial para determinação dos resultados alcançados, mas não
há como definir, neste estágio do estudo, o tamanho ideal com o qual o
investidor deve trabalhar. Assim, recomenda-se buscar a maior amostra
possível para se aplicar a etapa de estimativa dos parâmetros do modelo de
retorno com o qual se deseja aplicar a estratégia escolhida, desde que se,
trabalhe com dados posteriores ao Plano Real;
� Recomenda-se o uso de mecanismos de VWRS�ORVV baseados no preço
mínimo com que se deseja vender as ações, ou seja, deve-se limitar valor
em risco e não valor de risco.
193
����&203$5$d2�'$6�(675$7e*,$6�(6&2/+,'$6�&20�2875$6�23d®(6�'(�,19(67,0(172�
�Nesta seção comparam-se as rentabilidades dos pares de limites-modelo
destacados entre os melhores (anteriormente apontadas neste trabalho) com as
rentabilidades dos ativos financeiros disponíveis para o investidor pessoa física
que gosta de aplicar em ativos de renda variável. Como não é possível
apresentar todas as opções de investimento com as mesmas características e
como se está trabalhando apenas com ações de 1a linha, resolveu-se verificar o
desempenho da ferramenta em relação aos produtos apenas dos bancos de 1a
linha. Mesmo para estes bancos existe uma infinidade de investimentos
possíveis, o que implica na necessidade de filtragem das opções com as quais
será comparado o modelo. Optou-se por limitar o universo de comparação a
fundos abertos a investidores pessoa física, que tivessem patrimônio líquido e
número de cotistas significativo e que possuíssem dados divulgados pela CVM
(Comissão de Valores Mobiliários) disponibilizados diariamente para todo o
período da amostra de controle. Como é praticamente impossível construir esta
base de dados para todo o período da amostra inicial (já que isto envolve obter
dados de diferentes bancos, nem sempre disponíveis), então se restringiu a
análise ao período de 2005 a 2006.
Como se trata de comparar desempenho de fundos com desempenho de
ações, limitou-se o universo a fundos de ações e, portanto, estará sendo
comparado o desempenho das “estratégias” aos seguintes fundos:
7$%(/$�������)81'26�&216,'(5$'26
%$1&2 120(�'2�)81'2
BRADESCO IBOVESPA ATIVOABN AMRO ETHICAL IIABN AMRO ENERGYUNIBANCO UNICLASS MULTIGESTORUNIBANCO STRATEGYUNIBANCO BLUEITAÚ INDICE ACOES IBOVESPAITAÚ ITAU CL
194
Em relação aos fundos levantados originalmente na dissertação, substitui-
se o fundo relativo ao Banco Bradesco e excluíram-se os fundos Itauações do
Banco Itaú, Santader ações do Banco Santander e Dinâmico do Banco ABN
AMRO, porque suas informações não estavam mais disponíveis para consulta
(não conseguimos apurar se este fato deve-se a um problema técnico do VLWH da
CVM ou ao fechamento do fundo, prática comum no mercado brasileiro quando
o fundo começa a apresentar, sistematicamente, resultados insatisfatórios).
Adicionalmente, foram desconsiderados os valores apurados para o fundo MIX
do banco ABN AMRO por se tratar de um fundo multimercado e não um fundo
de ações.
Aplicando-se a mesma metodologia de cálculo de retorno escalonado aos
fundos, chega-se aos seguintes resultados apresentados na Tabela 8.12.
Com relação aos pares de limites-modelo anteriormente destacados,
obtiveram-se os resultados apresentados na Tabela 8.13.
7$%(/$�������5(7(6&6�$385$'26�$�Z�����< "�@¡�¢+£���¤'�< 8��¥ ¢¦§(¨@©�ª§¬«�*¦�ª§ ®*©�¯q©�°±
IBOVESPA ATIVO 41,217ETHICAL II 47,728ENERGY 66,767UNICLASS MULTIGESTOR 60,140STRATEGY 39,227BLUE 36,859INDICE ACOES IBOVESPA 40,707ITAU CL 41,383
7$%(/$�������5(7(6&V�$SXUDGRV���0pGLD�H�$o}HV��DPRVWUD�GH�FRQWUROH�*UiILFR�GH�&RQWUROH 6KHZKDUW 6KHZKDUW (:0$��O� ���� (:0$��O� ���� (:0$��O� ����0RGHOR�GH�5HWRUQR $5 6(7$5 (:0$ (:0$ (:0$(VWUDWpJLD �� �� ��� �� ��
PETR4 69,382 82,936 2,597 26,921 17,284VALE5 44,314 48,210 27,072 20,878 25,463BBDC4 95,313 81,658 16,258 67,510 75,136USIM5 24,256 34,794 8,380 38,900 25,017ITAU4 51,351 35,133 8,176 30,989 24,915CSNA3 15,856 47,624 16,322 41,756 39,290GGBR4 36,554 33,381 7,023 -3,382 2,658VALE3 48,487 36,076 12,544 21,027 13,525BRKM5 -21,147 -17,769 -2,276 -21,268 -22,861TNLP4 -4,404 -3,945 3,550 4,961 -2,121
0e',$ ������ ������ ����� ������ ������
195
O que se percebe é que o desempenho destas estratégias selecionadas
foi, em média, inferior ao desempenho dos fundos, mesmo se forem excluídos
da análise os fundos ENERGY e UNICLASS, notadamente RXWOLHUV da amostra
de fundos. É interessante observar que algumas ações apresentaram um
comportamento sistematicamente ruim na amostra de controle. Como os
administradores de fundos trabalham com algum tipo de informação, é bastante
provável que a estratégia destes administradores tenha excluído de sua carteira
investimentos em BRKM5 e TNLP4, o que pode ter ajudado a melhorar seu
desempenho. Excluindo-se estas duas ações do rol, apenas as estratégias: 39
associada ao gráfico de Shewhart e modelo de retorno SETAR, e 80 com gráfico
de Shewhart e modelo AR, teriam apresentado (para todas as demais ações,
individualmente) resultados similares aos dos fundos. Destaca-se, ainda, que à
exceção da estratégia 105 (com gráfico EWMA com�O = 0,2 e modelo de retorno
EWMA), todas as demais estratégias consideradas, se aplicadas à ação BBDC4,
teriam gerado RETESCs superiores aos encontrados para os fundos. Devido à
falta de tempo para esta investigação, não há como identificar o motivo de as
ações do Bradesco terem gerado este resultado, nem se, durante os anos de
2005 e 2006, os fundos considerados adotaram como estratégia aplicar recursos
nesta ação, cujo desempenho parece se destacar em relação às demais ações
do grupo apurado.
Outro aspecto que deve ser lembrado é que o resultado das estratégias é
calculado de modo que nos dias em que não haja negócios os recursos
financeiros ficam parados, com rentabilidade zero. Na prática, seria mais realista
supor alguma remuneração para o capital parado. Assim, averiguou-se qual
teria sido o resultado da aplicação das estratégias caso se considerasse que os
recursos fora das ações pudessem receber uma remuneração diária equivalente
a 1% am, taxa inferior à praticada pela maioria dos fundos de renda fixa (na
próxima seção será considerado o impacto da cobrança de CPMF sobre estas
operações).
196
É claro que todos os resultados sofreram acréscimos. Com esta nova
metodologia os RETESCs médios apurados aproximam-se bastante dos
apurados para os fundos, sendo que os maiores acréscimos aconteceram para
as estratégias associadas ao uso de gráfico EWMA com O = 0,2. Este
comportamento deve-se ao fato de que, como trata-se de um gráfico mais
estável, menos sinais de compra e venda foram gerados e as estratégias foram
aplicadas a um menor número de dias úteis em comparação com as estratégias
associadas ao gráfico de Shewhart.
Outro aspecto bastante importante é avaliar a rentabilidade efetiva que
cada estratégia teria gerado. Apesar de o investidor estar sujeito às variações
diárias conforme apurado pelo cálculo de desvio-padrão, na prática, como se
trata de um estudo empírico, o que realmente conta é a rentabilidade final que
cada estratégia ou ativo financeiro poderia ter gerado. A Tabela 8.15 apresenta
o comportamento das estratégias selecionadas, dos fundos e das ações
propriamente ditas no tocante a esta medida (destaca-se que aqui são
apresentadas as rentabilidades brutas; a seguir serão apresentadas as
rentabilidades líquidas).
7$%(/$�������5(7(6&V�$SXUDGRV�FRP�DSURSULDomR�GH�5HQGD�)L[D��0pGLD�H�$o}HV��DPRVWUD�GH�FRQWUROH�²E³>´Bµ<¶ ·.¸º¹�»
¼q¸�½'¾/³"¸�¿ » À�Á »C Á$à ³�¾ ÀqÁ »C Á$à ³�¾ Ä�ÅÇÆ�ÈÊÉ�Ë@Ì�Í�Î Ï.ÐÑÄ�ÅÇÆ�ÈÒÉ�Ë@Ì�Í�Î Ï.ÐÑÄ�ÅÇÆ�ÈÒÉ�Ë@Ì�Í�Î Ï.ÐÆ ¸�¹�»$¿ ¸º¹�»Ó »B¾8¸�³/½�¸ È Ó À Ä�Ô�È Ó Ä�ÅÇÆ�È Ä�ÅÇÆ�È Ä�ÅÇÆ�ÈÄ�Õ ¾/³ à ¾>Ö�×�¶ Ã Ø Í Ù.Ú ÛCÍ.Ü ÛSÝ Þ$Í
PETR4 69,382 83,129 12,721 35,729 24,974VALE5 44,314 48,349 40,984 27,817 33,091BBDC4 95,781 81,963 27,972 79,222 86,295USIM5 24,314 34,827 16,845 46,341 30,978ITAU4 51,448 35,295 19,509 39,173 31,892CSNA3 16,952 47,624 26,639 48,704 46,110GGBR4 36,856 33,525 15,914 0,801 7,552VALE3 48,713 36,235 23,039 28,382 20,218BRKM5 -21,137 -17,721 5,394 -18,602 -20,341TNLP4 -4,092 -3,760 17,783 10,701 2,781Æ(ßXà�á È Ù�â�Î Ï.Ü�Ù Ù�Ý�Î ÚCÞ$Ý Ï�Í�Î â Ø Í Ï.Ú'Î Ø Ï.Ý Ï.â'Î Ù.Ü.Ü
197
De modo geral a rentabilidade bruta apurada para a amostra de controle
mostrou-se inferior ou parecida à que teria sido conseguida com a aplicação dos
recursos em fundos ou na própria ação, desde que a mesma fosse comprada no
início do período de análise e vendida no último dia útil. As exceções ficaram
por conta das ações com variação negativa no período, BRKM5 e TNLP4, cujos
prejuízos, com o uso das estratégias, foram inferiores aos que teriam ocorrido
com a aplicação dos recursos por todo o período (chegando a ficar positivos com
duas estratégias).
Em termos médios, o desempenho das estratégias associadas ao gráfico
de Shewhart é ligeiramente superior ao das ações para o período completo e, se
for considerada a apropriação de renda fixa aos períodos sem negócios, também
são percebidos desempenhos similares aos obtidos com os fundos de
investimento. No entanto, sobre as rentabilidades brutas não foram
considerados: imposto de renda sobre o ganho de capital, taxa de administração
e CPMF. Vale a pena verificar como este cenário se altera com a consideração
destes encargos. Nos cálculos da Tabela 8.16 foram considerados os seguintes
valores:
ãSä�å�æ$çRäaèSé êRëCìBí'îCïhð ñCòCó ô ó õSñSõSî�å�ö�÷hð ñä�øC÷Cö ñLõSñ*ù ñSú*ûLühð�ö ñ*õSî*ýbû.ïbð�ö û�ô îLþÿ������������ ��� ���� � ���������� �������� � ��� �� �! �#" $%����� � ��� �� �! �#& '(����� � ��� � )! �+*,$ -.����� � ��� � )! �+*,/0����� � ��� � )! �21�$
3 � 4�5 ! 6��+���27��)� � � ��� � 8 9;: ��< : �� � 9;: ��< : �� � ��=?>@�BA CED�$�F G HI��=?>@�BA CED�$�F G�HI��=?>@�BA CED�$�F G�H>J������ �+���EKL��� ��� �� 8 �@K 9 �����MK ��=?>@� ��=?>@� ��=?>@�
9 �)>N�M�)KLO2�)K�P �@K?K��)Q�R�� ÿ�P S)�PETR4 111,74% 117,36% 141,38% 5,07% 51,44% 32,70%VALE5 73,06% 81,76% 88,93% 56,43% 42,21% 49,47%BBDC4 174,54% 182,23% 154,42% 33,05% 133,36% 144,46%USIM5 62,83% 61,62% 88,37% 25,09% 107,60% 69,45%ITAU4 92,99% 93,35% 64,65% 15,80% 60,10% 46,02%CSNA3 69,03% 35,87% 108,04% 42,87% 96,90% 90,32%GGBR4 85,78% 78,43% 71,80% 17,39% -7,35% 5,81%VALE3 74,17% 94,14% 69,76% 29,21% 43,85% 27,47%BRKM5 -51,58% -47,28% -40,09% -5,13% -45,01% -48,69%TNLP4 -14,62% -7,14% -6,34% 4,94% 7,86% -3,30%>2TLR;P � U /�F / ' V U '�F $�& V / 1F $�' V G�G�F 1/ V 1'�F *�$ V 1�*�F & /�V7;O2>N�@�)KLO2�)K�P ��WLXYOZR��[K��)Q�R��Eÿ�P S)�PETR4 n/a 117,36% 141,70% 24,83% 68,27% 47,25%VALE5 n/a 81,76% 89,18% 85,43% 56,24% 64,29%BBDC4 n/a 183,13% 155,00% 56,86% 156,49% 165,91%USIM5 n/a 61,76% 88,46% 50,45% 128,18% 86,00%ITAU4 n/a 93,53% 64,95% 37,70% 75,97% 58,91%CSNA3 n/a 38,35% 108,04% 69,97% 113,02% 106,00%GGBR4 n/a 79,08% 72,11% 39,40% 1,74% 16,51%VALE3 n/a 94,58% 70,07% 53,64% 59,19% 41,06%BRKM5 n/a -47,25% -39,98% 12,15% -39,37% -43,32%TNLP4 n/a -6,64% -6,04% 24,73% 16,96% 4,33%>2TLR;P � � � � U '�F -�/ V / 1F &�- V 1-�F -�G V U�&�F U�/ V - 1F U '�VIBOVESPA ATIVO 56,08% n/a n/a n/a n/a n/aETHICAL II 64,46% n/a n/a n/a n/a n/aENERGY 98,43% n/a n/a n/a n/a n/aUNICLASS MULTIGESTOR 65,97% n/a n/a n/a n/a n/aSTRATEGY 57,75% n/a n/a n/a n/a n/aBLUE 51,97% n/a n/a n/a n/a n/aINDICE ACOES IBOVESPA 56,74% n/a n/a n/a n/a n/aITAU CL 56,92% n/a n/a n/a n/a n/a
198
a) Investimentos em bolsa sem apropriação de renda fixa:
� Emolumentos de 0,027% sobre o resultado total;
� 0,008% de taxa de liquidação para cada operação realizada;
� Imposto de Renda de 15% sobre ganho de capital;
� 0,38% de CPMF no final do período;
� 0,5% de corretagem (para operações de valores acima de
R$ 3.029,38).
b) Investimentos em bolsa com apropriação de renda fixa:
� Emolumentos de 0,027% sobre o resultado total;
� 0,008% de taxa de liquidação para cada operação realizada;
� Imposto de Renda de 15% sobre ganho de capital para as
operações de bolsa;
� Imposto de Renda de 22,5% sobre ganho de capital para as
operações com apropriação de renda fixa;
� 0,38% de CPMF no final de cada transação;
� 0,5% de corretagem (para operações de valores acima de
R$ 3.029,38).
c) Investimentos em Fundos de ações:
� Imposto de Renda de 15% sobre ganho de capital;
� 0,38% de CPMF no final do período;
� Taxa de administração pertinente a cada fundo;
� Taxa de performance pertinente a cada fundo.
Vale a pena destacar que os custos de corretagem e emolumentos podem
estar afetando o ganho das estratégias aparentemente preferíveis, já que podem
mudar significativamente o resultado final encontrado. Assim, há que se
considerar as análises dos resultados bruto e líquido conjuntamente e, na
hipótese de optar por usar a estratégia aqui proposta, recalcular os resultados
históricos considerando-se possíveis mudanças na legislação em vigor para
investimentos em Bolsa.
199
Excluindo-se o fundo “Energy”, notadamente um RXWOLHU, se forem
consideradas as estratégias associadas a fundos de renda fixa nos dias sem
operação, encontra-se rentabilidades médias superiores a quase todos os
fundos considerados (a todos, exceto “Ethical II”, fundo com a menor taxa de
administração considerada: 0,6% aa). Se compararmos a estes mesmos fundos
todas as rentabilidades positivas associadas ao gráfico de Shewhart (todas as
ações consideradas exceto BRKM5 e TNLP4), encontra-se melhor desempenho
das estratégias em 14 das 16 possíveis observações.
No entanto, apesar deste resultado, não se pode esquecer que os
parâmetros dos modelos de retorno, em nenhum momento, foram recalculados
para a aplicação das estratégias na amostra de controle; e como foi apontado
anteriormente, para um período de 2 anos é indicado que se recalcule as
estimativas para geração dos resíduos a serem plotados nos gráficos de
controle. Este detalhe pode estar comprometendo significativamente os
resultados encontrados.
�
ãSä�å�æ$çRäaèSé ê�\.ìCí'îCïhð ñCòCó ô ó õSñSõSî�ç�] ^.÷Có õSñqä�øC÷Cö ñSõSñ*ù ñCú�ûLühð>ö ñ*õSî�ýbû.ïhð>ö û.ô îSþÿ������������ ��� ���� � ���������� �������� � ��� �� �! �#" $%����� � ��� �� �! �#& '(����� � ��� � )! �+*,$ -.����� � ��� � )! �+*,/0����� � ��� � )! �21�$
3 � 4�5 ! 6��+���27��)� � � ��� � 8 9;: ��< : �� � 9;: ��< : �� � ��=?>@�BA CED�$�F G HI��=?>@�BA CED�$�F G�HI��=?>@�BA CED�$�F G�H>J������ �+���EKL��� ��� �� 8 �@K 9 �����MK ��=?>@� ��=?>@� ��=?>@�
9 �)>N�M�)KLO2�)K�P �@K?K��)Q�R�� ÿ�P S)�PETR4 93,96% 98,68% 97,33% 3,67% 31,76% 23,01%VALE5 61,43% 68,75% 58,51% 40,00% 28,20% 35,56%BBDC4 146,76% 151,38% 103,17% 23,09% 84,36% 103,12%USIM5 52,83% 51,18% 62,19% 18,68% 69,71% 50,99%ITAU4 78,19% 78,02% 44,51% 11,20% 38,02% 33,32%CSNA3 58,04% 29,98% 71,64% 30,17% 56,37% 59,89%GGBR4 72,13% 65,95% 51,62% 11,97% -4,69% 4,15%VALE3 62,36% 78,68% 48,38% 21,00% 29,08% 19,75%BRKM5 -43,37% -39,75% -27,19% -3,69% -30,30% -34,02%TNLP4 -12,30% -5,93% -4,33% 3,57% 5,09% -2,41%>2TLR;P � - /�F $ $ V - /�F U�' V -�$�F -�" V *�-�F '�/ V &�$�F /�U V G�'�F &�1V7;O2>N�@�)KLO2�)K�P ��WLXYOZR��[K��)Q�R��Eÿ�P S)�PETR4 n/a 98,68% 97,76% 35,25% 54,45% 44,62%VALE5 n/a 68,75% 58,85% 83,73% 48,14% 57,51%BBDC4 n/a 152,75% 103,92% 59,19% 114,36% 133,37%USIM5 n/a 51,41% 62,31% 59,26% 97,17% 75,55%ITAU4 n/a 78,29% 44,92% 45,39% 59,49% 52,46%CSNA3 n/a 33,93% 71,64% 71,28% 76,32% 81,20%GGBR4 n/a 66,96% 52,05% 45,69% 8,84% 20,59%VALE3 n/a 79,36% 48,81% 58,98% 50,81% 40,27%BRKM5 n/a -39,71% -27,01% 24,17% -20,63% -24,58%TNLP4 n/a -5,11% -3,89% 35,22% 18,27% 9,50%>2TLR;P � � � � - "�F -�& V -�$�F '�& V -�*�F "�G V -�$�F /�G V 1'�F $ -�VIBOVESPA ATIVO 42,97% n/a n/a n/a n/a n/aETHICAL II 53,78% n/a n/a n/a n/a n/aENERGY 79,35% n/a n/a n/a n/a n/aUNICLASS MULTIGESTOR 48,57% n/a n/a n/a n/a n/aSTRATEGY 45,40% n/a n/a n/a n/a n/aBLUE 38,78% n/a n/a n/a n/a n/aINDICE ACOES IBOVESPA 44,61% n/a n/a n/a n/a n/aITAU CL 43,61% n/a n/a n/a n/a n/a
200
����*5$8�'(�&$68$/,'$'(�'26�5(68/7$'26�(1&2175$'26��Uma hipótese levantada depois de feita a dissertação de mestrado sobre
este mesmo assunto e durante o processo de elaboração desta tese foi a
possibilidade de que se tenha chegado a resultados meramente casuais. Já que
estamos trabalhando com 105 estratégias escolhidas de forma equivalente, seria
possível encontrar algumas com desempenhos melhores devido, apenas, a
flutuações aleatórias. Resta saber se aquelas estratégias apontadas como as
melhores têm, realmente, melhor resultado, ou se há indícios de que este
resultado pode ser classificado como casual.
Um modo simples de verificar se os RETESCs apurados são
aleatoriamente distribuídos é montar um Q-Q plot dos RETESCs apurados para
cada par de gráfico e modelo de retorno. A seguir, é apresentada esta figura
para os dados obtidos a partir do gráfico de controle de Shewhart e modelo de
retorno AR:
As demais combinações geraram as figuras que estão apresentadas no
Anexo E deste trabalho.
Um histograma pode fornecer mais algumas impressões:
201
De modo geral o que se pode perceber com ambos os gráficos é que não
parece haver distribuição normal dos dados calculados. Isto significa que,
provavelmente, não se está lidando com uma amostra de resultados
aleatoriamente distribuída e que é grande a chance de se estar lidando com
resultados que não são casuais. Isto implica em um forte indicativo de que
existe diferença significativa entre as estratégias e, portanto, não é nenhum
absurdo procurar um padrão de comportamento que possa levar a retornos
maiores para o investidor. Além disto, não há incidência de valores negativos,
devido ao tamanho da amostra compreender mais de uma década de dados
(mesmo que não se utilize técnicas de finanças para se investir em ações, é
muito improvável obter resultados acumulados negativos num período de tempo
tão longo).
Vejamos, também, estas mesmas figuras montadas a partir das estratégias
que compõem o conjunto não dominado.
202
Novamente não encontramos indícios de comportamento gaussiano dos
RETESCs que forma o conjunto não dominado para o modelo de retorno AR e
gráfico de controle de Shewhart.
203
����(678'26�&203/(0(17$5(6��
������(VWXGR�GH�5(7(6&�O intuito desta seção é melhorar a análise exploratória da ferramenta de
modo apresentar mais fatos observados durante a aplicação das estratégias.
Isto é de extrema importância para a conclusão final do trabalho e para a
indicação de possíveis aspectos que poderão ser futuramente estudados.
Para tanto resolvemos plotar os dados apurados, por ação, para RETESC
com o programa Arc, desenvolvido para o estudo de regressões. A aplicação
deste programa aos dados nos levou a uma percepção interessante dos
resultados encontrados. Pode-se começar este trabalho com uma simples
plotagem dos RETESCs obtidos em função das estratégias. Para fazê-lo era
necessário limitar a quantidade de dados da base, senão poder-se-ia não
perceber nada extraordinário em função de uma poluição visual. Optou-se por
começar a trabalhar com o gráfico gerado a partir da aplicação do modelo de
retorno AR combinado com o gráfico de Shewhart. Chegou-se à forma
apresentada na figura 8.33.
)LJXUD�������5(7(6&V�$5&�0RGHOR�$5�H�*UiILFR�GH�&RQWUROH�6KHZKDUW�
204
Fica evidente que, apesar de se tratar de uma ferramenta bastante
simples, é possível perceber um padrão cíclico do resultado obtido com as
estratégias. Adicionalmente, até a estratégia 83 ou 84 ou este ciclo parece ter
comprimento cada vez maior. Um olhar mais atento pode nos dar uma idéia de
como este padrão se formou.
Primeiro investigou-se o motivo do comprimento cada vez maior do ciclo e
encontrou-se a resposta no modo como as estratégias foram desenhadas. A
Tabela 7.1 (apresentada anteriormente no capítulo 7, página 137) nos fornece
subsídios para entender este comportamento. Pode-se perceber que os pares
de limites foram desenhados fixando-se o limite superior e variando-se o limite
inferior. Os ciclos acabam junto com a troca do limite superior. Como a variação
é sempre de 0,5s (até o máximo de 3s) no limite superior, dada uma troca em LS
tende-se a encontrar valores próximos aos apurados com os mesmos LI
anteriores. Assim, a forma do ciclo se mantém porque há pouca variação de
resultados possíveis de um ciclo para outro, já que a mudança em LS é
relativamente pequena entre ciclos adjacentes. E o ciclo tende a ficar mais
comprido na medida em que o incremento de 0,5s em LS permite que se
acrescente mais um par de limites (LI,LS) que pode ser testado sem que seja
violada a condição de que LS t LI.
Mas um aspecto bastante interessante que foi notado diz respeito aos
resultados encontrados a partir da estratégia 85. É notório que, deste ponto em
diante, os RETESCs deixam de ter expressividade. E é também desta estratégia
em diante que passamos a trabalhar com limites de venda (LS) negativos. Isto
nos faz pensar que talvez seja improdutivo trabalhar com limites de venda
pequenos.
Esta impressão pode ser corroborada com a análise da Tabela 8.17.
Através dela pode-se constatar que os máximos relativos a cada LS são
significativamente maiores quando trabalhamos com LS t 0.
205
206
Por inspeção da Tabela 8.17 também se pode perceber que o máximo foi
alcançado com a ação GGBR4 com LI = LS = 2s. De modo geral os melhores
resultados foram encontrados com esta ação e com VALE5 e ITAU4. Outro
aspecto interessante diz respeito à diferença (chamada de ') entre os limites de
compra e venda encontrados para os valores de RETESC máximos. A Tabela
8.18 pode nos ajudar a examinar esta questão.
Fica claro, pela tabela, que há uma diferença muito grande entre os
RETESCs apurados para LS positivos e negativos, como já havia sido detectado
anteriormente pelo gráfico. Mas fica claro que, na grande maioria das vezes, a
observação de RETESC máximo foi encontrada para LI e LS muito próximos.
Em 60% das vezes, RETESC máximo foi encontrado quando LI = LS (fixado
LS). No entanto, esta última observação pode estar superestimada em razão de
ter-se encontrado esta situação predominantemente para LS < 0. Fixando-se
apenas os LS positivos, o RETESC máximo com LI = LS é encontrado em 45%
dos casos. Um número elevado, mas concentrado nos LS de menor valor,
quando as combinações com LI são predominantemente feitas com limites de
compra negativos. Focando a análise ao máximo absoluto de cada ação, foi
encontrada a seguinte situação:
Mesmo para os máximos por ação, LI e LS mais próximos parecem estar
gerando melhores resultados, merecendo destaque o valor encontrado para
GGBR4 onde LI foi equivalente a LS.
Vale a pena investigar a mesma figura 8.34 com os dados ordenados pela
diferença entre LI e LS.
7$%(/$�������5(7(6&V�0È;,026�325�$d2�02'(/2�$5�(�*5È),&2�'(�6+(:+$57�
$d2 5(7(6&�0È;,02 /, /6 '
PETR4 2.238,4 0,5s 1s 0,5sVALE5 9.910,4 1s 1,5s 0,5sBBDC4 3.632,8 zero 1s 1sUSIM5 1.760,8 2,5s 3s 0,5sITAU4 7.737,8 0,5s 1s 0,5sCSNA3 5.065,4 -0,5s 2,5s 3sGGBR4 12.712,0 2s 2s -VALE3 5.287,3 -1,5s 2,5s 4sBRKM5 2.443,3 1s 1,5s 0,5sTNLP4 254,6 zero 2s 2s
207
Fica claro que, quanto maior a diferença entre os limites, menor tende a
ser o RETESC apurado, confirmando o que tinha sido apontado anteriormente.
Vejamos o comportamento desta variável separada de acordo com LS (se
negativo ou não negativo):
Fica evidente que apenas no grupo formado pelos limites superiores não
negativos existe apuração de RETESCs elevados, o que também ratifica a
impressão anteriormente apontada. Não foi encontrada nenhuma observação
com RETESC superior a 560 no grupo formado pelas estratégias com LS
negativo. No caso do conjunto de LS não negativo, os valores máximo e
mediano de RETESC decrescem na medida em que consideramos ' mais
208
elevados. A tabela 8.19 mostra a concentração percentual dos valores
apurados:
Para os demais modelos de retorno e gráfico de controle utilizados os
resultados foram bastante similares. O comportamento cíclico, o comprimento
209
dos ciclos e a diferença entre LI e LS confirmam este padrão apurado. Os
gráficos referentes a estas combinações são apresentadas no Anexo E.
Finalmente, o que se pode concluir deste estudo é que os melhores
resultados aparecem com limites de venda positivos, que há um padrão de
formação de RETESC em função da diferença entre LI e LS e que os máximos
ocorrem, na maioria das vezes, para limites de compra e venda próximos ou
similares. Vale a pena destacar que o comportamento aqui encontrado não se
refere a ciclos no tempo, tendo sido produzidos devido à ordem escolhida para
se testar as estratégias.
������(VWXGR�GH�'� �/,���/6�Depois de feita a análise considerando-se frações de 0,5V dos gráficos de
controle como limites para tomada de decisões de compra e venda de ações
levantou-se a hipótese de o par ótimo de limites de compra e venda não ter sido
testado, ou seja, estar entre os limites 0,5V. Assim, no sentido de aumentar a
precisão da discretização proposta para os limites de compra e venda,
resolvemos testar, naquelas estratégias destacadas como as melhores, como o
resultado da estratégia poderia ter sido alterado se trabalhássemos com 's =
0,1, ou seja, frações de 0,1V dos limites de controle usuais.
Para que fosse feita uma comparação efetiva, fixamos um dos limites
originais da estratégia e variamos o outro. Para limitar a investigação a um
conjunto razoável de combinações, optou-se por variar o limite não fixo de modo
a aproximá-lo do fixo2, já que se tinha a informação de que 's menores estavam
associados a RETESCs maiores. Os pares de limites contento variações em
relação aos pares originais foram chamados de A, B, C, D, E, F, G e H (exceto
no caso do teste com a estratégia 105 onde não fazia sentido alterar LI para
valores inferiores a –3s).
A Tabela 8.20 apresenta um resumo dos resultados apurados para as 5
estratégias destacadas.
2 Por exemplo, no caso da estratégia 80, onde LI = -1s e LS = 3s, quando fixamos LS em 3s, LI variou apenas no sentido de se aproximar de LS para que fosse verificado o comportamento da estratégia associada a 's menores.
210
Alguns aspectos interessantes podem ser destacados depois da
observação da Tabela. O primeiro deles diz respeito aos dados referentes à
estratégia 80. Esta foi destacada como a mais eficiente para atender a
investidores que desejam maximizar ISA. E continua sendo a de maior ISA se
incluirmos as demais combinações de LI e LS.
A estratégia 39 foi selecionada para atender a investidores cujo objetivo é
maximizar RETESC. De fato, mesmo se os limites sofrem alteração, ainda
assim o RETESC máximo é obtido com o uso dos limites iniciais. De modo
similar é o comportamento das estratégias 105, 17 e 40.
Shewhart AR 80 ISA máximo 863,67 358,49 2,41 -1s 3s80 a 980,28 447,14 2,19 -0,9s 3s80 b 1.045,34 444,58 2,35 -0,8s 3s80 c 1.051,09 450,40 2,33 -0,7s 3s80 d 1.085,99 470,55 2,31 -0,6s 3s80 e 1.882,05 1.607,64 1,17 -1s 2,6s80 f 1.890,53 1.614,22 1,17 -1s 2,7s80 g 1.416,33 1.299,00 1,09 -1s 2,8s80 h 1.248,81 1.207,63 1,03 -1s 2,9s
Shewhart SETAR 39 RETESC máximo 3.923,15 3.402,79 1,15 1,5s 1,5s39 a 3.817,55 3.162,47 1,21 1,4s 1,5s39 b 3.590,94 2.976,25 1,21 1,3s 1,5s39 c 3.596,30 2.932,54 1,23 1,2s 1,5s39 d 3.569,30 2.830,06 1,26 1,1s 1,5s39 e 3.659,55 2.895,38 1,26 1,5s 1,6s39 f 3.679,97 2.499,04 1,47 1,5s 1,7s39 g 3.636,72 2.704,59 1,34 1,5s 1,8s39 h 3.572,89 2.849,89 1,25 1,5s 1,9s
EWMA ( _ =0,2) EWMA 105 RETESC mínimo 127,55 109,88 1,16 -3s -3s105 a 129,96 117,54 1,11 -3s -2,6s105 b 133,48 122,21 1,09 -3s -2,7s105 c 132,78 122,02 1,09 -3s -2,8s105 d 128,67 116,61 1,10 -3s -2,9s
EWMA ( _ =0,2) EWMA 17 RETESC mediano 1.188,06 1.046,10 1,14 média 0,5s17 a 1.252,87 1.165,79 1,07 0,1s 0,5s17 b 1.276,81 1.239,47 1,03 0,2s 0,5s17 c 1.333,14 1.284,85 1,04 0,3s 0,5s17 d 1.432,66 1.277,71 1,12 0,4s 0,5s17 e 1.168,71 934,23 1,25 média 0,4s17 f 1.002,58 813,34 1,23 média 0,3s17 g 982,52 811,86 1,21 média 0,2s17 h 941,39 746,10 1,26 média 0,1s
EWMA ( _ =0,2) EWMA 40 RETESC mediano 1.263,60 1.058,01 1,19 -0,5s 1,5s40 a 1.383,53 1.188,00 1,16 -0,4s 1,5s40 b 1.434,04 1.160,84 1,24 -0,3s 1,5s40 c 1.519,01 1.227,13 1,24 -0,2s 1,5s40 d 1.608,56 1.284,53 1,25 -0,1s 1,5s40 e 1.114,13 991,67 1,12 -0,5s 1,4s40 f 1.098,31 988,77 1,11 -0,5s 1,3s40 g 1.051,80 969,07 1,09 -0,5s 1,2s40 h 1.049,79 996,83 1,05 -0,5s 1,1s
`Ya `;bc?dfe)gih jLkl�k@mLnodpkJq r
s kMt�rYq ku r)npk@dim;k vMw nidfxLn y;zJh x
lExYdfx�j�nfrYdp{ w nih j)xh mYh j�h xMq
|Y}�~ v `�}���� �L�@��u r wY� q nfx;tMk }+� � dfx;tYk � xYdfx vMw nidfx)nfy;zJh x w j;kM� � w ��rMm;k@dfr ws?�2��a } ��� s?�2��a }2�
���
211
Isto é de extrema relevância porque sugere que não há necessidade de se
trabalhar com frações menores dos limites de controle. O intervalo de variação
de 0,5V é suficiente para gerar as melhores opções de estratégias para decisão
de compra e venda de ações, independente do tipo de investidor que esteja
interessado em usar esta ferramenta.
��&RQFOXV}HV�H�5HFRPHQGDo}HV�
Com o estudo apresentado foi possível atender ao objetivo inicialmente
proposto na introdução deste trabalho: propor o uso de uma nova ferramenta
para a tomada de decisões quanto à hora de comprar ou vender títulos
negociados em bolsa de valores. A ferramenta proposta consiste em aplicar um
modelo de série temporal aos logaritmos dos retornos diários e construir um
gráfico de controle utilizando os resíduos (ou erros de previsão) desse modelo,
decidindo comprar quando o erro de previsão for inferior a um limite inferior (LI) e
vender quando o erro de previsão ultrapassar um limite superior (LS). Limites
superior e inferior são estabelecidos em um certo número de desvios-padrão em
relação ao valor médio desse erro de previsão. Nesta análise foram testados
sete modelos para os retornos, três diferentes gráficos de controle e 105 pares
(LI ; LS), chamados de “estratégias”. A indicação de algumas estratégias
adequadas a diferentes tipos de investidor foi um resultado concreto que
atendeu ao objetivo anteriormente proposto. No Capítulo 7 destacamos cinco
combinações com este propósito:
Î gráfico de Shewhart + modelo de retorno AR + estratégia 80 (LI = -1s e LS
= 3s) para investidores que desejam maximizar o índice de Sharpe;
Î gráfico de Shewhart + modelo de retorno SETAR + estratégia 39 (LI = 1,5s
e LS = 1,5s) para investidores que aceitam maiores retornos e riscos;
Î gráfico EWMA com O = 0,2 + modelo de retorno EWMA + estratégia 105 (LI
= -3s e LS = -3s) para investidores que perseguem retorno e risco
menores;
Î gráfico EWMA com O = 0,2 + modelo de retorno EWMA + estratégia 17 (LI
= média e LS = 0,5s) ou 40 (LI = -0,5s e LS = 1,5s) para investidores que
desejam trabalhar com níveis de retorno e risco medianos.
Além disto, com os estudos feitos a respeito da base de dados e da
construção dos gráficos de controle pode-se perceber que existe sazonalidade
relativa aos dias da semana, que é relevante para estimação dos parâmetros
dos modelos de retorno e que as estratégias apresentam resultados
significativamente diferentes em função do gráfico de controle escolhido.
213
Adicionalmente, na seção de aprimoramentos da metodologia foi possível
fazer uma série de estudos adicionais. Isto permitiu chegar a uma série de
resultados bastante interessantes:
Î o uso da ferramenta proposta em carteiras beneficia os investidores que
desejam maximizar ISA ou RETESC, mas não é possível chegar a
resultados conclusivos sobre a escolha de investidores que preferem correr
menos riscos;
Î o maior ganho para se trabalhar com dados dessazonalizados ocorre para
investidores que preferem correr mais riscos (para os investidores com
preferência por retorno e risco menores, a diferença encontrada entre as
duas opções não foi relevante e, para investidores que perseguem os
retornos e riscos moderados os resultados não foram conclusivos);
Î mudanças no tamanho da amostra inicial escolhida geram impactos
relevantes nas estimativas dos parâmetros dos modelos de retorno; isto
pode ser a causa do comportamento heterogêneo de certas estratégias
quando se compara seu desempenho na amostra inicial com o seu
desempenho na amostra de controle;
Î os mecanismos de VWRS�ORVV associados às estratégias propostas são
aqueles em que se fixa um preço abaixo do qual não se deve manter a
ação em carteira;
Î Na amostra de controle, comparativamente a alguns fundos de ações dos
maiores bancos privados brasileiros, as rentabilidades líquidas apontam
um desempenho, em média, a favor das estratégias 80 e 39, ambas
associadas ao gráfico de controle de Shewhart e modelos de retorno AR e
SETAR, respectivamente. No entanto, não foi verificado ganho
significativamente superior ao que teria sido alcançado com uma estratégia
de compra de longo prazo das ações. Mas este resultado pode estar
comprometido em função da inexistência de recálculo das estimativas dos
parâmetros dos modelos de retorno utilizados para gerar os resíduos
plotados nos gráficos de controle.
Î os resultados encontrados não sugerem um comportamento aleatório das
estratégias;
Î escolher limites de venda positivos e pouco distantes dos limites de compra
gera, em média, resultados melhores;
Î o uso de limites com distâncias menores do que 0,1s não parece trazer
ganhos para qualquer dos diferentes tipos de investidores considerados.
214
No entanto, mais uma vez, por se tratar de um estudo empírico, ainda não
foi possível generalizar os resultados encontrados. Tampouco foi possível
esgotar este tema, que ainda pode avançar nos seguintes aspectos:
Î extensão da metodologia para outros ativos financeiros;
Î extensão da metodologia para outros mercados;
Î avaliação dos resultados para estratégias LQWUD�GD\;
Î incorporação de gráficos de controle que considerem a volatilidade
modelada por equações do tipo GARCH;
Î detalhamento maior do tamanho de amostra ideal para estimação dos
modelos de retorno;
Î impacto nos resultados se houver recálculo dos parâmetros dos modelos
de retorno na amostra de controle;
Î incluir na metodologia a aplicação da estratégia levando em consideração
não apenas um único ponto para a decisão de compra e venda, mas
também pontos adjacentes;
Î ampliar o estudo de sazonalidade incluindo possíveis efeitos de
sazonalidade semanal (considerando-se a ocorrência de 52 ciclos/ano) ou
mensal e mensurar a possível influência de feriados no exterior sobre dias
úteis no Brasil;
Î acrescentar à ferramenta proposta indicadores usuais de análise gráfica e
técnica, agregando procedimentos já usuais aos analistas financeiros;
Î estender a metodologia incluindo procedimentos de redes neurais;
Î incluir um estudo detalhado sobre o risco quando se usa a ferramenta
proposta em ambientes de carteira.
Por fim, durante o processo de pesquisa bibliográfica, novamente, não foi
encontrado nenhum outro trabalho cujo propósito seja identificar momentos de
compra e venda de ações, apesar de serem muitos os modelos sugeridos para
estimar preço e volatilidade. A originalidade do tema proposto consistiu, então,
em conjugar ferramentas de áreas de estudo distintas e, adicionalmente,
comprovar que o foco tradicional do investidor em mercado de capitais (previsão
de preços e volatilidades) talvez deva mudar para a identificação de
oportunidades, uma verdadeira quebra de paradigma. Mas a limitação de tempo
ainda não permitiu que se chegasse a resultados definitivos. Estes deverão ser
perseguidos em trabalhos futuros.
5HIHUrQFLDV�%LEOLRJUiILFDV�
AMARAL, R.; $� 7HRULD� GDV� &DUWDV� GH� &RQWUROH� $SOLFDGD� D� 7RPDGDV� GH�'HFLVmR� QR� 0HUFDGR� GH� $o}HV� %UDVLOHLUR. Monografia de Final de Curso, ENCE, Rio de Janeiro, 2000.
AMARAL, R.; ,GHQWLILFDomR� GH�0RPHQWRV� GH� &RPSUD� H� 9HQGD�� j� 9LVWD�� GH�$o}HV��8P�3URFHGLPHQWR�$OWHUQDWLYR�,QVSLUDGR�HP�*UiILFRV�GH�&RQWUROH�GH�3URFHVVRV. Dissertação de Mestrado, PUC-RJ, Rio de Janeiro, 2004.
ANDIMA; %UDVLO� SDUD� ,QYHVWLGRUHV� (VWUDQJHLURV. Rio de Janeiro, 1999. 3ª edição.
ANDIMA; 5HODWyULR� HFRQ{PLFR� ±� 6LVWHPD� )LQDQFHLUR� QR� 0HUFRVXO�� 8PD�$QiOLVH�&RPSDUDWLYD. Rio de Janeiro, 1999.
ARAÚJO, E., BARBACHAN, J. F.& TAVANI, L.; &$30�8VDQGR�XPD�&DUWHLUD�6LQWpWLFD�GR�3,%�%UDVLOHLUR. Financelab Working Paper – FLWP – 05, IBMEC, São Paulo, 2004.
BANZ, R.; 7KH� 5HODWLRQVKLS� %HWZHHQ� 5HWXUQ� DQG� WKH� 0DUNHW� 9DOXH� RI�&RPPRQ�6WRFNV� Journal of Financial Economics, março, 1981.
BAPTISTA, N.; ,QWURGXomR�DR�(VWXGR�GH�&RQWUROH�(VWDWtVWLFR�GH�3URFHVVR���&(3. Rio de Janeiro: Editora Qualitymark , 1996.
BASU, S.; 7KH� 5HODWLRQVKLS� %HWZHHQ� (DUQLQJV� <LHOG�� 0DUNHW� 9DOXH� DQG�5HWXUQ� IRU� 1<6(� &RPPRQ� 6WRFNV�� )XUWKHU� (YLGHQFH� Journal of Finance Economics, junho, 1983.
BESSADA, O.; 2� 0HUFDGR� )XWXUR� H� GH� 2So}HV�� RV� IXQGDPHQWRV� WHyULFR�RSHUDFLRQDLV� SDUD� D� PRQWDJHP� GH� HVWUDWpJLDV� GH� LQYHVWLPHQWRV� QRV�PHUFDGRV�GHULYDWLYRV. Rio de Janeiro: Editora Record, 1995. 2ª edição.
BESTERFIELD, D.; 4XDOLW\� &RQWURO. Upper Saddle River: Prentice Hall,Inc , 2001. 6ª edição.
BONOMO, M. (Org); )LQDQoDV� $SOLFDGDV� DR� %UDVLO. Rio de Janeiro: Editora FGV, 2002.
BOVESPA; &RPSUDU� H� YHQGHU� Do}HV� ±� 0HUFDGR� j� 9LVWD. São Paulo, Agosto/98.
BOVESPA; 0HUFDGR�GH�FDSLWDLV�±�,QWURGXomR. São Paulo, Junho/99.
BOVESPA; 5HODWyULR�$QXDO. São Paulo, 1998.
BOX, G. & LUCEÑO, A.; 6WDWLVWLFDO� &RQWURO� E\� 0RQLWRULQJ� DQG� )HHGEDFN�$GMXVWPHQW., John Wiley & Sons, Inc., USA, 1997.
BOX,G; JENKINS, G. & REINSEL, G.; 7LPH�6HULHV�$QDO\VLV��)RUHFDVWLQJ�DQG�&RQWURO. New Jersey: Prentice Hall, 1994, 3rd Edition.
BRAGA, C. B. M. & LEAL, R. P. C.; $o}HV�GH�9DORU�H�GH�&UHVFLPHQWR�QRV�DQRV� ����., Finanças Aplicadas ao Brasil; FGV Editora, Rio de Janeiro 1a edição – 2002.
216
BREALEY, R.A. & MYERS, S.C.; 3ULQFtSLRV� GH� )LQDQoDV� (PSUHVDULDLV. Portugal: Editora McGrawHill de Portugal, LTDA, 1992. 3ª edição.
BUSSAB, W. & MORETTIN, P.; (VWDWtVWLFD�%iVLFD. São Paulo: Editora Saraiva, 2002, 5ªedição.
BVRJ; +LVWyULD�GD�%ROVD�GH�9DORUHV�GR�5LR�GH�-DQHLUR. Rio de Janeiro.
CASTRO Jr., F. H. F. de & FAMÁ, R.; $V� 1RYDV� )LQDQoDV� H� D� 7HRULD�&RPSRUWDPHQWDO�QR�&RQWH[WR�GD�7RPDGD�GH�'HFLVmR�6REUH�,QYHVWLPHQWRV. Caderno de Pesquisas em Administração, São Paulo, v.9, no 2, abril/junho 2002.
CAVALCANTE, F. & RUDGE, L.F.; 0HUFDGR� GH� &DSLWDLV. Belo Horizonte: Comissão Nacional de Bolsas de Valores, 1996. 3ª edição.
COCHRAN, W.C. 6DPSOLQJ�7HFKQLTXHV. New York: John Wiley & Sons, 1977.
COMISSÃO NACIONAL DE BOLSA DE VALORES; ,QWURGXomR�DR�0HUFDGR�GH�$o}HV . São Paulo, 1985.
COPELAND, T., KOLLER, T. & MURRIN, J.; $YDOLDomR� GH� (PSUHVDV� ±�9DOXDWLRQ��&DOFXODQGR�H�*HUHQFLDQGR�R�9DORU�GDV�(PSUHVDV� Makron Books, São Paulo, 3ª edição 2002.
COPELAND, T., WESTON, J. & MURRIN,J. ; )LQDQFLDO�7KHRU\�DQG�&RUSRUDWH�3ROLF\ Addison-Wesley Publishing Company, 3ª edição, 2002.
COSTA, A.F.; EPPRECHT, E. & CARPINETTI, L.C.; &RQWUROH� (VWDWtVWLFR� GH�4XDOLGDGH. São Paulo: Editora Atlas, 2004.
COSTA, P.H. & BAIDYA, T.K.; 0pWRGRV�GH�0HGLomR�GH�5LVFR�GH�0HUFDGR��XP�(VWXGR�&RPSDUDWLYR. Revista Produção, v.13, n.3, 2003.
CROWDER, S. V.; 'HVLJQ� RI� ([SRQHQWLDOO\� :HLJKWHG� 0RYLQJ� $YHUDJH�6FKHPHV, Journal of Quality Technology; Vol. 21; No. 3; 1989.
DANTAS, A. B.; 5HJUD�GH�'HFLVmR�(VWRFiVWLFD�1mR�/LQHDU�'LQkPLFD�3DUD�R�3UREOHPD� GH� 3ODQHMDPHQWR� $JUHJDGR� GD� 3URGXomR. Tese de Doutorado, Universidade Federal de Santa Catarina, Florianópolis, Fevereiro de 2002.
DEMING, W.E. 4XDOLGDGH�� D� 5HYROXomR� GD� $GPLQLVWUDomR. Rio de Janeiro: Marques-saraiva 1990.
DUNCAN, A.I. 4XDOLW\� &RQWURO� DQG� ,QGXVWULDO� 6WDWLVWLFV. Illinois: Richard D. Irwin Inc., 1986.
ECKES, G.; $� UHYROXomR�6HLV�6LJPD��R�0pWRGR�TXH�/HYRX�D�*(�H�2XWUDV�(PSUHVDV� D� 7UDQVIRUPDU� 3URFHVVRV� HP� /XFUR�� Rio de Janeiro: Campus, 2001.
ELTON, E.J.; GRUBER, M.; BROWN, S.J. & GOETZMANN, W.N. 0RGHUQD�7HRULD�GH�&DUWHLUDV�H�$QiOLVH�GH�,QYHVWLPHQWRV. São Paulo: Atlas, 2004.
FAMA, E. & FRENCH, K.; 7KH� &URVV�VHFWLRQ� RI� ([SHFWHG� 6WRFN� 5HWXUQV� Journal of Finance, junho, 1992.
FAMA, E. & FRENCH, K.; 7KH� &$30� LV�:DQWHG�� 'HDG� RU� $OLYH� Journal of Finance, dezembro 1996.
FEIGENBAUM, A.V. &RQWUROH�GD�4XDOLGDGH�7RWDO. São Paulo: Makron Books, 1994.
FRANSES, P. H. & DIJK, D. V.; 1RQ�/LQHDU�7LPH�6HULHV�0RGHOV�LQ�(PSLULFDO�)LQDQFH. Cambridge University Press, 2000.
217
GITMAN, L.J.; 3ULQFtSLRV� GH� $GPLQLVWUDomR� )LQDQFHLUD. São Paulo: Editora Harbra, 1997. 7ª edição.
GUJARATI, D.N.; (FRQRPHWULD� %iVLFD. São Paulo: Makron Books, 2000. 3ª edição.
HULL, J.C. 2SWLRQV�� )XWXUHV� DQG� 2WKHU� 'HULYDWLYH� 6HFXULWLHV. New York: Prentice Hall, 1999.
ISHIKAWA, K. *XLGH� WR� 4XDOLW\� &RQWURO. Tokyo: Kraus Asian Productivity Organization, 1982.
JOHNSTON, J. & DINARDO, J.; 0pWRGRV�(FRQRPpWULFRV. Portugal: McGraw-Hill de Portugal, 2001. 4ª edição.
JORION, P. 9DOXH� $W� 5LVN�� $� 1HZ� %HQFKPDUN� IRU� 0HDVXULQJ� 'HULYDWLYHV�5LVN. New York: Irwin Professsional Pub, 1996.
KHOTARI, S., SHANKEN J. & SLOAN, R.; $QRWKHU�/RRN�DW�WKH�&URVV�VHFWLRQ�RI�([SHFWHG�5HWXUQV. Journal of Finance, dezembro, 1995.
KUME, H.; 0pWRGRV� (VWDWtVWLFRV� SDUD� 0HOKRULD� GD� 4XDOLGDGH. São Paulo: Editora Gente, 1993. 11ª edição.
LACOMBE, F.; 'LFLRQiULR�GH�$GPLQLVWUDomR. São Paulo: Editora Saraiva, 2004.
LARSON, H.; ,QWURGXFWLRQ� WR� 3UREDELOLW\� 7KHRU\� DQG� 6WDWLVWLFDO� ,QIHUHQFH. New York: John Wiley & Sons, 1982. 3ª edição.
MACEDO Jr., J. 7HRULD� GR� 3URVSHFWR�� 8PD� ,QYHVWLJDomR� 8WLOL]DQGR�6LPXODomR� GH� ,QYHVWLPHQWRV. Tese de Doutorado, Universidade Federal de Santa Catarina, Florianópolis, 2003.
MANDELBROT, B. & HUDSON, R. L.; 0HUFDGRV� )LQDQFHLURV� )RUD� GH�&RQWUROH�� $� 7HRULD� GR� )UDFWDLV� ([SOLFDQGR� R� &RPSRUWDPHQWR� GRV�0HUFDGRV. Editora Campus, 2004.
MEDEIROS, P. T.; 2�TXH�p�R�PHUFDGR�GH�Do}HV. Rio de Janeiro: Simposium Consultoria e Serviços Técnicos, 1987. 3ª edição.
MILLER, M. H. & SCHOLES, M.; 5DWHV�RI�5HWXUQ�LQ�5HODWLRQ�WR�5LVN��$�5H�H[DPLQDWLRQ�RI�6RPH�5HFHQW�)LQGLQJV� Jensen, ed., Studies in the Theory of Capital Markets. Praeger, New York. 47-78, 1972.
MONTGOMERY, D. & JOHNSON, L.; )RUHFDVWLQJ�DQG�7LPH�6HULHV�$QDO\VLV. USA: McGraw-Hill Book Company, 1976.
MONTGOMERY, D. C.; ,QWURGXFWLRQ�WR�6WDWLVWLFDO�4XDOLW\�&RQWURO. New York: John Wiley & Sons, 2001, 4th Edition.
PEREZ-WILSON, M.; 6HLV� 6LJPD�� &RPSUHHQGHQGR� R� &RQFHLWR�� DV�,PSOLFDo}HV�H�RV�'HVDILRV. Rio de Janeiro: Editora Qualitymark, 1999.
PRAZERES, P.; 'LFLRQiULR� GH� 7HUPRV� GD� 4XDOLGDGH. São Paulo: Editora Atlas, 1996.
PRAZERES, P.; 0LQLGLFLRQiULR�GH�7HUPRV�GD�4XDOLGDGH. São Paulo: Editora Atlas, 1997.
REINGANUM, M.; 0LVVSHFLILFDWLRQV� RI� &DSLWDO� $VVHW� 3ULFLQJ�� (PSLULFDO�$QRPDOLHV�%DVHG�RQ�(DUQLQJ�<LHOGV�DQG�0DUNHW�9DOXHV� Journal of Financial Economics, março, 1981.
RUSSO, S. L. & SAMOHYL, R.W.; *UiILFRV�GH�&RQWUROH�$50$�3DUD�'DGRV�&RUUHODFLRQDGRV. XXXIV SBPO; Rio de Janeiro, 2002.
218
SANDRONI, P.(Org.); 'LFLRQiULR�GH�(FRQRPLD. São Paulo: Editora Best Seller; 1989.
SANVICENTE, A. Z.; *HVWmR� GH� &DUWHLUDV� GH� )XQGRV� GH� ,QYHVWLPHQWR��$QiOLVH�(PStULFD�GD�*HVWmR�GH�([SRVLomR�D�5LVFRV�'LDQWH�GH�8P�(YHQWR�0DUFDQWH. IBMEC Educacional, Junho/2001, disponível para consulta no site: www.risktech.com.br, download feito em 20/03/2008.
SHEWHART, W. A.; 6WDWLVWLFDO� 0HWKRG� IURP� WKH� 9LHZSRLQW� RI� 4XDOLW\�&RQWURO� New York: Dover Publications Inc, 1986.
SIQUEIRA, L.G.P.; &RQWUROH� (VWDWtVWLFR� GR� 3URFHVVR. São Paulo: Editora pioneira, Equipe Grifo, 1997.
SPIEGEL, M.; (VWDWtVWLFD. São Paulo: Makron Books, 1993. 3ª edição
VARGA, G.; ËQGLFH� GH� 6KDUSH� H� RXWURV� ,QGLFDGRUHV� GH� 3HUIRUPDQFH�$SOLFDGRV�D�)XQGRV�GH�$o}HV�%UDVLOHLURV, 1999, disponível para consulta no site: www.risktech.com.br, download feito em 20/03/2008.
VIEIRA, S.; (VWDWtVWLFD� 3DUD� D� 4XDOLGDGH�� &RPR� $YDOLDU� FRP� 3UHFLVmR� D�4XDOLGDGH� HP�3URGXWRV� H� 6HUYLoRV. Rio de Janeiro: Editora Campus, 1999. 2ªTiragem.
WHEELER, D. & CHAMBERS, D.; 8QGHUVWDQGLQJ�6WDWLVWLFDO�3URFHVV�&RQWURO. New York: SPC Press, 1992.
WHEELER, D. & POLING, S.; %XLOGLQJ�&RQWLQXDO� ,PSURYHPHQW��$�*XLGH�IRU�%XVLQHVV. Knoxville: SPC Press, 1998.
WHEELER, D.; $GYDQFHG�7RSLFV�LQ�6WDWLVWLFDO�3URFHVV�&RQWURO��7KH�3RZHU�2I�6KHZKDUW�V�&KDUWV. Knoville, Tennesee, SPC Press, 1995.
ZHANG, N. F. $� VWDWLVWLFDO� FRQWURO� FKDUW� IRU� VWDWLRQDU\� SURFHVV� GDWD. Technometrics, v. 40, n. 1, p. 24 38, Feb. 1998.
en.wikipedia.org/wiki/Friedman-Savage_utility_function
www.cvm.gov.br
219
$QH[R�$�*XLD�SDUD�DSOLFDomR�GD�PHWRGRORJLD�
Para aplicar a metodologia aqui proposta, deve-se seguir os passos abaixo:
1. Obter a série histórica de pelo menos dez anos das cotações diárias
(CAi) de fechamento do ativo de interesse;
2. Transformar a série de cotações numa série de retornos logarítmicos,
segundo a seguinte fórmula: ln RDi = ln 1-i
i
CACA
, para i = 2, 3, ..., n, onde n
corresponde ao número de cotações totais da série obtida em 1;
3. Estimar o modelo segundo grau de aversão a risco (AR(1) para quem
deseja maximizar ISA; SETAR com c = mediana para amantes do risco;
EWMA para investidores com muita ou moderada aversão a risco);
4. Calcular a série histórica dos resíduos Xi do modelo AR(1) estimado no
passo anterior, onde Xi = ln RDi - iDRln�
, para i = 2, 3, ..., n;
5. Calcular LC, LIC e LSC segundo as fórmulas do Capítulo 6 (página 112
para gráfico de Shewhart – investidores com pouca aversão a risco ou
que desejam maximizar ISA - ou página 121 para gráficos EWMA –
investidores com muita ou moderada aversão a risco);
6. Optar pelo uso da estratégia desejada (80 com objetivo de maximizar
ISA, 39 para amantes do risco, 105 para avessos a risco e 17 ou 40 para
pessoas com moderada aversão a risco);
7. Calcular LI e LS para cada estratégia (vide tabela 7.1, página 133)
8. Comprar o ativo de interesse na data j+1 se Xj < LI;
9. Estando “comprado”, vender o ativo de interesse em w+1 se Xw > LS.
220
$QH[R�%�*UiILFRV�H�7DEHODV�±�&DStWXOR���
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
$QH[R�&�*UiILFRV�H�7DEHODV�±�&DStWXOR���
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
$QH[R�'�*UiILFRV�H�7DEHODV�±�&DStWXOR���
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
(continuação)
���������� �����
� �������� ����� �
���������� �����
� �������� ����� �
� �"! ����� �� �
�� �������� ����� �
#�$ % �&� � �� �"
� �������� ����� �
% ���#���� ����� ��
�������� ����� �
�"$ '��( � �� �
�� �������� ����� �
)�) �"���� �� �
�� �������� ����� �
�������( � �����
� �������� ����� �
�"� *"�&��� ����
�� �������� ����� �
��'"������� �� ��
� �������� ����� �54 1231,1 1604,3 211,6 132,6 1449,1 2178,5 345,9 2203,7 32,5 60,155 285,1 776,2 84,8 232,3 197,5 613,0 264,3 962,9 10,5 98,956 277,3 375,4 195,1 263,7 184,2 244,7 182,4 506,3 -13,5 43,357 44,5 108,0 78,7 144,9 90,2 88,8 51,1 209,0 -20,2 25,358 2105,6 2553,4 1296,5 1525,1 3325,7 3261,1 2495,5 3925,7 1647,8 127,159 1972,2 2708,6 1401,4 1583,4 4074,4 3527,8 2491,5 4148,1 1779,9 127,160 2159,0 3597,6 1433,1 1883,0 4040,8 3767,8 3571,7 4505,0 2024,5 116,061 2157,3 3917,5 1548,8 1402,4 3200,5 2964,6 4163,9 2049,7 2186,7 138,062 1823,6 3718,7 1777,7 1539,1 4279,0 3274,2 5035,4 2040,7 2466,0 215,063 2006,8 3773,4 1659,9 1503,7 3310,6 3803,5 6343,4 2333,5 2853,6 200,164 2104,2 4124,6 1763,3 1633,1 3906,7 3878,5 6479,0 2792,2 3050,1 178,165 1953,5 2864,3 1801,3 1652,0 2156,9 1706,4 1044,7 2817,6 784,3 144,266 1167,7 2365,8 1116,3 1406,9 1938,0 1983,2 1348,7 1885,0 284,5 145,467 917,1 2030,8 536,9 800,9 1964,9 2029,0 937,8 1817,0 144,2 132,468 369,8 1731,4 461,8 665,2 402,6 1851,1 590,2 2388,7 97,8 110,269 84,2 832,5 1049,7 794,3 459,5 1107,1 428,5 1785,7 40,1 43,570 9,4 261,1 156,6 170,6 236,2 173,4 215,3 336,6 -13,7 33,471 1055,2 1213,0 734,0 1977,3 3678,4 4037,5 2835,9 5706,6 2007,7 88,672 925,1 1235,1 917,0 2052,5 4730,3 4367,2 2831,2 6165,7 1894,1 88,673 1193,2 1423,9 839,9 2598,7 4602,9 4976,9 3734,4 6450,7 1953,8 87,574 1241,9 1600,3 863,3 2136,4 3859,0 3923,3 4217,3 3142,0 1877,9 83,475 987,2 1519,9 971,5 2238,0 4418,5 4273,3 5424,4 2785,9 1893,3 127,776 1053,6 1579,9 922,2 1974,3 3660,5 4782,4 6084,5 3114,6 2234,0 112,877 1079,9 1730,6 952,4 2080,2 4003,2 4976,5 6312,2 3365,0 2264,8 99,078 1066,8 1840,4 963,8 1959,3 4240,8 5267,5 6489,6 3589,8 2318,8 81,679 856,7 1161,7 784,3 1996,8 2345,5 3030,3 1459,5 4111,5 1173,2 88,280 642,2 1000,0 553,8 1212,6 1908,5 2344,7 1389,5 3162,5 439,6 97,281 517,1 849,5 382,9 802,6 1468,0 1903,1 1049,3 3644,2 341,4 85,482 210,6 616,4 233,8 749,6 624,2 1199,3 1513,9 3357,7 337,5 43,883 93,2 465,6 353,5 330,4 902,4 863,9 1385,7 2527,5 215,8 35,684 9,1 302,9 78,3 39,4 266,7 480,7 399,7 782,5 10,1 63,085 280,1 1309,3 301,9 219,9 382,4 213,7 44,5 565,4 25,9 85,986 78,7 584,1 472,8 247,5 197,4 215,4 68,0 333,3 1,4 99,287 71,7 336,6 234,4 193,7 215,9 137,9 63,8 331,8 3,3 54,088 53,9 175,0 82,4 66,4 94,2 30,0 33,4 212,3 11,5 63,889 34,1 74,9 69,2 70,0 66,2 23,0 21,4 149,4 -2,1 35,190 16,1 47,5 25,3 37,6 24,0 17,6 23,1 34,6 -2,7 25,191 94,8 447,9 339,1 258,3 215,7 289,1 43,9 161,2 0,5 70,792 66,4 236,1 158,0 159,4 269,1 120,4 63,3 179,4 3,1 42,293 40,6 169,6 64,6 75,8 111,4 22,2 50,7 149,3 -0,9 60,194 30,7 55,7 58,0 35,9 68,3 19,9 32,7 79,5 -7,1 27,795 11,4 36,1 21,4 33,0 28,5 19,4 31,1 23,2 -3,3 22,996 60,5 201,3 101,1 124,7 177,4 104,6 73,0 118,3 13,4 33,297 42,0 123,8 51,5 82,4 70,4 20,9 56,9 108,9 1,7 43,998 45,9 45,9 46,7 37,8 53,4 18,8 45,1 56,8 -3,3 21,499 21,6 24,8 20,6 25,2 20,0 19,9 32,9 29,7 -1,9 15,6
100 35,3 83,5 89,1 82,2 51,8 21,9 67,8 90,8 -1,3 39,0101 39,6 38,6 51,8 39,2 31,4 18,3 46,3 48,2 -4,7 20,9102 18,0 16,6 23,0 29,2 11,5 22,9 35,8 24,7 -2,2 15,1103 28,9 31,8 47,6 40,8 25,3 15,5 41,4 40,1 -4,4 26,9104 13,8 10,3 16,5 24,8 8,1 19,8 34,6 20,5 -1,7 15,5105 9,0 8,6 13,0 23,6 8,7 15,2 27,8 18,7 -0,3 17,8
+�,"-�.0/213.5456&7 .8/293: ;"<= >�.��$��������? ) %
@BADC8EGFHAJI8K LBMON0EB@3E�PRQ3SUTWVXSXYBZ [X\X]�^OS`_XAbaU^OSXc�Z\`d eOf ghf \Oi
416
$QH[R�(�*UiILFRV�H�7DEHODV�±�&DStWXOR���
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
]
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473