Impacto

Para analisar o efeito que o sentimento textual das notícias financeiras provoca sobre o comportamento dos preços no mercado acionário brasileiro, foi verificado o valor informacional que o sentimento apresenta para explicar as oscilações do mercado, em termos de retorno e volatilidade, bem como foi investigada a sua capacidade de prever os movimentos dos preços no mercado.

O presente estudo concentra-se na análise da eficiência do mercado em sua forma fraca, partindo da hipótese de Fama (1970; 1991), de que os retornos passados não preveem o retorno presente, podendo ser expresso por um modelo autoregressivo, conforme Equação 9:

𝑅𝑒𝑡_𝑡= 𝛽₀+𝛽₁ ℒ_𝑠(𝑅𝑒𝑡_𝑡) + 𝜐_𝑡 (9)

Em que:

𝑅𝑒𝑡𝑡 - corresponde ao log-retorno do IBOVESPA no tempo 𝑡;

𝛽₀ - constante do modelo;

𝛽₁- coeficiente de correlação do retorno passado;

ℒ_𝑠= Operador de lag, em que 𝑠 representa o número de defasagens ou lags; 𝜐𝑡- termo de erro ou resíduos, que espera que seja um ruído branco,

𝜐_𝑡~𝑁(0, 𝜎2_{), com distribuição normal, média zero e variância constante.}

Desse modo, a Equação 9 descreve uma das possíveis formas de testar a eficiência em sua forma fraca, considerando que retorno presente é uma função do retorno passado adicionado de um termo de erro, que segue um ruído branco. Porém, os dados financeiros têm particularidades em suas séries, como, por exemplo, a presença de outliers. Essas particularidades, geralmente, levam os resíduos a não apresentarem distribuições normais, além de ausência de homocesdasticidade, decorrente de oscilações na sua variância. Em função disso, os modelos passaram a incorporar as peculiaridades dos dados financeiros, dando origem aos modelos de heterocedasticidade condicional, como o modelo de heterocedasticidade condicional autoregressivo generalizado – GARCH, proposto por Bollerslev (1986), definido conforme a Equação 7.

Para testar a primeira hipótese de pesquisa, foi utilizado um modelo de regressão linear para séries temporais, com a estimação dos parâmetros por regressão quantílica e por mínimos quadrados ordinários. Assim, o modelo geral, utilizado para testar a influência do sentimento textual das notícias sobre o retorno do mercado admitiu que o retorno presente é uma função autoregressiva, que depende da volatilidade do retorno passado e do sentimento das notícias do passado, definido conforme Equação 10:

𝑅𝑒𝑡_𝑡= 𝛽₁ℒ_𝑠𝑆𝑒𝑛𝑡_𝑡+ 𝛾₁ℒ_𝑠(𝑅𝑒𝑡_𝑡) + 𝜓₁ℒ_𝑠(𝜎_𝑡2_{) + 𝜂𝑋}

𝑡+ 𝜐𝑡 (10)

Em que:

𝑅𝑒𝑡𝑡 - corresponde ao log-retorno do IBOVESPA;

ℒ_𝑠- Operador de lag, em que 𝑠 representa o número defasagens ou lag; 𝑆𝑒𝑛𝑡_𝑡- Sentimento textual;

𝜎_𝑡2 - variância condicional do retorno do IBOVESPA;

𝑋𝑡- conjunto de variáveis, que são: a constante do modelo, dummy para os dias da

semana e dummy para o mês de janeiro; 𝜐_𝑡- termo de erro.

Na Equação 10, o coeficiente 𝛽₁ capta o efeito do sentimento textual das notícias sobre o retorno do índice que representa o mercado acionário brasileiro; Já 𝛾1mostra o feito do retorno

passado sobre o retorno presente, enquanto 𝜓₁ estima os efeitos da volatilidade, obtida mediante um processo GARCH (1,1), conforme Equação 7. Admitiu-se um número de 5 lags de

defasagem(s ₌5), visando analisar se informações com um atraso de cinco dias provocariam efeitos sobre os preços.

Para verificar a influência que o sentimento textual das notícias financeiras exerce sobre a volatilidade do retorno do mercado, considerou-se que a volatilidade do retorno é uma função autoregressiva, da volatilidade do retorno passado e do sentimento das notícias passadas, definido conforme Equação 11:

𝜎𝑡2 = 𝛽1ℒ𝑠𝑆𝑒𝑛𝑡𝑡+ 𝜓1ℒ𝑠(𝜎𝑡2) + 𝜂𝑋𝑡+ 𝜐𝑡 (11)

Em que:

𝜎𝑡2= corresponde a volatilidade do retorno do IBOVESPA;

ℒ_𝑠= Operador de lag, em que 𝑠 representa o número de lag; 𝑆𝑒𝑛𝑡𝑡= Sentimento textual;

𝑋𝑡= conjunto de variáveis, que são: a constante do modelo, dummy para os dias da

semana e dummy para o mês de janeiro; 𝜐_𝑡= termo de erro.

Na Equação 11, o coeficiente 𝛽₁ capta o efeito do sentimento textual das notícias sobre a volatilidade do índice que representa o mercado acionário brasileiro; Já 𝜓1capta o feito da

volatilidade passada sobre a volatilidade presente.

No sentido de investigar se as notícias pessimistas e otimistas impactam o retorno e a volatilidade do retorno do IBOVESPA, visando responder as hipóteses de pesquisa 3 e 4, os modelos 10 e 11 sofreram alterações com a inclusão de uma na variável dummy 𝐷𝑝𝑒𝑠, que

recebeu o valor “1” para os dias, em que, a mídia foi pessimista, ou seja, dias em que o a variável sentimento textual, em média, apresentou um valor inferior a zero (𝑆𝑒𝑛𝑡 < 0), e recebeu o valor “0” quando o sentimento textual foi igual ou superior a zero (𝑆𝑒𝑛𝑡 ≥ 0). Assim, os modelos passaram a ser definidos conforme a Equação 12 e Equação 13:

𝑅𝑒𝑡_𝑡 = 𝛽₀+ (𝐷_𝑝𝑒𝑠)(𝛽₁ℒ_𝑠𝑆𝑒𝑛𝑡_𝑡+ 𝛾₁ℒ_𝑠(𝑅𝑒𝑡𝑡) + 𝜓1ℒ𝑠(𝜎𝑡2) + 𝜂𝑋𝑡) + (1 − 𝐷_𝑝𝑒𝑠) (𝛽₂ℒ_𝑠𝑆𝑒𝑛𝑡_𝑡+ 𝛾₂ℒ_𝑠(𝑅𝑒𝑡𝑡) + 𝜓2ℒ𝑠(𝜎𝑡2) + 𝜂𝑋𝑡) + 𝜐𝑡 (12) 𝜎_𝑡2 = 𝛽0+ (𝐷𝑝𝑒𝑠)(𝛽1ℒ𝑠𝑆𝑒𝑛𝑡𝑡+ 𝜓1ℒ𝑠(𝜎𝑡2) + 𝜂𝑋𝑡) + (1 − 𝐷𝑝𝑒𝑠)(𝛽2ℒ𝑠𝑆𝑒𝑛𝑡𝑡+ 𝜓₂ℒ_𝑠(𝜎_𝑡2_{) + 𝜂𝑋} 𝑡) + 𝜐𝑡 (13) Em que:

𝑆𝑒𝑛𝑡𝑡 - corresponde ao sentimento textual das notícias financeiras do dia 𝑡;

𝐷_𝑝𝑒𝑠 – dummy para classificação dos dias de mídia pessimista.

A dummy sobre dias de mídia pessimista, Dpes, entrou na equação de regressão

interagindo com todas as variáveis, com a finalidade de possibilitar que o modelo extraísse o efeito dos dias pessimistas. Além disso, foi realizada a inclusão da expressão “1-Dpes” para

e “1-Dpes”, interagindo com todas as variáveis, foi realizado, com o intuito de evitar que as

estimações dos coeficientes, relacionados aos períodos de mídia pessimista e otimista, fossem realizadas com uma subdivisão da amostra.

Portanto, no modelo 12, 𝛽1 capta o efeito do sentimento de pessimismo das notícias

financeiras sobre o retorno do IBOVESPA, e 𝛽₂ capta o efeito do otimismo das notícias sobre o retorno. Enquanto, no modelo 13, 𝛽₁ detecta o efeito do tom de péssimo das notícias sobre a volatilidade do mercado, e 𝛽2 detecta o efeito do otimismo sobre a volatilidade.

Para analisar a influência do sentimento de pessimismo sobre o mercado nos períodos de maior incerteza econômica, foi extraída da amostra as observações de dias pessimistas, e foram realizadas adequações às Equações 12 e 13, seguindo a proposta de modelagem de García (2013), mediante análise da incerteza econômica, baseada no índice IIE-Br da FGV. Os períodos de incerteza econômicas foram inclusos no modelo mediante a utilização de uma dummy, DI, que recebeu o valor “1” para os dias de maior incerteza, e “0” para os dias de menor

incerteza, conforme o comportamento do índice IIE-Br6. Assim, o impacto do sentimento de pessimismo sobre o retorno do IBOVESPA foi avaliado conforme Equação 14:

𝑅𝑒𝑡𝑡 = 𝛽0+ (𝐷𝐼)(𝛽1ℒ𝑠𝑆𝑒𝑛𝑡_𝑃𝑡+ 𝛾1ℒ𝑠(𝑅𝑒𝑡𝑡) + 𝜓1ℒ𝑠(𝜎𝑡2)) + (1 − 𝐷𝐼)(𝛽2ℒ𝑠𝑆𝑒𝑛𝑡_𝑃𝑡+

𝛾₂ℒ_𝑠(𝑅𝑒𝑡𝑡) + 𝜓2ℒ𝑠(𝜎𝑡2)) + 𝜐𝑡 (14)

Em que:

𝑅𝑒𝑡_𝑡 - corresponde ao log-retorno do IBOVESPA;

𝐷𝐼 - variável dummy para períodos de maior incerteza econômica, classificada segundo

índice IIE-Br, que assume o valor 1 em períodos de maior incerteza, e 0 para períodos com menor incerteza;

𝑆𝑒𝑛𝑡_𝑃_𝑡- Sentimento de pessimismo das notícias financeiras. ℒ_𝑠- Operador de lag, em que 𝑠 representa o número de defasagens;

6 _{Na amostra do IIE-Br o valor encontrado para o terceiro quartil (75° percentil) foi 122.7. Portanto, nos meses em} que o IIE-Br apresentou um valor superior a 122.7 os dias foram classificados como alta (maior) incerteza, recebendo uma dummy “1”. Nos meses em que o índice foi igual ou inferior a 122.7, foi inclusa a dummy “0” para classificar os dias pertencentes aos meses de baixa (menor) incerteza.

𝜎_𝑡2- variância condicional do retorno; 𝜐𝑡- termo de erro.

Na Equação 14, o coeficiente 𝛽₁ capta o efeito do sentimento de pessimismo das notícias sobre o retorno do IBOVESPA em períodos de maior incerteza e 𝛽₂ capta o efeito do sentimento de pessimismo das notícias em períodos que existe uma menor incerteza. Já 𝛾1 e 𝛾2

mostra o efeito do retorno passado sobre o retorno presente, nos períodos com maior incerteza e com menor incerteza, respectivamente, enquanto, 𝜓₁ e 𝜓₂ estima os efeitos da volatilidade sobre o retorno em períodos de maior e menor incerteza.

Os coeficientes que são alvo das inferências do modelo correspondem a 𝛽₁ e 𝛽₂, visto que, por meio deles, é possível investigar o valor sentimento de pessimismo sobre o retorno em períodos de maior e menor incerteza econômica.

A análise da influência do sentimento de pessimismo sobre a volatilidade do mercado nos períodos de maior incerteza econômica foi realizada conforme Equação 15:

𝜎_𝑡2 _{= 𝛼}

0+ (𝐷𝐼)(𝛽1ℒ𝑠𝑆𝑒𝑛𝑡_𝑃𝑡+ 𝜓1ℒ𝑠(𝜎𝑡2)) + (1 − 𝐷𝐼)(𝛽2ℒ𝑠𝑆𝑒𝑛𝑡𝑃𝑡+ 𝜓2ℒ𝑠(𝜎𝑡2)) + 𝜐𝑡 (15)

Em que:

𝜎_𝑡2_{- corresponde a volatilidade do retorno do IBOVESPA;}

𝐷𝐼 - Variável dummy para períodos de maior incerteza econômica classificando segundo

índice IIE-Br, que assume o valor 1 em períodos de maior incerteza, e 0 para períodos com menor incerteza;

ℒ𝑠- Operador de lag, em que 𝑠 representa o número de defasagens;

𝑆𝑒𝑛𝑡_𝑃_𝑡- medida referente aos índices do sentimento de pessimismo; 𝜐_𝑡- termo de erro.

Na Equação 15, o coeficiente 𝛽1 capta o efeito do sentimento de pessimismo das

notícias sobre a volatilidade em períodos de maior incerteza e 𝛽₂ capta o efeito do sentimento de pessimismo das notícias em períodos que existe uma menor incerteza. Já 𝜓₁ e 𝜓₂ estima os

efeitos da volatilidade passada sobre a volatilidade contemporânea em períodos de maior e menor incerteza.

Os principais coeficientes para as inferências do modelo correspondem a 𝛽1 e 𝛽2, visto

que eles mostram o impacto que o sentimento de pessimismo exerce sobre a volatilidade do mercado em períodos de maior e menor incerteza econômica, segundo o índice IIE-Br.

Em relação ao impacto do sentimento das notícias sobre o retorno e sobre a volatilidade do retorno do IBOVESPA, apresenta-se uma síntese dos sinais esperados para a variável explicativa sentimento textual no Quadro 4.

Quadro 4 - Síntese dos sinais esperados para o Sentimento Textual

Hipótese Modelo Sinais Esperados Explicação

Quantil 0.05

Quantil 0.95

H1 Equação 10 _____ _____

Espera-se que o Sentimento textual provoque impacto positivo ou negativo sobre o retorno.

H2 Equação 11 _____ ____

Espera-se que o sentimento textual provoque impacto positivo ou negativo sobre a volatilidade, principalmente em períodos de maior oscilação (quantil 0.95).

H3 Equação 12 - -

Espera-se que o pessimismo da mídia reduza o retorno do mercado.

H4 Equação 13 + +

Espera-se que o pessimismo na mídia esteja associado a um aumento da volatilidade, principalmente nos momentos de maior oscilação do mercado (quantil 0.95).

H5 Equação 14 - -

Espera-se que o pessimismo da mídia reduza o retorno do mercado nos períodos de maior incerteza econômica.

H6 Equação 15 + +

Espera-se que o pessimismo da mídia contribua com o aumento da volatilidade, principalmente em períodos de maior incerteza econômica.

Fonte: Elaborado pelo autor.

Portanto, as Equações 10, 11, 12, 13, 14 e 15 foram utilizadas para testar a influência do sentimento textual ao longo dos menores e maiores quantis de distribuição do retorno e da volatilidade do retorno, com o intuito de verificar se existem comportamentos distintos da

informação, conforme a oscilação do retorno e da volatilidade, e levando em consideração períodos marcados por uma maior incerteza econômica.

O comportamento das variáveis foi analisado quando a estacionariedade das séries, pelos testes de Dickey-Fuller Aumentado e Phillips-Perron, análise da distribuição das séries, pelo teste de normalidade de Jarque-Bera e a autocorrelação pelo teste Ljung-Box Q-statístic. Na estimação dos coeficientes por regressão quantílica7o comportamento das variáveis no modelo foi analisado mediante a significância do teste t e para analisar a diferença entre o comportamento das variáveis interquantil foi realizado o teste wald.