ANÁLISE DO IMPACTO DA DIVULGAÇÃO DE NOTÍCIAS
NA LIQUIDEZ DE AÇÕES DO MERCADO BRASILEIRO
Amannda Ecard Dacache
Isabelle Dutra Letouzé
Projeto
de
Graduação
apresentado ao Curso de Engenharia
de Produção da Escola Politécnica,
Universidade Federal do Rio de
Janeiro, como parte dos requisitos
necessários à obtenção do título de
Engenheiro.
Orientador: André Assis de Salles
Rio de Janeiro Agosto 2014
ii
ANÁLISE DO IMPACTO DA DIVULGAÇÃO DE NOTÍCIAS
NA LIQUIDEZ DE AÇÕES DO MERCADO BRASILEIRO
Amannda Ecard Dacache
Isabelle Dutra Letouzé
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO DE ENGENHARIA DE PRODUÇÃO DA ESCOLA POLITÉCNICA DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS
REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
ENGENHEIRO DE PRODUÇÃO.
Examinada por:
_________________________________________
Dr. Prof. André Assis de Salles
_________________________________________
Dra. Profa. Rosemarie Bröker Bone
_________________________________________
Dr. Prof. José Roberto Ribas
RIO DE JANEIRO, RJ - BRASIL AGOSTO de 2014
iii Dacache, Amannda Ecard
Letouzé, Isabelle Dutra
Análise do impacto da divulgação de notícias na liquidez de ações do mercado brasileiro/Amannda Ecard Dacache e Isabelle Dutra Letouzé. – Rio de Janeiro: UFRJ/Escola Politécnica, 2014.
XI, 44 p.: il.; 29,7 cm.
Orientador: André Assis de Salles
Projeto de Graduação – UFRJ/Escola Politécnica/Curso de Engenharia de Produção, 2014.
Referências Bibliográficas: p. 41-43.
1. Heurística da Disponibilidade 2. Liquidez de Ações. 3. Divulgação de Notícias. 4. Análise Estatística.
I. Salles, André de Assis. II. Universidade Federal do Rio de Janeiro, Escola Politécnica, Curso de Engenharia De Produção. III. Análise do impacto da divulgação de notícias na liquidez de ações do mercado brasileiro.
iv Resumo do Projeto de Graduação apresentado à Escola Politécnica/UFRJ como parte dos requisitos necessários para a obtenção do grau de Engenheiro de Produção.
Análise do impacto da divulgação de notícias na liquidez de ações do mercado brasileiro
Amannda Ecard Dacache Isabelle Dutra Letouzé
Agosto/2014
Orientador: André de Assis Salles
Curso: Engenharia de Produção
O trabalho proposto é fundamentado em estudos sobre vieses no julgamento e tomada de decisão dos indivíduos, mais precisamente a Heurística da Disponibilidade, na qual as pessoas subestimam ou superestimam a probabilidade de eventos por atribuir maior peso às informações mais recentes e de rápido acesso na memória. Sendo assim, com base nos dados de liquidez das ações das principais empresas do mercado de ações brasileiro e no levantamento de notícias publicadas sobre tais empresas, foi realizada uma análise estatística de dados e da associação das notícias com a liquidez de cada uma das ações selecionadas para este trabalho. Como proposta, esta análise procurou testar a hipótese de existência de vieses no julgamento e tomada de decisão associados à negociação de ações, tendo como base a heurística da disponibilidade. Testes de correlação e regressão mostraram que existe significância estatística dos resultados, mas que os coeficientes encontrados não são tão fortes quanto o previsto, sugerindo que os modelos selecionados podem ser aprimorados. A hipótese não foi rejeitada, mas ainda há muito espaço para aprofundar o estudo, ampliando e diferenciando a metodologia de pesquisa e análises estatísticas.
Palavras-chaves: Heurística da Disponibilidade, Liquidez, Divulgação de Notícias, Mercado de Ações Brasileiro.
v Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the requirements for the degree of Engineer.
LIQUIDITY ANALYSIS: THE IMPACT OF NEWS PUBLISHMENT ON SHARE’S LIQUIDY IN THE BRAZILIAN STOCK MARKETTÍTULO DO PG EM INGLÊS
Amannda Ecard Dacache Isabelle Dutra Letouzé
Agosto/2014
Advisor: André de Assis Salles
Course: Manufacturing/Industrial Engineering
The present work is based on studies concerning biases in judgment and decision making, specifically the Availability Heuristics, in which people underestimate or overestimate the probability of events by heavily weighting recent information that easily comes to mind. Hence, considering the share’s liquidity data of the leading companies in Brazil's stock market and on their published news in the same period, an statistical analysis of these data and the association between published news and liquidity of each share selected here will be made. This analysis aims to test the hypothesis of the existence of biases in judgment and decision making related to trading, based on the availability heuristics. Correlation and regression tests report that the results are statistically significant, but the coefficients founded are not strong enough, suggesting that the models selected can be improved. The hypothesis hasn’t been rejected, but there is still space for further analysis, expanding and diversifying the research methodology and statistical tests.
vi
vii Eu, Amannda Ecard Dacache, agradeço, primeiramente, à minha família. Aos meus pais, por terem sempre priorizado a minha educação, e pelo apoio e carinho durante toda a minha trajetória, se sacrificando para me dar nada menos que o melhor. Aos meus irmãos, pelo companheirismo, e aos meus avós, pela admiração, preocupação e amor incondicional. Meu agradecimento especial vai à minha avó Mariná Dacache, in memoriam, que com certeza esteve comigo todo esse tempo.
Ao Vitor, que esteve ao meu lado nos últimos anos, pela amizade, carinho, paciência e incentivo. Obrigada por me fazer querer ser sempre melhor e partilhar dos mesmos sonhos e ideias. Sem sua inspiração, este trabalho não seria o mesmo.
À Isabelle, a amiga-irmã que eu ganhei na Engenharia de Produção e que passou por todo esse caminho ao meu lado. Aquela com quem eu posso partilhar tudo, sabendo que serei entendida, e que permanecerá para sempre em minha vida como colega de turma, companheira de estudos, amiga e dupla do projeto de graduação.
Aos bons professores que marcaram minha vida. Os conhecimentos e exemplos passados foram muito além da sala de aula e, hoje, sou uma pessoa melhor graças a isso. Eu, Isabelle Dutra Letouzé, agradeço à minha mãe, que me tornou a pessoa eu eu sou hoje através dos seus ensinamentos e educação. Obrigada por ser sempre o meu porto seguro, mas, principalmente, por ser a “engenheira de produção” dos meus sonhos, me impulsionando a correr atrás deles e cada vez querer mais.
Ao meu pai, por me mostrar a força que eu possuo, tudo que eu sou capaz, mesmo quando tudo parece estar dando errado. As minhas avós, vovó, in memoriam, e mémé, pelas histórias de exemplo, os mimos, as risadas e os momentos doces, que me fizeram entender que a vida é feita de obstáculos, mas que todos podem ser ultrapassados, serei o seu eterno “tesouro” e sua eterna “petit fille”.
À minha amada família: meus padrinhos, sempre presentes com suas palavras sábias e sensatas , palavras desafiadoras, além de algumas muitos puxões de orelha, bem dados; minhas primas, ou irmãs mais velhas, Ana e Patricia, que em um momento crucial de decisão, me proporcionaram palavras de orientação e conselho.
viii À minha “segunda família”, aquela que eu escolhi, que me acolheu e que me deu dois irmãos, Fábio e Thiago, para implicar, brincar, brigar e rir, principalmente das brigas.
À minha dupla do PG e PCP2, minha entidade, Amannda, por suas inúmeras virtudes. Entre elas, paciência, determinação, foco, inteligência, responsabilidade e amizade. Amizade essa que pretendo levar para a vida.
Ao meu maior companheiro nessa jornada de 6 anos, Moysés. Obrigada por ser meu melhor amigo, por ter compartilhado de todas as minhas neuras e dificultades e também das minhas conquistas. Você consegue extrair uma risada na minha tristeza, me acalmar no meu desespero e clarear as minhas dúvidas.
E por último, mas não menos importante, gostaria de agradecer aos meus amigos, os que desde o colégio sempre acreditaram no meu potencial, Ju, Bela, Helô, Lopes, Stern, Jéssica e Anne; as que desde o trote e a primeira semana de aula eu divido as risadas e compartilho desabafos, Ana e Roberta; os que vivenciaram ao meu lado um dos anos mais incríveis e desafiadores da minha vida, Thompy, Maury, Fê, Thais e Julia; e a que apesar de estarem fisicamente no outro extremo do planeta, nunca esteve tåo próxima de mim, Lailla. Sem o apoio de vocês, cada um a sua maneira, não teria sido tão bem sucedida nessa empreitada.
Em conjunto, agradecemos ao nosso professor e orientador André de Assis
Salles, por acreditar em nossa ideia e torná-la realidade. Sua orientação, dedicação e disponibilidade foram indispensáveis para que esse trabalho fosse realizado. Admiramos não só sua competência, mas também sua camaradagem.
Aos nossos amigos e colegas de turma, agradecemos pela amizade, estudos, viagens, companheirismo e lealdade. Sem suas presenças, nossa passagem pela UFRJ não teria sido tão marcante e divertida.
A Universidade Federal do Rio de Janeiro, pela oportunidade de estudar em uma das melhores universidades do Brasil e, principalmente, pelo espaço de aprendizado, professores e todos os que contribuíram nesses cinco anos de graduação.
ix
"Para enxergar claramente, basta mudar a direção do olhar." Antoine de Saint-Exupéry
x
Sumário
1. INTRODUÇÃO ... 1
2. REFERENCIAL TEÓRICO ... 4
2.1. Julgamento e Tomada de Decisão Racional ... 4
2.2. Heurísticas e Viéses ... 5
2.2.1. Heurística da Disponibilidade ... 6
2.2.1.1. Viés devido à recuperação de ocorrências ... 6
2.2.1.2. Viés devido à efetividade de um ajuste de busca ... 7
2.2.1.3. Viés de imaginabilidade ... 7 2.2.1.4. Correlação espúria ... 7 2.3. Divulgação de notícias ... 8 2.4. Liquidez de Ações ... 9 3. METODOLOGIA ... 11 3.1. Amostra Selecionada ... 11
3.1.1. Dados históricos das Ações ... 11
3.1.2. Determinação da Liquidez ... 12
3.1.3. Notícias Divulgadas ... 13
3.2. Análises Estatísticas ... 15
3.2.1. Análise de Correlação ... 15
3.2.2. Análise de Regressão Linear ... 18
4. RESULTADOS OBTIDOS ... 26
5. CONSIDERAÇÕES FINAIS ... 39
6. REFERÊNCIAS BIBLIOGRÁFICAS ... 41
xi
Índice de Tabelas
Tabela 1: Seleção das empresas e código das ações ... 11
Tabela 2: Ranking de empresas pela medida de liquidez ILIQ ... 26
Tabela 3: Ranking de empresas pela medida de liquidez FR ... 27
Tabela 4: Resumo da amostra de notícias por empresa ... 28
Tabela 5: Resumo da amostra de notícias por tipo ... 29
Tabela 6: Comparação ranking de liquidez ILIQ e FR e notícias ... 30
Tabela 7: Análise de Correlação entre liquidez FR e notícias ... 31
Tabela 8: Análise de Correlação entre liquidez ILIQ e notícias ... 32
Tabela 9: Intervalo de Confiança do Coeficiente de Correlação entre liquidez FR e notícias ... 33
Tabela 10: Análise de Correlação entre Notícias Boas e Ruins ... 34
Tabela 11: Análise de Regressão para o Modelo 1 (Liquidez FR e Total de Notícias) ... 35
Tabela 12: Análise de Regressão para o Modelo 2 (Liquidez FR e Notícias Boas e Ruins) ... 36
1
1. INTRODUÇÃO
Estudos sobre Finanças Comportamentais vêm sendo desenvolvidos há muitas décadas e ainda constitui uma área em desenvolvimento. Fundamentada nas características intrínsecas dos seres humanos, que estão sujeitos a vieses que influenciam o processo decisório, as Finanças Comportamentais une elementos de Psicologia Cognitiva, Economia e Finanças para compreender o comportamento humano no mercado financeiro (PASSOS, et al., 2012).
Diferente de outros enfoques dados a Finanças, a área de Finanças Comportamentais baseia-se nos pressupostos de que os agentes tomam decisões sobre os investimentos apoiados não apenas em aspectos racionais, como sugerido tradicionalmente, mas enviesados por conta do seu comportamento psicológico complexo. Esta nova área de estudo busca aperfeiçoar as pesquisas referentes às finanças para torná-las mais próximas da realidade buscando respostas para as anomalias encontradas no mercado.
As Finanças Comportamentais ganharam evidência com o trabalho dos psicólogos Amos Tversky e Daniel Kahneman, ganhador do prêmio Nobel de Economia em 2002, principalmente pelo desenvolvimento da Prospect Theory: an analysis of decision under risk (Teoria da Perspectiva: uma análise de decisão sob risco) em 1979 (KAHNEMAN & TVERSKY, 1979). Os autores estabeleceram uma base cognitiva para os erros humanos comuns, utilizando heurísticas. Dentre os processos heurísticos estudados por Kahneman e Tversky, está a Heurística da Disponibilidade, desenvolvida em 1973, tema central do presente trabalho. Tal heurística diz que os indivíduos atribuem maior peso às informações mais recentes ou disponíveis no processo decisório, superestimando ou subestimando a probabilidade de um evento ou resultado, baseando suas decisões na expressividade que o evento tem em sua memória (KAHNEMAN & TVERSKY, 1973).
Sendo assim, pode-se perceber que os vieses ocasionados pela Heurística da Disponibilidade estão relacionados às informações vívidas e recentes, que não obrigatoriamente são as mais prováveis. É muito comum as pessoas estipularem probabilidades de eventos baseados em experiências que são rapidamente acessíveis na memória, ou seja, que estão mais recentes, esquecendo informações antigas, talvez até
2 mais importantes. O entendimento desta heurística leva a um questionamento sobre a divulgação de notícias relacionadas ao mercado financeiro. Notícias de diferentes tipos, de conotação boa ou ruim, poderiam impactar no julgamento e na tomada de decisão nas negociações de um investidor no mercado de ações, mais especificamente na liquidez das ações?
O presente estudo tem como objetivo testar a hipótese de que a Heurística da Disponibilidade exerce influência sobre o julgamento e tomada de decisão do investidor no mercado de ações frente às notícias divulgadas pelos meios de comunicação. As análises aqui realizadas, ainda que incipientes, procuram servir de projeto piloto ou como um teste prévio da referida hipótese que, se os resultados obtidos forem satisfatórios, poderão ser replicados em análises mais aprofundadas.
Sendo um projeto piloto, a metodologia aplicada poderá ser vista como um primeiro passo para a análise, com possibilidade de aprofundamento ou até mesmo uma sugestão de reestruturação da metodologia. A escolha das medidas para se verificar a associação entre as notícias divulgadas e as negociações no mercado de ações têm como propósito indicar caminhos para novos estudos.
No que se refere à amostra utilizada, o estudo proposto tem limitações, pois, como observado, o objetivo não é fazer uma vasta e profunda análise do tema. Serão coletadas amostras suficientes para se ter uma análise preliminar do tema. Assim, os dados coletados serão referentes ao mercado de capitais brasileiro e a um meio de comunicação nacional.
A relevância de tal estudo pode ser destacada pelo fato de, nos últimos anos, o Brasil vir apresentando um significativo desenvolvimento de seu mercado de capitais, principalmente após a estabilização da espiral inflacionária. Por isso, cada vez mais, empresas têm buscado o mercado de capitais para se financiar, sendo o mercado de ações o que mais se beneficiou com isto. Considerando a representatividade do mercado de ações na alavancagem de empresas brasileiras, todas as possíveis anomalias que o afetam precisam ser observadas e estudadas. Dessa forma, não somente os investidores se beneficiarão com tal conhecimento, mas as empresas poderão fundamentar suas estratégias nessas informações (COSTA & SALLES, 2010).
3 Além disso, os meios de comunicação de massa são significativamente influenciadores nos julgamentos e tomadas de decisões dos indivíduos e das próprias empresas. O entendimento da correlação entre o papel dos meios de comunicação e o mercado de ações pode fornecer insights para novas formas de posicionamento da empresa, preocupação com imagem, etc.
Este trabalho está estruturado de forma a contextualizar o leitor sobre a problemática aqui tratada, indicar como foi realizada a análise, mostrar os resultados e apresentar as considerações finais. Para tanto, optou-se por dividi-lo em 5 seções: Introdução, Referencial Teórico, Metodologia, Resultados Obtidos e Considerações Finais.
Na Introdução, contextualizou-se o tema, demonstrou-se sua relevância e o objetivo desse trabalho. Em seguida, no Referencial Teórico, com o propósito de apresentar informações para o entendimento do trabalho, foi feita uma explanação sobre tomada de decisão, heurísticas, divulgação de notícias e liquidez. A terceira parte trata da metodologia adotada no trabalho, explicitando os critérios de seleção da amostra, as medidas de liquidez escolhidas e os modelos estatísticos que foram utilizadas para realizar a análise. No capítulo seguinte, serão apresentados os resultados e realizada uma análise sobre esses descobrimentos. Ao final do trabalho serão feitas as considerações finais do mesmo, indicando os objetivos alcançados, as considerações mais significativas e, por se tratar de um estudo preliminar, sugestões para aprofundamento ou ampliação do tema aqui discutido.
4
2. REFERENCIAL TEÓRICO
2.1. Julgamento e Tomada de Decisão Racional
Todos os dias, as pessoas passam por momentos em que precisam decidir algo. Podem ser desde situações simples, como qual roupa usar para ir trabalhar, a situações complexas de origens diversas, como uma decisão estratégica do gerenciamento da sua empresa, um plano de tratamento de um paciente ou a formação da sua carteira de ações. Independente da complexidade, o que todos esses problemas têm em comum é a existência de um conjunto de opções disponíveis para serem escolhidas e as probabilidades dos resultados e consequências relacionados a cada opção. Esse tipo de situação é chamado de problema de tomada de decisão.
Existem dois tipos de tomada de decisão: irracional e racional. A primeira é aquela que nós realizamos baseados em sentimentos e intuições, que não possuem uma lógica por trás. Já a segunda categoria, apesar de não existir uma definição precisa, apresenta um consenso quanto aos pré-requisitos de consistência e coerência que ela deve cumprir. Por exemplo, o Teorema de Bayes prescreve uma reação considerada correta a novas informações, onde se tem uma inferência estatística das probabilidades a priori na hora de se calcular uma probabilidade a posteriori condicionada (De BONDT & THALER, 1985).
No entanto, seguindo estudos que unem a estatística e a psicologia, observou-se que as pessoas constantemente não tomam decisões 100% racionais como definido acima. De acordo com Kahneman e Tversky (1981), o termo “quadro de tomada de decisão” é utilizado para indicar a concepção do tomador de decisão sobre as opções, os resultados destas e suas probabilidades. Existem dois fatores principais que estabelecem as características desse quadro, são eles: os hábitos, normas e características pessoais do tomador de decisão e a formulação do problema (KAHNEMAN & TVERSKY, 1981).
Outro conceito que influencia a tomada de decisão, por facilitar o processo decisório, são as chamadas heurísticas, a serem explicadas na próxima seção. Entretanto, seja pelo quadro de tomada de decisão ou pelas heurísticas, atualmente existe um grande debate na academia sobre a real motivação das decisões tomadas pelos indivíduos e como esses fatores podem levar o indivíduo a cometer erros de raciocínio.
5
2.2. Heurísticas e Viéses
No dia a dia, é comum as pessoas usarem atalhos mentais para o julgamento e tomada de decisão. São as chamadas heurísticas, processos criados com o objetivo de encontrar soluções para um problema. Contudo, tais atalhos podem gerar uma visão distorcida da realidade, levando a pessoa a fazer julgamentos enviesados e tomar decisões baseadas no senso comum e não na real probabilidade dos eventos.
Segundo Kahneman & Tversky (1974), as pessoas tendem a confiar em um número limitado de princípios heurísticos, que simplificam as atividades de avaliar probabilidades e de prever valores a simples atividades de julgamento. Três dessas heurísticas são: (i) representatividade, (ii) ajuste e ancoragem e (iii) disponibilidade (KAHNEMAN & TVERSKY, 1974).
A primeira, Heurística da Representatividade, diz que as pessoas tendem a avaliar as probabilidades de acordo com o grau de semelhança entre dois eventos. Nessa heurística, alguns dos vieses são: insensibilidade à probabilidade a priori, quando as pessoas possuem algum tipo de informação não estatística e tendem a utilizá-las em detrimento da probabilidade Bayesiana; insensibilidade ao tamanho das amostras; concepção errônea da possibilidade, quando as pessoas tendem a achar que os resultados de uma amostra deverão representar a população como um todo. Isso pode levar a uma superinterpretação dos resultados ou uma escolha errada do tamanho da amostra - Lei dos Pequenos Números (SPIEGEL, 2013), insensibilidade à previsibilidade e ilusão de validade.
Um estudo feito por Bondt e Thaler (1085) sobre comportamento de mercado e psicologia nas tomadas das decisões que podem levar a reações exageradas, tomou como base a heurística da representatividade. Eles explicam que os indivíduos tendem a dar mais importância a informações mais recentes. Aplicando isso ao Mercado de Ações, essa tendência das pessoas acaba sendo errônea, uma vez que as flutuações diárias das ações não são suficientes para refletir o mercado como um todo e a decisão de vender ou comprar ações tem que ser analisada mais profundamente (De BONDT & THALER, 1985).
A Heurística de Ajuste e Ancoragem representa a tendência das pessoas em confiar exageradamente, se ancorar em uma parte ou traço de uma informação ao tomar
6 decisões. Alguns dos vieses causados por isso são os ajustes insuficientes, viés na avaliação ou estimativa de eventos conexos e desconexos, ancoragem na avaliação de distribuições de probabilidades subjetivas, etc.
Por último, a Heurística da Disponibilidade, tema que originou a hipótese testada no presente trabalho, será detalhada a seguir.
2.2.1.Heurística da Disponibilidade
Dentre as heurísticas mais comuns, está a heurística da disponibilidade, na qual a pessoa avalia a frequência e probabilidade dos eventos pela facilidade com que tais ocorrências e relações vêm à mente (KAHNEMAN & TVERSKY, 1973). Com base nisto, é mais provável que as pessoas acreditem em algo, somente por encontrar, pelo menos, um exemplo disso e que não acreditem em algo, por nunca terem visto ou ouvido falar antes.
Os estudos de Kahneman e Tversky (1973) mostraram que as pessoas conseguem acessar a “disponibilidade” com rapidez e acurácia. Além disso, a facilidade com que os eventos podem ser trazidos à mente influencia na construção do julgamento com relação à frequência. Ou seja, os eventos que são fáceis de lembrar ou imaginar são percebidos como mais frequentes, procedimento denotado como heurística da disponibilidade (KAHNEMAN & TVERSKY, 1973). Essa heurística disponibiliza um procedimento para estimar a probabilidade de um evento, a frequência de coocorrências e a numerosidade de uma classe (KAHNEMAN, 2012). Porém, utilizar esse procedimento pode levar a erros sistemáticos, que chamamos de vieses. Podemos encontrar quatro importantes vieses no julgamento humano, descritos abaixo (KAHNEMAN & TVERSKY, 1974).
2.2.1.1. Viés devido à recuperação de ocorrências
Alguns fatores podem levar as pessoas a acharem que algo ocorre com maior frequência, devido à facilidade que têm para recuperar certas ocorrências ou subclasses de uma determinada classe. Um desses fatores é a familiaridade do individuo com certas ocorrências. Um exemplo prático disso é: se falarem uma lista de nomes de homens e mulheres famosas e em seguida perguntarem se existem mais homens ou mulheres na lista, se as mulheres forem mais famosas que os homens, a resposta tenderá para mulheres. Outro fator que impacta o julgamento das pessoas é o quão recente são as
7 informações de uma classe. Assuntos mais atuais costumam ser mais relevantes e impactam mais as probabilidades subjetivas. Por exemplo, quando alguém vê notícias de um acidente de avião, a probabilidade subjetiva de ocorrer outro acidente de avião é aumentada para o indivíduo. Por último, a importância dos assuntos para a pessoa faz com que tenha uma facilidade maior de lembrá-los em detrimento de assuntos menos importantes.
2.2.1.2. Viés devido à efetividade de um ajuste de busca
Esse viés consiste na tendência humana de acreditar em algo que você lembra em maior quantidade, pois estava mais disponível na sua memória, acontece com maior frequência. Isso pode ser exemplificado em uma situação, quando te perguntam com qual taxa de frequência aparecem palavras abstratas, como por exemplo, “amor”, “felicidade” e palavras concretas como “janela” e “terra” em um texto. O natural é você tentar trazer a mente em quantos contextos diferentes você consegue utilizar palavras abstratas e concretas. Se a frequência das palavras é julgada pela disponibilidade dos contextos, você achará que as palavras abstratas são mais fáceis de serem utilizadas, e com isso mais frequentes em um texto do que as palavras concretas.
2.2.1.3. Viés de imaginabilidade
Esse viés ocorre quando você deve avaliar a frequência de uma classe que não há na sua memória, mas que existe uma regra para gerá-la. Com essa regra, geramos ocorrências e, em geral, julgamos a frequência pela facilidade com que conseguimos gerar a ocorrência.
2.2.1.4. Correlação espúria
O efeito da correlação espúria descreve a situação em que o indivíduo acredita que existe uma correlação ou associação entre dois eventos, que de fato não existe. A heurística da disponibilidade consegue justificar esse fenômeno de forma natural. A pessoa acredita que a frequência da coocorrência dos dois eventos baseia-se no quão forte é a associação entre eles. Ou seja, quando essa ligação é fraca, as pessoas julgam que a frequência de coocorrência dos eventos é baixa.
8
2.3. Divulgação de notícias
A heurística da disponibilidade consegue explicar porque algumas questões são negligenciadas pelo público, enquanto outras são relevantes. Isso é causado pelo tamanho da cobertura da mídia sobre o assunto. Aqueles que são mencionados com menor frequência fogem à memória do público e os tópicos com maior volume de notícias tendem a ser mais proeminentes. Isso pode causar um fenômeno chamado de cascata da disponibilidade, ou seja, uma “cadeia de eventos autossustentável”. Essa cadeia começa na divulgação de uma informação, a principio considerada pouco significativa cujo segmento do público acaba por se interessar. Consequentemente, a mídia aumenta o seu foco nesse assunto, o que pode levar a população a um frenesi muito grande, devido ao tamanho da relevância dada ao assunto.
Aplicando ao mercado de ações, a maioria dos acionistas, principalmente os que não conhecem profundamente o mercado financeiro, acaba por fazer negociações baseadas em informações mais evidentes e recentes, em mudanças repentinas e temporárias no mercado divulgadas pelos meios de comunicação, prejudicando o investimento que deveria ter rendimento superior a longo prazo. Pode-se sugerir, além disso, a reação pelo efeito manada, em que ações têm seus valores modificados bruscamente por conta da reação de outros.
Podem-se separar em duas categorias os tipos de divulgação de notícias, a saber: as divulgações financeiras das empresas, que são obrigatórias, e as divulgações feitas pelos meios de comunicação, relacionadas direta ou indiretamente à empresa. A divulgação de notícias sobre empresas abertas, ou disclosure, é o ato de fornecer todas as informações relevantes de uma empresa que podem influenciar a decisão do investidor. Para fazer parte da Bolsa de Valores, as empresas precisam seguir todos os requisitos e regulamentos de divulgação financeira ou disclosure.
Diversos estudos já foram feitos sobre a relação entre as divulgações financeiras e o retorno das ações das empresas, sobre a qualidade ou quantidade dessas informações, entre outros, buscando-se uma relação entre as informações divulgadas e a possível reação do investidor a elas (LAMBERT, et al., 2006).
9 No caso da divulgação de notícias feitas pelos meios de comunicação, pode-se crer que são levadas em consideração as informações passadas pelas empresas em suas divulgações financeiras. Dessa forma, pode-se supor que as notícias divulgadas pelos meios de comunicação já incorporam de certa forma tanto as informações financeiras do disclosure quanto informações sobre a empresa, o setor e o mercado que influenciam também o investidor.
Além disso, as notícias também são classificadas por sua conotação positiva ou negativa, ou seja, se são notícias boas ou ruins. Tal classificação também pode ocasionar diferentes correlações com as ações negociadas nas empresas, dependendo do tipo de notícia. Um estudo recente, feito por Veronesi (1999), procurou a correlação entre notícias boas e ruins com a volatilidade das ações, fundamentado na ideia de que a incerteza dos investidores sobre fatores importantes que afetam a economia podem impactar a volatilidade das ações, quando notícias boas são divulgadas em momentos ruins e vice versa (VERONESI, 1999).
A literatura recente mostra que é crescente o interesse em analisar do papel dos meios de comunicação e do comportamento humano no mercado de ações. Assim, é relevante buscar uma correlação entre a divulgação de notícias feita pelos meios de comunicação sobre empresas com ações na bolsa e a liquidez de tais ações.
2.4. Liquidez de Ações
Liquidez representa a facilidade com que um ativo pode ser transacionado no mercado, ou seja, a facilidade com que ele pode ser convertido em dinheiro. A agilidade de conversão de um investimento sem perda significativa de seu valor, mede a sua liquidez. Pode-se entender, então, como o interesse do mercado em negociar este ativo (LYRA, et al., 2012). Quanto menor a liquidez do ativo, maior a dificuldade de negociá-lo. Sendo assim, por possuir um risco de liquidez maior, ou seja, por não ser transacionado tão rápido quanto o decréscimo do seu valor, o retorno exigido de um ativo de baixa liquidez tende a ser maior. Em um caso extremo em que a liquidez seja nula, não existem negócios neste mercado e, consequentemente, ele deixaria de existir, visto que o seu objetivo de ser um espaço que possibilite a troca de ativos não será mais cumprido (FERNANDEZ, 1999).
10 A liquidez no mercado de capitais é um conceito muito complexo de se observar e mensurar, pois suas propriedades não podem ser captadas em uma única medida. Sendo assim, apesar de diversas propriedades serem atribuídas à liquidez, não há até hoje um consenso sobre qual seria a propriedade ideal (AMIHUD, 2002).
Muitos estudos foram feitos para compreender quais são as propriedades da liquidez e como mensurá-la. Dentre os trabalhos mais importantes está o de von Wyss (2004), ao observar que a liquidez é uma variável multidimensional e deve ser mensurada através de características como o tempo de execução de uma ordem de compra ou venda de um ativo ao preço de mercado, habilidade de se comprar e vender um ativo ao mesmo tempo e ao mesmo preço, possibilidade de se comprar ou vender certo volume de um ativo sem interferir em sua cotação e a capacidade de negociar um volume de ações sem afetar de forma significativa a cotação da mesma (von WYSS, 2004).
11
3. METODOLOGIA
3.1. Amostra Selecionada
3.1.1.Dados históricos das Ações
Baseado no artigo desenvolvido por Lyra (2012) sobre a relação entre o retorno e a liquidez no mercado brasileiro, o critério de seleção das empresas brasileiras selecionadas para a análise foi escolher, dentre as empresas citadas, as que fossem de diferentes setores (LYRA, et al., 2012). Assim como no estudo supracitado, foram selecionadas as empresas com maior volume financeiro médio negociado para cada setor, segundo a classificação da BM&FBOVESPA. As empresas selecionadas estão listadas na Tabela 1 abaixo.
Tabela 1: Seleção das empresas e código das ações Fonte: Elaboração Própria
Empresas Código Setor da Economia
1 Cia de Bebidas das Américas - AMBEV AMBEV3 Bebidas
2 Cia Bras. de Distribuição - Grupo Pão de Açúcar PCAR4 Alimentos
3 WEG S.A. WEGE3 Bens Industriais
4 Marcopolo POMO4 Material Rodoviário
5 Vale S.A. VALE5 Mineração
6 Cia. Siderúrgica Nacional - CSN CSNA3 Siderurgia
7 Cia Tec. Norte de Minas - Coteminas CTNM4 Vestuário
8 Petróleo Brasileiro S.A. - Petrobrás PETR4 Petróleo
9 Itaú Unibanco Holding S.A. ITUB4 Bancos
10 Embraer S.A. EMBR3 Material Aeronáutico
11 Souza Cruz S.A. CRUZ3 Fumo
12 Cia Saneamento Básico do Estado de São Paulo SBSP3 Saneamento
13 Cosan S.A. Indústria e Comércio CSAN3 Açúcar e Álcool
14 PDG Realty S.A. Empr. E Partic. PDG3 Construção Civil
15 Cia Energética de MG - CEMIG CMIG4 Energia Elétrica
16 ALL América Latina Logística ALLL3 Logística
Foram selecionados setores de consumo não cíclico, consumo cíclico, petróleo, transporte logístico, energia elétrica, financeiro, bens industriais, materiais básicos, construção civil e utilidade pública. Dentro de cada um desses foram realizadas mais aberturas e selecionada a empresa de maior importância, segundo os critérios previamente estabelecidos. Do setor de consumo não cíclico, para o setor de Alimentos selecionou-se o Grupo Pão de Açúcar, para Bebidas a AMBEV, para Fumo a Souza Cruz e para Açúcar e Álcool a Cosan. Já para o setor de consumo cíclico, a empresa
12 Coteminas de vestuário é destacada. Dos setores de petróleo, transporte logístico, energia elétrica e financeiro tem-se a Petrobrás, a ALL Logística, a CEMIG e o Banco Itaú-Unibanco, respectivamente. No que se refere ao setor de bens industriais, constam a Embraer para o setor de material aeronáutico, Weg para bens industriais e Marcopolo para material rodoviário. A Vale para mineração e a CSN para siderurgia formam as empresas representantes do setor de materiais básicos. Para completar a lista das empresas selecionadas, nos setores de construção civil e utilidade pública as empresas que se destacaram foram a PDG Realty e a SABESP, respectivamente.
Os dados primários utilizados foram cotações diárias de fechamento em R$ de ações das empresas escolhidas, o volume financeiro diário negociado e o número de negócios realizados no dia, no período de 22 de julho de 2013 a 22 de julho de 2014. Todas as informações foram coletadas no terminal da Bloomberg.
3.1.2.Determinação da Liquidez
Com base no estudo de von Wyss (2004), buscou-se uma medida de liquidez que tornasse possível um cálculo, através de informações do mercado acionário brasileiro, de fácil acesso ao público e com dados históricos suficientes (von WYSS, 2004). Além disso, buscou-se também manter um alinhamento com o artigo de Lyra (2012), que também aborda a liquidez (LYRA, et al., 2012).
Sendo assim, uma das medidas utilizadas, proposta por Amihud (2002), é a medida de iliquidez denominada ILIQ. A ILIQ é a razão entre o módulo do retorno diário de um ativo sobre o volume financeiro negociado no dia. Esta medida expressa a sensibilidade do preço de um ativo, de acordo com seu volume financeiro, que é negociado diariamente. Por se tratar de uma medida de iliquidez, seu resultado é inversamente proporcional à liquidez da ação. Sua fórmula é descrita a seguir, onde representa o retorno no período e o volume financeiro negociado no período
AMIHUD, 2002 .
| |⁄
Outra medida considerada, também presente no estudo de Von Wyss (2004) e proposta por Ranaldo (2000), é a razão de fluxo, denominada FR, que mede se a negociação é feita em poucas transações grandes ou muitas transações pequenas (RANALDO, 2000). Como a liquidez aumenta com o número de transações e o volume
13 financeiro negociado, quanto maior a razão de fluxo, maior a liquidez. Sua fórmula pode ser vista abaixo, onde representa o número de negócios no período e o volume financeiro no período .
Com base nestas medidas, foram calculadas, para cada dia do período de 22 de julho de 2013 a 22 de julho de 2014, as duas medidas de liquidez. Calculando a média diária de cada medida de liquidez, para cada ação, foi possível elaborar um ranking para cada uma dessas medidas, com ordem decrescente de liquidez. A fim de classificar a liquidez das ações, as duas amostras foram divididas em três partes iguais. Onde: a primeira parte é de alta liquidez; a segunda de média liquidez; e a terceira de baixa liquidez.
3.1.3.Notícias Divulgadas
Além disso, foi necessário fazer uma coleta de dados das informações divulgadas, no período estudado, sobre essas empresas. Para isso, foi escolhido um meio de comunicação para a seleção de notícias a respeito das empresas selecionadas - no caso, a internet por meio de notícias online. A fim de restringir a quantidade de notícias analisadas, decidiu-se focar em um só site de divulgação: o Valor Econômico. Foi feita uma pesquisa do número de notícias divulgadas diariamente. Além disso, foi feita uma classificação entre notícias boas, ruins e neutras. Para tal classificação, foram determinadas diversas premissas e limitações para que a análise fosse coerente e conclusiva.
Primeiramente, a pesquisa restringiu-se apenas às notícias que contivessem uma citação da empresa em questão, não considerando notícias do setor, mercados influentes, etc. se estas não citassem explicitamente a empresa. A classificação entre notícias boas, ruins e neutras leva em consideração somente o que se refere à empresa e não à notícia como um todo. Por exemplo, uma notícia ruim sobre uma empresa concorrente com uma citação positiva sobre a empresa analisada é considerada uma notícia boa. Já as notícias neutras são citações sobre a empresa que não oferecem conotação positiva nem negativa, não tendo uma interpretação conclusiva sobre a sua classificação.
14 A classificação entre notícias boas, ruins e neutras foi feita subjetivamente pelas autoras do trabalho. Parte da amostra de notícias coletadas está demonstrada, como exemplo, no ANEXO A, com notícias sobre o Grupo Pão de Açúcar: data, título, tipo de notícia e a classificação. Neste anexo, pode-se observar a metodologia utilizada para tal classificação. Dentre as notícias boas, estão as notícias relativas à Bolsa, com crescimento das ações das respectivas empresas; à situação financeira da empresa, quando positiva; às estratégias da empresa, como uma união que renderá muitos benefícios; etc. Já dentre as notícias ruins, pode-se citar notícias sobre: a queda da Bovespa ou das ações da empresa; prejuízos ou declínio do lucro da empresa; ameaça de concorrentes; escândalos políticos envolvendo a empresa; mudança de governança que prejudique a imagem da empresa; etc. As notícias neutras foram situações peculiares nas quais a empresa selecionada é citada de forma imparcial ou não tem relação com a conotação positiva ou negativa da notícia.
Na seção de resultados, é apresentado um resumo dos dados coletados de cada empresa, com quantidade total de notícias coletadas no período de 22 de julho de 2013 a 22 de julho de 2014 e com a quantidade de notícias discriminadas em boas, ruins e neutras. Como as notícias não necessariamente são divulgadas nos dias de abertura da Bolsa de Valores, todas as notícias divulgadas, nos dias em que a Bolsa não operou, foram relacionadas ao primeiro dia de abertura da Bolsa, após a data de divulgação.
Como o tipo de notícia pode influenciar de maneiras diferentes na liquidez, foi analisado, para cada notícia coletada, qual era a sua classificação por tipo. Estes tipos poderiam ser: Finanças, Empresas, Política, Brasil e Outras, que são notícias menos frequentes, relacionadas a Agronegócios, Carreira, Cultura e Estilo, Legislação e Tributos, Eleições 2014, Internacional etc. As notícias de Finanças são basicamente associadas às informações sobre o desempenho das ações, relatórios do mercado de ações, dados contábeis da empresa (principalmente oriundos da divulgação financeira, disclosure), etc. As notícias sobre Empresas são ligadas ao setor do mercado ao qual ela está inserida, às empresas concorrentes, às estratégias empresariais, etc. Notícias pertencentes à classificação Política são referentes às políticas macroeconômicas que afetam a ação e a empresa de modo geral, escândalos políticos, etc. Notícias sobre o Brasil são, principalmente, as relacionadas à conjuntura política e econômica, pois afetam exclusivamente ao país.
15
3.2. Análises Estatísticas
Com as informações das amostras em mãos, análises estatísticas são elaboradas para se testar a hipótese proposta: se existe relação e/ou influência entre as notícias divulgadas pelos meios de comunicação e a liquidez das ações. Para isso, serão feitas análises de correlação e regressão para atender aos respectivos fins. A base metodológica de tais cálculos será descrita a seguir.
De acordo com Gujarati (2011), o principal objetivo da análise de correlação é medir a força ou o grau de associação linear entre duas variáveis. Ela está estritamente relacionada à análise de regressão, mas, conceitualmente, é muito diferente. Enquanto o coeficiente de correlação mede a força dessa associação linear, a análise de regressão não está interessada preferencialmente em tal medida. Em vez disso, a análise de regressão busca estimar ou prever o valor médio de uma variável com base nos valores fixos de outras variáveis (GUJARATI & PORTER, 2011).
Dentre algumas diferenças da regressão e da correlação relatadas por Gujarati (2011), pode-se dizer que na análise de regressão existe uma assimetria na maneira como as variáveis dependentes e explanatória são tratadas. Nela, supõe-se que a variável dependente é estatística, aleatória ou estocástica, ou seja, tem distribuição probabilística, e que as variáveis explanatórias têm valores fixos (em amostras repetidas). Na análise de correlação, por outro lado, tratam-se quaisquer duas variáveis simetricamente, não existindo distinção entre as variáveis dependente e explanatória e, além disso, supõe-se que as duas variáveis são aleatórias. Em suma, a maior parte da teoria da correlação baseia-se na premissa da aleatoriedade das variáveis, enquanto boa parte da teoria de regressão está condicionada à premissa de que a variável dependente é estocástica, mas as variáveis explanatórias são fixas ou não estocásticas (GUJARATI & PORTER, 2011).
3.2.1.Análise de Correlação
Como já dito anteriormente, a análise de correlação observa a medida da variação conjunta das variáveis (ou co-variação) em um diagrama de dispersão. Para isso, utiliza-se o coeficiente de correlação (rô), uma medida do grau de associação entre duas variáveis, que é definido como a razão da covariância pelos desvios padrões das variáveis estudadas, como indicado na equação abaixo (SALLES, 2010)
16
,
Deve-se lembrar que o cálculo do é aplicado a cálculos de correlação populacional. Para calcular a correlação amostral utiliza-se:
, !"#$ % "# "$
&!"#'% "# '&!"$'% "$ '
Para cada empresa, todas as variáveis analisadas (liquidez FR, total de notícias diárias, notícias boas e notícias ruins) foram correlacionadas entre si e demonstradas em uma matriz com os seus respectivos coeficientes de correlação . Segundo Gujarati (2011), podem-se salientar algumas das propriedades de :
1. Pode ser positivo ou negativo, dependendo do sinal do termo no numerador da equação, que mede a covariação amostral das duas vaiáveis. Quando positiva, significa que uma variável aumenta quando a outra cresce e, quando negativa, as variáveis variam em direções opostas;
2. Situa-se entre os limites -1 e +1, sendo, para valores positivos: 0 - Correlação Nula
0 ( ) 0.3 - Correlação Fraca 0.3 ( ) 0.7 - Correlação Moderada
0.7 ( ) 1 - Correlação Forte 1 - Correlação Perfeita
3. A correlação nula não significa necessariamente que e são independentes. Porém, se e são estatisticamente independentes, o coeficiente de correlação entre elas é zero.
4. Possui natureza simétrica, isto é, o coeficiente de correlação entre e é o mesmo que aquele entre e ;
5. É independente da origem e da escala;
17 7. Mesmo sendo uma medida de associação linear entre duas variáveis, ela não implica necessariamente qualquer relação de causa e efeito.
De acordo com Salles (2010), também se considera a correlação espúria, que é a existência de um coeficiente de correlação entre duas variáveis sem nenhuma explicação lógica e de causa e efeito para isso. As causas mais frequentes da ocorrência de correlações espúrias são, por exemplo, a distribuição não equilibrada dos dados, a relação entre quocientes de variáveis que apresentam o mesmo denominador, e a relação de variáveis que foram multiplicadas por uma delas (SALLES, 2010).
É possível testar a hipótese de que o coeficiente de correlação linear é igual a zero, ou seja, fazer um teste de significância estatística do coeficiente de correlação. Se a hipótese é rejeitada, o coeficiente de correlação tem significância estatística. Em geral, um teste de significância utiliza os resultados amostrais para verificar a veracidade ou falsidade de uma hipótese nula (SALLES, 2010).
./: 0
.1: 2 0 A estatística de teste é dada por:
/ 31 % ! % 2' Onde:
= estatística do teste;
! = tamanho da amostra;
= estimativa do coeficiente de correlação linear
A estatística do teste ou estimador t, segue uma distribuição t de Student com (! % 2) graus de liberdade, sob a possibilidade da hipótese nula ./ 0. A hipótese nula ( 0) é rejeitada, se o módulo de t for maior que o valor crítico para a estatística do teste bilateral, para um nível de significância α, com (n – 2) graus de liberdade.
18 Também é possível construir um intervalo de confiança para r. Assim, pode-se observar com probabilidade (1-α) quais são os Limites Inferiores de Confiança e Limites Superiores de Confiança (intervalo de confiança) do coeficiente de correlação (MONTGOMERY & PECK, 1992). O intervalo de confiança é dado por:
9 : 4 '5;78'
Sendo que:
31 % ! % 2'
3.2.2.Análise de Regressão Linear
Conforme Gujarati (2011), a análise de regressão tem como objetivo estudar a dependência de uma determinada variável, a variável dependente ( ), com relação a uma ou mais variáveis distintas, as variáveis explanatórias ( ), de forma a estimar e/ou prever o valor médio da primeira, em termos dos valores conhecidos ou fixados das segundas. Em outras palavras, podemos dizer que o valor da média condicional de é dado por uma função da variável explanatória , escrito de sua forma simbólica como
; | < = < . Essa equação é conhecida como função de regressão populacional (FRP) ou função de esperança condicional (FEC). A função linear de regressão populacional é considerada uma das mais importantes e utilizadas. Ela é dada por:
; | < >1? >' <
Na qual >1 e >' são parâmetros desconhecidos, denominados coeficientes de regressão.
>1 e >' também são conhecidos como intercepto e coeficiente angular, respectivamente. Sua especificação estocástica é conhecida por:
< ; | < ? @< >1? >' < ? @<
Onde @< é o erro estocástico ou resíduo. A FRP pode ser obtida a partir da função de regressão amostral, onde se substitui os parâmetros pelos seus respectivos estimadores.
Existem inúmeros métodos para estimar a FRP a partir da FRA. O mais utilizado, por ser intuitivamente convincente e matematicamente mais simples que outros, é o Método dos Mínimos Quadrados Ordinários (MQO). Atribuído a Carl Friedrich Gauss, ele tem por objetivo estimar/calcular os valores dos estimadores >1 e
19
>'. Porém, em uma análise de regressão, procura-se realizar inferências relativas aos verdadeiros >1 e >' (GUJARATI & PORTER, 2011). Para isso, utilizamos os Modelos Clássicos de Regressão Linear (MCRL) simples e múltiplo, dependendo do número de variáveis explanatórias. Pode-se dizer que, para utilizá-los, devem-se cumprir alguns pressupostos, listados abaixo:
1. O modelo de regressão deve ser linear nos parâmetros, embora não precise ser linear nas variáveis;
2. Os valores de devem ser fixos ou independentes do termo de erro estocástico;
3. O valor médio do termo de erro estocástico ei é zero
4. A variância do termo de erro estocástico é homocedástica, isto é, a dispersão dos resíduos é constante ao longo da regressão, independente do valor de ;
5. Não pode haver autocorrelação entre os termos de erro estocástico; 6. O número de observações n deve ser maior que o número de parâmetros
a serem estimados
7. Os valores de não podem ser os mesmos, ou seja, deve haver variabilidade dos valores de ;
8. Não há multicolinearidade exata entre as variáveis explanatórias (quando houver mais de uma), ou seja, é necessário que não haja uma relação linear exata entre os regressores.
9. Ausência de erro de especificação no modelo utilizado, ou seja, não ocorreram erros na concepção do modelo, como, por exemplo, a escolha incorreta das variáveis ou da forma funcional da relação entre as variáveis dependentes e explanatórias.
Este estudo tem como objetivo verificar a dependência da variação da liquidez diária de cada ação em relação ao número de notícias diárias divulgadas. Para isso, foram realizadas duas análise de regressão. No primeiro caso, a variação da liquidez diária da ação (variável dependente) é relacionada com o número total de notícias diárias (variável explanatória única), enquanto no segundo caso, a variação da liquidez diária da ação (variável dependente) é relacionada com o número de notícias diárias boas (variável explanatória 1) e ruins (variável explanatória 2).
20 Sob a conjectura de que os pressupostos não estão sendo violados, foram construídos dois modelos de regressão linear para estimar a variável média das variações da liquidez diária das ações a ambas as análises de regressão explicadas acima, um de regressão simples, Modelo 1, e um de regressão múltipla, Modelo 2, respectivamente. Suas formas estocásticas são descritas a seguir.
Modelo 1:
∆ < >1? >' < ? @< Onde:
• ∆ < = variação da medida de liquidez FR da ação B no dia ;
• >1 = intercepto
• >' = coeficiente de regressão
• < = número de notícias total divulgadas no dia t da ação i;
• @< = erro estocástico. Modelo 2:
∆ < >1? >' <C? >D <8? @< Onde:
• ∆ < = variação da medida de liquidez FR da ação B no dia ;
• >1 = intercepto
• >' e >D = coeficientes de regressão
• <C = número de notícias boas divulgadas no dia t da ação i;
• <8 = número de notícias ruins divulgadas no dia t da ação i;
• @< = erro estocástico.
Testes foram realizados para garantir a não violação dos pressupostos para estes modelos. Por exemplo, o teste de Durbin-Watson pode ser observado nos resultados obtidos nos testes com os modelos de regressão para detectar a presença de autocorrelação entre as séries utilizadas no modelo. Além disso, a análise de correlação feita entre as variáveis referentes às notícias boas e às noticias ruins foi realizada para verificar o pressuposto da multicolinearidade.
21 Assumindo que todos os pressupostos estão sendo respeitados, é feita a análise de regressão para estimar o ß1, o intercepto, e o ß2 e ß3, os coeficientes de regressão. Também se observa o valor-p (o valor da probabilidade), também conhecido como nível de significância exato ou observado. Mais tecnicamente, o valor-p é definido como o menor nível de significância que uma hipótese nula pode ser rejeitada (GUJARATI & PORTER, 2011).
Contudo, considerando uma segunda conjectura em que há violação dos pressupostos, especialmente o de homocedasticidade, foi selecionado outro tipo de modelo para que se consiga realizar as duas análises entre a variável dependente e as explanatórias supracitadas sem ser tendencioso. Mas, antes de descrever o modelo utilizado, é preciso relembrar alguns conceitos importantes e explicar porque essa mudança de modelos é necessária.
A começar pela heterocedasticidade, podemos defini-la como a não uniformidade da dispersão dos resíduos ao longo da linha de regressão, ou seja, a variância dos resíduos não é constante (SALLES, 2010). Essa característica entra em conflito com um dos principais pressupostos para utilização do modelo clássico de regressão linear. Existem inúmeros motivos para que o modelo seja heterocedástico. Nesse caso específico, uma possível razão para essa ocorrência é a assimetria na distribuição de um ou mais dos regressores incluídos no modelo. Segundo Gujarati (2011), o problema de se persistir no uso de procedimentos comuns de teste, apesar da heterocedasticidade, quais que sejam as conclusões a que se chegue ou as inferências feitas poderão ser equivocadas (GUJARATI & PORTER, 2011).
Outro conceito importante é o de séries temporais. Uma série temporal é um processo estocástico, ou seja, uma coleção de variáveis aleatórias ordenadas no tempo, que pode ser ou não estacionário. O conceito de estacionariedade se baseia na constância da média, variância e autocovariâncias (entre dois períodos de tempo) independente do ponto que observar. A não ocorrência da estacionariedade pode ser denominada modelo de passeio aleatório (GUJARATI & PORTER, 2011). Esse tipo de série é muito vista no mercado de ações, ao se analisar os preços das ações ou taxas de câmbio e pode causar análises errôneas, se não houver conhecimento de que a série é não estacionária. Diz-se que essas séries seguem um passeio aleatório. De maneira
22 resumida, diferenciar o modelo de passeio aleatório é uma maneira de se tratar a não estacionariedade dele.
Todas as essas características, quando se trata de séries temporais financeiras, como os preços de ativos, podem ser justificada pelo fenômeno da aglomeração de volatilidade, ou seja, em determinados períodos existem grandes oscilações e em outros períodos as variações são menores. Esse fenômeno pode ser explicado pela observação feita por Philip Franses (GUJARATI & PORTER, 2011), economista holandês:
“Uma vez que os dados [da série temporal financeira] refletem o resultado do comércio entre compradores e vendedores em, por exemplo, mercado de ações, muitas fontes de notícias e outros eventos econômicos exógenos podem ter um impacto no padrão da série temporal dos preços dos ativos. Dado que as notícias podem levar a interpretações variadas, e também dado que eventos econômicos específicos como uma crise de petróleo podem durar por algum tempo, frequentemente observamos que grandes observações positivas ou grandes observações negativas em séries temporais tendem a aparecer em aglomerados.”
Tendo isso em mente, na análise de regressão envolvendo séries temporais, se o modelo de regressão incluir não só os valores correntes, mas também um ou mais valores defasados da variável dependente entre suas variáveis explanatórias, é denominado modelo autorregressivo, como sugere Gujarati (2011). Para a estimação desse modelo, a teoria clássica dos mínimos quadrados pode não ser diretamente aplicável a ele. Isso ocorre por dois motivos: pela presença de variáveis estocásticas e pela possibilidade de correlação serial. No segundo caso, se uma variável explanatória em um modelo de regressão está correlacionada com o erro estocástico, os estimadores de MQO não são apenas tendenciosos, mas também não são consistentes, isto é, os estimadores não se aproximam de seu valor populacional verdadeiro mesmo que ao tamanho da amostra seja aumentado (GUJARATI & PORTER, 2011).
E, para o caso específico da aglomeração de volatilidade, existem dois modelos que podem ser utilizados para capturar as características: o modelo de heterocedasticidade condicional autorregressiva (ARCH, do inglês autoregressive conditional heteroscedasticity) e o modelo de heterocedasticidade condicional autorregressiva generalizada (GARCH, do inglês generalized autoregressive
23 conditional heteroscedasticity). Gujarati (2011) explica que, como o próprio nome sugere, a heterocedasticidade ou variância desigual pode ter uma estrutura autorregressiva na qual a heterocedasticidade observada ao longo de diferentes períodos pode ser autocorrelacionada (GUJARATI & PORTER, 2011).
No modelo original ARCH (LONTRA & SALLES, 2012), a variância é modelada em função dos resíduos e é estimada da seguinte forma:
E' F ? G H <I'8< J
<K1 Onde:
E' = Estimativa da variância no tempo t;
I'8< = Resíduos da estimativa do retorno do ativo no perídot-1;
L = Número de períodos anteriores a t utilizados para estimar a variância.
O modelo de GARCH, uma forma estendida do ARCH, teve um termo adicionado à equação de variância, passando a depender, também, da variância anterior, além dos resíduos anteriores (LONTRA & SALLES, 2012). Nesta extensão do modelo, a variância é modelada da seguinte forma:
E' F ? G H<I 8< ' J <K1 ? G >ME'8M N MK1 Com as seguintes restrições:
F O 0, L O 0, P Q 0, H< Q 0 @ >M Q 0
No caso do presente trabalho, as variáveis citadas p e q, que indicam o número de períodos anteriores utilizados para as variáveis das equações, foram de um período para ambos os modelos ARCH e GARCH. Em suma, utilizou-se o modelo ARCH(1) e GARCH(1,1).
Duas derivações do modelo GARCH foram propostas, chamadas respectivamente de IntegratedGARCH (IGARCH) e ExponentialGARCH (EGARCH). A primeira inclui duas restrições: considera que o intercepto é igual a zero e que o somatório dos coeficientes de regressão se igualam a 1 (LONTRA & SALLES, 2012).
24 G H< J <K1 ? G >M N MK1 1
A segunda, EGARCH, busca captar desvios assimétricos feitos por informações positivas e negativas, além de ponderar as observações, dando mais peso às informações mais recentes que às informações mais antigas (LONTRA & SALLES, 2012). A variância é modelada da seguinte forma:
log ' F ? G UH< |I 8<| ? V< I 8< 8< W N <K1 ? GX>< log '81 Y J <K1
Com isso, tendo em vista a segunda conjectura, de violação dos pressupostos para o modelo linear de regressão – a volatilidade das séries analisadas (variação da medida de liquidez), que indica a heterocedasticidade – o presente trabalho modela a variância da variável dependente (variação da medida de liquidez) para os dois modelos supracitados (Modelo 1 e Modelo 2), utilizando o método de inferência estatística da família ARCH. Sendo assim, foram testadas diversas combinações de modelos (entre os modelos de regressão linear para modelar a média e os modelos da família ARCH para modelar a variância) para se escolher os que melhor explicavam os dados das séries analisadas. Para todos os testes, foi utilizado o software EViews, programa estatístico utilizado para análise econométrica. Em cada modelo, foram estimados para cada ação todos os quatro tipos de modelos da família ARCH, combinados com as distribuições de probabilidade Normal e t-Student. Em suma, um total de 16 combinações de modelos e distribuições de probabilidade foram testadas para se encontrar o melhor modelo que explicasse a amostra.
A seleção do melhor modelo foi feita através do erro padrão e dos critérios de informação de Akaike (AIC - Akaike Information Criterion) e de Schwartz (BIC - Bayesian Information Criterion). O erro padrão é uma medida da precisão da média amostral calculada, sendo que quanto menor o erro-padrão, mais precisa é a média amostral. O critério de informação de Akaike mede, por meio da ponderação entre o número de variáveis presentes em um modelo e sua conformidade com os dados, a adequação de um modelo estatístico analisado. O modelo é definido como:
25
Z @'[/7 ]]
!
Também apresentado na forma:
ln _ Z `2a! b ? ln ` ! b]]
onde:
a = número de regressores (incluindo o intercepto); ! = número de observações
Ao compararmos dois ou mais modelos, o modelo com o valor mais baixo de AIC é preferido (LONTRA & SALLES, 2012). Segundo Gujarati (2011), “uma vantagem do AIC é que é útil não só dentro da amostra, mas também fora dela, prevendo o desempenho de um modelo de regressão”.
Já o critério de Schwartz, que também mede a adequação do modelo estatístico, penaliza de forma mais enfatizada os modelos com mais parâmetros, ocasionando em um maior trade-off entre o poder de explicação do modelo e sua complexidade. Sua fórmula é descrita a seguir:
c Z ![/7 ]]
!
ou
ln c Z `a!b ln ! ? ln ` ! b]]
Onde 2 a !5 ln ! representa o fator de penalidade do modelo.
Assim como no AIC, o BIC pode ser usado para comparar o desempenho do modelo quando as previsões são feitas dentro e fora da amostra. Neste caso, quanto menor o valor resultante, mais adequado é o modelo estatístico analisado (LONTRA & SALLES, 2012).
26
4. RESULTADOS OBTIDOS
Nesta seção serão apresentados os dados e as análises gerados a partir da metodologia empregada. Inicialmente, a partir das ações das empresas selecionadas para este trabalho e seus dados históricos diários de variação do retorno, volume financeiro e quantidade de ações negociadas no período de 22 de julho de 2013 a 22 de julho de 2014, foram calculadas as médias diárias das medidas de liquidez ILIQ e FR no período para cada ação.
Primeiramente, a média diária da medida de liquidez ILIQ foi listada em ordem crescente de valor, por se tratar de uma medida de iliquidez, para que se pudesse fazer um ranking de liquidez de ações, exposto na Tabela 2. Neste ranking, as ações foram divididas em três grupos: alta, média e baixa liquidez. As sete primeiras empresas (Petrobras, Vale, PDG Realty, Itaú, Ambev, CSN e CEMIG) são as empresas mais líquidas, segundo a medida ILIQ. A Marcopolo, Embraer, Souza Cruz e Cosan são as empresas do grupo intermediário, de média liquidez. Já as demais (Sabesp, Grupo Pão de Açúcar, Coteminas e WEG) são as empresas com valores de liquidez baixos.
Tabela 2: Ranking de empresas pela medida de liquidez ILIQ Fonte: Elaboração Própria
Empresas Ação Medida ILIQ Liquidez
1 Petrobras PETR4 5,8E-10
Alta
2 Vale VALE5 7,9E-10
3 PDG Realty PDGR3 1,0E-09
4 Itaú ITUB4 1,1E-09
5 AMBEV AMBEV3 1,1E-09
6 CSN CSNA3 3,1E-09
7 CEMIG CMIG4 3,8E-09
8 ALL ALLL3 6,1E-09
Média
9 Marcopolo POMO4 6,1E-09
10 Embraer EMBR3 6,7E-09
11 Souza Cruz CRUZ3 1,0E-08
12 Cosan CSAN3 1,1E-08
Baixa
13 Sabesp SBSP3 1,2E-08
14 Grupo Pão de Açúcar PCAR4 1,6E-08
15 Coteminas CTNM4 2,1E-05
16 WEG WEGE3 3,0E+02
Para a medida de liquidez FR, também foi feito o mesmo procedimento, listando um ranking de na ordem decrescente das empresas, que pode ser observado na Tabela 3.
