Econometria Aplicada
Parte I
V Curso de Especialização em Mercado
Financeiro e Investimentos - MERFI
Econometria
•
Econometria é a aplicação de matemática e estatística a dados
econômicos
•
É ramo da economia que visa dar conteúdo empírico às relações
O PROCESSO ECONOMÉTRICO
Teorias e hipóteses
Formulação matemática/estatística
Modelagem econométrica
Recursos computacionais
Resultados
Análise: inferência estatística, testes de robustez
Conclusões: os resultados são robustos?
Sim Não
Publicação
dados
𝑃𝑡 = 𝑃𝑡−1 + 𝑢𝑡
Eviews, R, Stata, Matlab, SAS
Dependent Variable: LOG(P) Method: Least Squares Date: 03/11/17 Time: 23:41 Sample (adjusted): 2 100 Included observations: 99 after adjustments
HAC standard errors & covariance (Bartlett kernel, Newey-West fixed bandwidth = 4.0000)
Variable Coefficient Std. Error t-Statistic Prob. C 3.364198 0.292360 11.50705 0.0000 LOG(P(-1)) 0.095728 0.077168 1.240518 0.2178 R-squared 0.009170 Mean dependent var 3.720403 Adjusted R-squared -0.001045 S.D. dependent var 0.939522 S.E. of regression 0.940012 Akaike info criterion 2.734148 Sum squared resid 85.71146 Schwarz criterion 2.786574 Log likelihood -133.3403 Hannan-Quinn criter. 2.755360 F-statistic 0.897708 Durbin-Watson stat 1.954792 Prob(F-statistic) 0.345752 Wald F-statistic 1.538885 Prob(Wald F-statistic) 0.217776
-4 -3 -2 -1 0 1 0 1 2 3 4 5
10 20 30 40 50 60 70 80 90 100 Residual Actual Fitted
Tipos de variáveis em Finanças
Variáveis
•
Comportamento temporal: Estacionárias x
Não-estacionárias (Integradas/raízes unitárias)
•
Quanto à determinação:
–
endógenas (y
t)
–
exógenas (x
t)
–
pré-determinadas (y
t-1)
Tipos de Dados em Econometria
•
Tipos de dados: séries temporais (
t
); dados cross-seccionais
(
i
); dados em painel (longitudinais) (
i,t
)
Retorno de ativos financeiros
•
capitalização discreta:
•
capitalização contínua:
1
1 1
1
t t t
t
t t
P
P
P
R
P
P
1 1ln
tln
ln
t t t
t
P
R
P
P
P
Análise de Regressão
•
A principal ferramenta da econometria é a regressão
•
Objetivo: descrição e avaliação da relação entre uma
variável
(dependente)
e
uma
ou
mais
variáveis
(independentes, explanatórias, regressores).
•
A regressão pode ser simples (1 variável independente) ou
múltipla (diversas variáveis independentes)
Notação
•
Denota-se a variável dependente por
y
e as variáveis
independentes por
x
1, x
2, ... , x
konde
k
é o número de variáveis
independentes.
•
Nomes alternativos para as variáveis
y
e
x
:
y x
variável dependente variáveis independentes regressando regressores
variável efeito variáveis causais
Regressão x Correlação
• Quando dizemos que y e x são correlacionadas, significa que estamos tratando y e x de uma
maneira simétrica.
• Coeficiente de correlação: 𝜌𝑥,𝑦 = 𝑐𝑜𝑣(𝑥,𝑦)
𝜎𝑥𝜎𝑦
• Onde cov(x,y) = covariância entre x e y; x = desvio padrão de x; x = desvio padrão de y.
• Na regressão, tratamos a variável dependente (y) e as independentes (x’s) de modo diferente.
• A variável y é supostamente aleatória ou “estocástica”, i.e. possui uma distribuição de
probabilidades.
Regressão Linear Simples
• Se temos de valores passados para y e x, podemos construir um
gráfico de pontos com esses valores como coordenadas.
• A regressão consiste em encontrar uma reta que passe pelos pontos com o melhor ajustamento possível.
• • • • • • • •
• • • • • • • •
Regressão Linear Simples
• • • • • • • •
• • • • • • • •
y
a
b
= tg
q
q
a = intercepto ou constante; q = ângulo
Exemplo de Regressão Linear Simples: CAPM
•
CAPM: Modelo de Precificação de Ativos de Capital
•
Pressupõe que, para investidores com carteiras
diversificadas, existe uma relação linear entre o retorno em
excesso de uma ação e o retorno em excesso da carteira de
mercado:
( ) ou ( )
R = retorno do ativo; R =retorno da carteira de mercado; R = retorno do ativo livre de risco.
Os coeficientes (Jensen) e (risco sistemático) pode ser estimado
a f m f a f m f
a m
f
R R b R R R R b R R
a b
através da regressão:
( )
a f m f
t t t t t
Exemplo de Regressão Linear Simples: CAPM
• Sejam os seguintes dados sobre os retornos em excesso de um fundo de investimentos e os retornos em excesso de um índice de mercado:
• Conforme a teoria do CAPM, queremos saber se há uma relação entre x e y com base nos dados disponíveis e se o beta é positivo. O primeiro passo
seria construir um gráfico de dispersão.
ano
Retorno em excesso do fundo
= Ra – Rf
Retorno em excesso do índice de mercado
= Rm - Rf
1 17.8 13.7
2 39.0 23.2
3 12.8 6.9
4 24.2 16.8
Gráfico
0 5 10 15 20 25 30 35 40 450 5 10 15 20 25
Excess return on market portfolio
E x c e ss r e turn on f un d X X X
Retorno em excesso da carteira de mercado (Rm-Rf)
A Equação da Reta de Regressão
• Podemos usar a equação geral da linha reta,
y=a+bx
para encontrar a linha que melhor se ajusta aos dados.
• Entretanto, essa equação (y=a+bx) é determinística: os pontos teriam de estar exatamente sobre a
reta.
• A posição dos pontos em relação à reta é probabilística. Então, é necessário acrescentar um erro aleatório, u na equação.
yt = a + bxt + ut
O erro aleatório
•
O erro pode capturar vários aspectos:
- Um modelo é uma simplificação do mundo real
- Sempre haverá variáveis faltantes para explicar
y
t- Pode haver erros de mensuração de
y
tque não podem ser
modelados.
Determinação dos coeficientes da regressão
• Como determinar a e b?
• Escolhemos a e b de modo que as distâncias verticais entre os pontos e a
Método dos Mínimos Quadrados (MMQ = OLS)
•
O método mais comum para ajustar uma reta aos dados é
conhecido como mínimos quadrados ou
“
ordinary least
squares
”
(OLS).
•
As distâncias entre cada ponto e a reta são elevadas ao
quadrado e somadas. Essa soma é então minimizada.
•
Notação:
y
tsão os dados reais
t
𝑦
𝑡são os pontos correspondentes sobre a reta
• O método dos mínimos quadrados foi
Método dos Mínimos Quadrados (MMQ)
$
a
b$2 5 2 4 2 3 2 2 2
1
ˆ
ˆ
ˆ
ˆ
ˆ
u
u
u
u
u
5 1 2 ˆ t t u
2ˆ
Método dos Mínimos Quadrados (MMQ)
•
Os estimadores de mínimos quadrados dos coeficientes de uma
regressão simples são:
•
A demonstração desses estimadores encontra-se em Brooks (2014),
pag. 127.
2 2
ˆ
t te
ˆ
ˆ
t
x y
Txy
y
x
x
Tx
b
a
b
Exemplo em finanças: CAPM
• No exemplo do CAPM, utilizar as 5 observações para estimar a regressão produz as estimativas 𝛼 = -1.74 e 𝛽 = 1.64.
• A equação da reta será:
• Pergunta: se uma analista afirma que espera que o mercado produzirá um
retorno 20% maior que a taxa livre de risco no próximo ano, qual será o retorno esperado do fundo X?
• Solução: y = -1.74 + 1.64*x, portanto, para x = 20 obtém-se o valor esperado
de y: 𝑦𝑡 = −1,74 + 1,64 × 20 = 31,06 → 𝐸 𝑅𝑋 = 31,06%
t
t
x
Exemplo em finanças: CAPM
•
Modelo econométrico:
•
Fórmulas:
•
Solução:
•
Equação:
( )
a f m f
t t t t t
R R a b R R u
2 2
ˆ t t e ˆ ˆ
t
x y Txy
y x x Tx
b a b
y x y*x x^2
R L R*L L^2
1 17.8 13.7 243.9 187.7 1.6417 2 39.0 23.2 904.8 538.2
3 12.8 6.9 88.3 47.6 -1.7366 4 24.2 16.8 406.6 282.2
5 17.2 12.3 211.6 151.3 22.2
14.6 1,855.1 1,207.1 402.36
𝛽 =
Exemplo em finanças: CAPM
•
Interpretação do resultado:
•
O intercepto (
a
de Jensen) negativo indica que esse
fundo de ações perde sistematicamente para o
mercado, não sendo atraente, pois uma estratégia
passiva (carteira de mercado) seria melhor (
a
0).
•
O
b
= 1,64 indica risco sistemático elevado. Quando
o retorno do mercado aumenta, o retorno do fundo
aumenta mais que proporcionalmente; quando o
retorno do mercado cai, o retorno do fundo cai mais
que proporcionalmente.
t
t
x
Exemplo contábil: relação lucro x retorno da ação
•
Desejamos saber se a empresa X apresenta uma relação significante
entre o retorno da sua ação e a taxa de crescimento dos seus lucros
trimestrais. Os lucros são divulgados com 3 meses de defasagem e,
portanto, o mercado só é informado sobre o lucro 3 meses após o
encerramento do período. A amostra é de 5 observações, conforme
abaixo:
Exemplo contábil: relação lucro x retorno da ação
2 2
ˆ t t e ˆ ˆ
t
x y Txy
y x x Tx
b a b
y x y*x x^2
R L R*L L^2
1 8% 15% 1.20% 0.0225 0.2463
2 9% 12% 1.08% 0.0144
3 10% 16% 1.60% 0.0256 0.0545
4 9% 11% 0.99% 0.0121
5 7% 10% 0.70% 0.01
9% 13% 5.57% 0.0846 3%
𝛽 =
População e Amostra
• População é a coleção total de todos os objetos ou indivíduos a serem estudados, por exemplo:
• Estamos interessados em População
prever o resultado o eleitorado todo de uma eleição
• Uma amostra é uma seleção de alguns itens da população: um grupo de eleitores.
• Uma amostra aleatória e uma amostra em que cada item individual tem a mesma probabilidade de ser escolhido.
FRP e FRA
• A função de regressão populacional (FRP) é uma descrição do modelo que está supostamente gerando os dados reais e que representa a verdadeira relação entre as variáveis (os valores verdadeiros de a e b).
• A função de regressão amostral (FRA) é o modelo obtido com base nos dados amostrais
• A FRP é
• A FRA é
• Usamos a FRA para inferir os parâmetros da FRP.
t
t x
yˆ
a
ˆ b
ˆt t
t
x
u
y
a
b
t t
t y y
Linearidade
• No método de mínimos quadrados, precisamos de um modelo linear nos parâmetros (a e b ), mas não necessariamente linear nas variáveis (y e x).
• Linear nos parâmetros significa que os parâmetros não estão multiplicados entre si, divididos, elevados ao quadrado ou ao cubo, etc.
• Alguns modelos podem ser transformados em modelos lineares através de uma substituição ou manipulação adequada, por exemplo, o modelo de regressão exponencial
• Fazendo yt=ln Yt e xt=ln Xt (ln= log natural)
a
b
ln
ln
t
u
t t t t t
Modelos Lineares e Não-lineares
• Isso é conhecido como modelo de regressão exponencial, onde os coeficientes são interpretados como elasticidades.
• Similarmente, se uma teoria sugere que y e x devem ser inversamente
relacionados:
então a regressão pode ser estimada por mínimos quadrados, substituindo
• Alguns modelos são intrinsicamente não-lineares, e.g.
t t
t u
x y
a
b
t t
x
z
1
t t
t
x
u
Premissas do Modelo Clássico de Regressão Linear
Os resíduos têm média zero
A variância dos resíduos é constante e finita:
homoscedasticidade
Ausência de autocorrelação: os resíduos
são independentes entre si
Premissas da Regressão Linear
•
Uma premissa alternativa à 4, ligeiramente mais
forte, é que os
x
t’s
são não-estocásticos ou fixos
em amostras repetidas ou, ainda exógenas
•
Uma 5
apremissa é necessária para permitir
inferências sobre os parâmetros da população (os
verdadeiros
a
e
b
) a partir dos parâmetros
amostrais (
𝛼
e
𝛽
):
Propriedades do estimador de mínimos
quadrados
$
Estimativa da variância dos erros (resíduos)
2
t
u
22
1
t
u
T
s
22
1
ˆ
t
u
T
Estimativa da Variância dos erros (resíduos)
2
2 ˆ
2
t
u s
T
ˆ2t
u
Tarefas
• Estudar:
– Brooks, C. (2014). Introductory econometrics for finance, 3rd ed. Cambridge. Capítulos 1, 2 e 3. PDF do livro, disponível no site da disciplina:
https://sites.google.com/site/otaviomedeiros2009/home/econometria_aplicada_merfi . (ESSENCIAL)
– Gujarati, D.N. (2004). Basic econometrics, 4th ed. McGraw-Hill. Chapter 1 – Introduction. (Site da disciplina) (opcional)
• Fazer exercícios:
– Brooks (2014), chapter 1, self study questions (pag. 27)
– Brooks (2014), chapter 3, self study questions (paq. 131)
– Lista de Exercícios 1 (site)
– Lista de exercícios 2 (site)
• Instalar software no seu computador:
– Eviews (site: abrir arquivo zipado e instalar usando SETUP)
• Assistir vídeos:
– Introductory Econometrics for Finance Lecture 1 (site)