Andre Ricardo de Pinho Ronzani

Pró-Reitoria de Pós-Graduação e Pesquisa
Stricto Sensu em Economia
ESTIMAÇÃO DO CAPM COM APRENDIZADO UTILIZANDO

FILTRO DE KALMAN E APLICAÇÃO AO CÁLCULO DO VALOR
EM RISCO
Autor: André Ricardo de Pinho Ronzani

Orientador: Prof. Dr. Wilfredo Fernando Leiva Maldonado
Brasília - DF
2014
ANDRÉ RICARDO DE PINHO RONZANI
ESTIMAÇÃO DO CAPM COM APRENDIZADO UTILIZANDO FILTRO DE KALMAN

E APLICAÇÃO AO CÁLCULO DO VALOR EM RISCO
Dissertação apresentada ao Programa de

Pós-Graduação Stricto Sensu em
Economia da Universidade Católica de
Brasília, como requisito parcial para
obtenção do Título de Mestre em
Economia.
Orientador: Prof. Dr. Wilfredo Fernando

Leiva Maldonado.
Brasília
2014
R775e Ronzani, André Ricardo de Pinho.
Estimação do CAPM com aprendizado utilizando filtro de Kalman e
aplicação ao cálculo do valor em risco. / André Ricardo de Pinho Ronzani –
2014.
70 f.; il.: 30 cm
7,5cm Dissertação (Mestrado) – Universidade Católica de Brasília, 2014.

Orientação: Prof. Dr. Wilfredo Fernando Leiva Maldonado
1. Economia. 2. Filtro de Kalman. 3. Modelos dinâmicos. 4. Capital

Asset Pricing Model - CAPM. I. Maldonado, Wilfredo Fernando Leiva,
orient. II. Título.
CDU 336.012.23
Ficha elaborada pela Biblioteca Pós-Graduação da UCB

Ao meu pai André Lovisi Ronzani, que
continua me guiando mesmo não estando
mais entre nós.
AGRADECIMENTOS
Agradeço primeiramente à minha esposa, que com muita compreensão, carinho e

atenção me apoiou em todos os momentos difíceis. Agradeço à minha mãe por
todas as preces rezadas. Agradeço aos meus amigos por todos os momentos de
descompressão.
RESUMO
O presente trabalho apresenta uma adequação do modelo de CAPM condicional

com aprendizado proposto por Adrian and Franzoni (2009) à realidade brasileira,
fazendo uma análise profunda das variáveis exógenas que integram o modelo.
Utilizando dados de 17 ações brasileiras, foram criados modelos de explicação do
comportamento das mesmas, testando variáveis exógenas para chegar ao modelo
com melhor ajuste. O método utilizado faz uso do Filtro de Kalman e, portanto, de
um sistema de espaço de estados que tem como variável de estado o “beta” do
CAPM, que é dinâmico.
Adicionalmente, ainda foram estimados modelos alternativos aos propostos por

Adrian and Franzoni com o intuito de chegar a melhores níveis de significância dos
coeficientes, adicionando uma nova perspectiva aos resultados.
Além disso, com os resultados obtidos na estimação dos modelos, são calculados os
valores do VaR – Value-at-Risk e feitas discussões em relação aos resultados.
Palavras-chave: Filtro de Kalman, CAPM, modelos dinâmicos, VaR, .

ABSTRACT
This work presents an adaptation of the conditional CAPM proposed by Adrian and
Franzoni (2009) to the Brazilian reality, making an analysis of exogenous variables
that integrate the model. Using data of 17 Brazilian stocks, it was estimated models
for explaining the behavior of them by testing exogenous variables in order to get the
best fit for the model. The method uses the Kalman Filter and consider as the state
variable the "beta" of the CAPM, which is dynamic.
In addition, there were estimated alternative models in order to reach better levels of
significance of the coefficients, adding a new perspective to the results, comparing to
the ones proposed by Adrian and Franzoni.
Moreover, given the estimated parameter above, it was calculated the VaR - Value-
at-Risk values for a representative portfolio and it was compared the results with
those obtained with static betas.
Keywords: Kalman filter, CAPM, dynamic models, VaR.

LISTA DE ILUSTRAÇÕES
Gráfico 1 – SWAP 360 dias ................................................................................................. 29
Gráfico 2 – Consumo de Energia Elétrica ............................................................................ 29
Gráfico 3 – P/L: Preço Sobre Lucro ..................................................................................... 30
Gráfico 4 – P/VPA: Preço Sobre Valor Patrimonial .............................................................. 30
Conjunto de Gráficos 1 – β vs B de Longo Prazo: Modelos de A&F significantes ................ 39
Conjunto de Gráficos 2 – β vs “β OLS”: Modelos de Passeio Aleatório ................................ 41
Conjunto de Gráficos 3 – Comparativo VaR com Modelo Dinâmico vs VaR Histórico.......... 52

LISTA DE TABELAS
Tabela 1 – Ações selecionadas................................................................................. 27
Tabela 2 – Correlações das variáveis utilizadas ....................................................... 31
Tabela 3 – Coeficientes do Modelo Sem Variáveis Exógenas .................................. 32
Tabela 4 - Coeficientes do Modelo Com Variáveis de Preço .................................... 32
Tabela 5 - Coeficientes do Modelo Com SWAP 360 Dias ......................................... 33
Tabela 6 - Coeficientes do Modelo Com Consumo de Energia Elétrica .................... 34
Tabela 7 - Coeficientes do Modelo Com Todas as Variáveis .................................... 34
Tabela 8 - Coeficientes do Modelo Com Passeio Aleatório ...................................... 35
Tabela 9 – Modelos com Todos os Coeficientes Significantes.................................. 37
Tabela 10 – Resultado da seleção dos Modelos ....................................................... 37
Tabela 11 - Resultado: Root Mean Squared Error .................................................... 44
Tabela 12 – Resultado: Composite Pricing Error ...................................................... 45
Tabela 13 – Teste de Auto-Correlação dos Resíduos............................................... 46
Tabela 14 - Teste de Normalidade dos Resíduos ..................................................... 47
Tabela 15 - Teste de Estacionaridade dos Resíduos 1 ............................................. 49
Tabela 16 - Teste de Estacionaridade dos Resíduos 2 ............................................. 50
Tabela 17 - Backtesting ............................................................................................. 56

SUMÁRIO
1. Introdução ...................................................................................................................... 12
2. Revisão Bibliográfica .................................................................................................... 16
2.1. O CAPM .................................................................................................................... 16
2.2. O Filtro de Kalman .................................................................................................... 18
2.3. O VaR ....................................................................................................................... 20
3. Modelo CAPM condicional com aprendizado .............................................................. 21
3.1. Modelo de Adrian & Franzoni (2009) ......................................................................... 21
3.2. Exercício empírico de A&F ........................................................................................ 24
3.3. Modelo do CAPM com o beta como passeio aleatório............................................... 26
4. Estimação dos Modelos e Seus Resultados ................................................................ 27
4.1. Dados utilizados ........................................................................................................ 27
4.2. Estimação dos parâmetros ........................................................................................ 31
4.3. Erros de estimação do CAPM com aprendizado ....................................................... 43
4.4. Testes de qualidade dos modelos e suas hipóteses .................................................. 45
5. Cálculo do VaR utilizando os resultados dos modelos .............................................. 51
5.1. O cálculo do VaR ...................................................................................................... 51
5.2. Backtesting dos resultados ........................................................................................ 55
6. Conclusão ...................................................................................................................... 58
REFERÊNCILAS ................................................................................................................. 62
APÊNDICE A ................................................................................................................... 65
APÊNDICE B ................................................................................................................... 66
APÊNDICE C ................................................................................................................... 67
12
1. Introdução
No âmbito da gestão de ativos financeiros, é grande o esforço empregado na

tentativa de obter uma metodologia para prever o comportamento do mercado e,
assim, obter vantagens competitivas que refletem em rentabilidade para o investidor
de valores mobiliários. Historicamente, estas metodologias vêm se aprimorando,
vindo desde simples modelos estatísticos lineares até complexos modelos
econométricos multivariados.
O modelo de apreçamento de ativos de capital - CAPM (Capital Asset Pricing Model)

foi o pioneiro dentre as metodologias de apreçamento de ativos, sendo introduzido
por Treynor (1961, 1962), Sharpe (1964), Lintner (1965) e Mossin (1966) com base
no trabalho de Markowitz (1959) sobre diversificação e teoria moderna de alocação
em portfólios. O modelo, pela sua simplicidade e assertividade, foi vastamente
utilizado no mercado financeiro de ações, sendo empregado pela maioria dos
bancos, gestores de ativos e demais integrantes do mercado até a década de 90. No
entanto, o CAPM apresenta alguns problemas, pois leva em consideração que o
comportamento de um ativo depende apenas de um fator de risco, o de mercado.
Consequentemente, fatores importantes e fundamentais de empresas cotadas em
bolsa como valor patrimonial, fluxo de caixa ou dividendos não são levados em
consideração no modelo. Além disso, ele também não leva em consideração
variáveis macroeconômicas na construção do preço final de um ativo.
Na tentativa de trazer melhorias ao CAPM, dentre as principais extensões do modelo

estão o CAPM Intertemporal (ICAPM - Intertemporal CAPM) e o CAPM baseado no
Consumo (CCAPM - Consumption-Based Capital Asset Pricing Model). O ICAPM foi
lançado por Merton (1973), sendo baseado em modelo linear com fator de riqueza e
variável de estado que prevê mudanças na distribuição dos rendimentos. Já o
CCAPM foi lançado por Breeden (1979) e considera o consumo no fundamento da
formação de preços no mercado de ações. Na década seguinte, Epstein and Zin
(1989) estimaram aversão ao risco e impaciência do investidor utilizando o CCAPM.
Na década de 1990, com os avanços nos métodos estatísticos da econometria e o

entendimento aprofundado de como variáveis econômicas afetam os preços das
ações, surgiram os renomados modelos multifatores de Fama and French (1993) e o
modelo de CAPM condicional de Jagannathan and Wang (1996). No multifator de
13
Fama & French foi proposto um modelo de três fatores no qual o retorno livre de
risco de uma ação ou portfólio depende, além do prêmio de risco do mercado,
também de um fator tamanho e de um fator de valor patrimonial relativo ao valor de
mercado. Já no modelo de CAPM condicional proposto por Jagannathan e Wang, o
fator de risco “beta” varia no tempo, sendo um vetor autoregressivo. Tal tratamento
foi utilizado em outros trabalhos seguintes, como os de Ferson and Harvey (1999).
Na linha de pesquisa que envolve a união entre o CAPM com aprendizado e a

utilização de variáveis exógenas ao modelo para melhorar o ajuste do mesmo, está
o trabalho de Adrian and Franzoni (2009). Nele, os autores fazem uma análise dos
fatores que mais afetam o comportamento do mercado de ações norte-americano e
introduzem novas variáveis no cálculo. Diferentemente de outros tratamentos, os
autores utilizam estas variáveis na equação de estado do sistema de espaço de
estados baseado no Filtro de Kalman. Assim, as variáveis exógenas afetam
diretamente o estado no “beta”, que representa o risco de cada ativo financeiro e se
comporta como um vetor autoregressivo condicionado ao seu estado anterior e às
variáveis explicativas variantes no tempo. O modelo também considera que o
comportamento do “beta” é condicionado a um parâmetro que representa o “beta de
longo prazo”, que remete à reflexão de que o comportamento atual de uma ação ou
portfólio também se deve a uma visão de longo prazo do investidor. Desta forma, o
modelo assume uma dinâmica para o risco de cada ativo financeiro evoluindo na
direção de um risco de longo prazo influenciado por variáveis do lado real da
economia. Um último aspecto importante do trabalho de Adrian and Franzoni é que,
apoiados na pesquisa de Lettau and Ludvigson (2001) eles introduziram uma
variável ligada ao consumo no modelo, o que trouxe uma fundamentação
microeconômica. Foi principalmente na pesquisa de Adrian & Franzoni sobre o
CAPM condicional com aprendizado que o presente trabalho foi inspirado.
No Brasil foram poucas as pesquisas que envolveram o tema do CAPM com

aprendizado. Houve o trabalho de Silva e Frascaroli (2005), que estimaram o CAPM
com aprendizado sem variáveis exógenas para ações do setor de telecomunicações,
obtendo bons ajustes no modelo. Outros trabalhos ligados parcialmente ao assunto
foram o de Issler and Piqueira (2000) que, seguindo o trabalho de Epstein and Zin
(1989) estimaram aversão ao risco e impaciência no Brasil; o de Almeida (2010),
que aplicou o modelo do CAPM Intertemporal ao mercado acionário brasileiro e o
14
teste empírico do ICAPM aplicado ao Brasil de Machado, Bortoluzzo, Martins and

Sanvicente (2013).
O presente trabalho tem como objetivo principal adequar o modelo de CAPM

condicional com aprendizado proposto por Adrian and Franzoni à realidade
brasileira, fazendo uma análise detalhada das variáveis exógenas que integram o
modelo. Devido à ausência de uma larga base de dados histórica e ao fato de que o
número de variáveis existentes no Brasil é limitado, algumas modificações tiveram
de ser feitas para que o trabalho fosse realizado. No entanto, os fundamentos do
estudo foram mantidos, inclusive a utilização de uma variável como proxy para a
fundamentação no consumo. Foram utilizados dados mensais de 17 ações
brasileiras entre 1999 e 2013 e seus resultados demonstraram baixos níveis de
erros.
Além de estimar os modelos para o Brasil a partir do trabalho de Adrian and

Franzoni e calcular os erros de cada estimação, o presente estudo foi mais adiante.
Assim como naquele trabalho, foram encontrados níveis baixos de confiança nos
coeficientes dos modelos estimados para o Brasil. Para solucionar o problema é
sugerido neste trabalho um modelo alternativo, cujas significâncias dos parâmetros
foram bastante satisfatórias. Portanto, o modelo alternativo, que será explicado no
decorrer deste estudo, complementou o trabalho de Adrian and Franzoni, trazendo
novas conclusões a respeito dos resultados.
Outra importante área de pesquisa em finanças é a do cálculo de riscos financeiros.

O VaR – Value at Risk e suas variações é o mais utilizado no mercado financeiro,
trazendo o valor máximo de uma possível perda dado um determinado horizonte de
tempo e um determinado nível de confiança. Em relação ao tema, a autora
Sommacampagna (2002) propôs um cálculo do VaR a partir de um modelo de
CAPM com aprendizado obtendo resultados com análises interessantes.
Ao final do presente trabalho, inspirado neste trabalho de Sommacampagna, ainda

são calculados os VaR das ações brasileiras utilizando os modelos mostrados na
presente pesquisa. Seus resultados, dependendo do nível de confiança utilizado,
15
apresentam backtestings1 com níveis aceitáveis e com ajustes melhores que o

método tradicional do VaR2 paramétrico histórico.
Esta dissertação está organizada da seguinte forma: no Capítulo 2 é apresentada

uma revisão bibliográfica que sumariza os principais conceitos dos assuntos
abordados no decorrer do trabalho; em seguida, no Capítulo 3, é apresentado o
detalhamento do modelo de Adrian and Franzoni (2009), que é o modelo no qual o
trabalho se baseia. No Capítulo 4 são apresentadas as informações completas do
modelo aplicado ao Brasil, com todos os dados utilizados, resultados das
estimações e testes de qualidade. No Capítulo 5 são feitas as análises relacionadas
ao VaR utilizando o novo método e, no Capítulo 6, é apresentada a conclusão do
trabalho.
1
Conforme mostrado em Alexander (2008)
2
Conforme mostrado em Alexander (2008)
16
2. Revisão Bibliográfica
2.1. O CAPM
O trabalho desenvolvido por Markowitz, publicado em 1952 e que posteriormente

(1990) lhe rendeu o Prêmio Nobel de Economia, foi a base para o modelo de
precificação cujo tratamento estatístico era dado pela inversão de uma matriz de
covariância.
Com base nessa primeira tentativa, um novo estudo foi desenvolvido por Willian F.
Sharpe e publicado sob a forma de artigo no Journal of Finance em 1964, intitulado
“Capital assets prices: a theory in market equilibrium under condition of risk”.
Segundo Securato (1993), Sharpe (1964), Lintner (1965) e Mossin (1966),
perceberam as dificuldades de se estabelecer as covariâncias entre os retornos dos
ativos que iriam compor as várias carteiras. A partir de tal raciocínio, iniciou-se a
substituição das covariâncias pelo coeficiente de correlação linear (betas), o que
originou o atual modelo CAPM, introduzindo a noção de risco sistemático (não
diversificável).
O risco sistemático, também conhecido como não diversificável, é aquele que atinge
todas as empresas e não pode ser eliminado por meio da diversificação. São
decorrentes de fatores de mercado, tais como, guerras, inflação, questões
internacionais, decisões políticas, etc. O CAPM utiliza betas para medir, em ativos
isolados ou carteiras, o risco não diversificável.
Utilizando o coeficiente beta para medir o risco não diversificável, o modelo de

formação de preços CAPM é dado pela seguinte equação:
(2.1.1)
onde:
= Retorno do ativo i;
= Taxa de retorno livre de risco;
= coeficiente beta ou índice de risco não diversificável para o ativo i;
= retorno do mercado.
Pode-se inferir através da análise da fórmula do CAPM, que o retorno esperado de

um ativo é uma função do beta, , o qual mede o risco não diversificável.
17
Portanto, se o beta for igual a zero, o retorno esperado do ativo será igual à taxa
livre de risco. Se o beta for igual a um, o retorno esperado do ativo será igual ao
retorno esperado da carteira de mercado.
O coeficiente beta é, portanto, a inclinação da reta dos mínimos quadrados (OLS3 –

Ordinary Last Squares), obtida com a regressão. Assim sendo, quanto maior for
essa inclinação, maior será o risco desse ativo e, consequentemente, seu retorno,
pois uma inclinação acentuada representa uma maior sensibilidade à mudanças de
mercado (retornos).
O Capital Asset Pricing Model está fundamentado sobre a hipótese de mercado

eficiente, ou seja, um mercado sem imperfeições, que possui as seguintes
premissas:
 Não existem custos ou impostos sobre as transações;

 Nenhum investidor (tomador ou emprestador) é forte o suficiente para
provocar oscilações nas taxas de mercado;
 Todos os investidores são racionais;
 Os retornos futuros são conhecidos e/ou previsíveis;
 As informações são livres, conhecidas e acessíveis a todos, sem custos;
 Não há restrições aos investimentos;
 Os investidores são avessos ao risco;
 Não há superavaliações ou subavaliações dos títulos;
 Os investidores comportam-se de forma similar frente aos investimentos;
 Não há restrições à entrada de novos investidores no mercado, e estes
podem emprestar ou tomar emprestado, desde que possuam recursos ou
suportem as taxas de juros vigentes no mercado;
 Os títulos possuem um comportamento equilibrado, onde seus preços são
adequados e os retornos esperados são iguais aos retornos exigidos;
O modelo do CAPM torna-se viesado quando qualquer uma dessas premissas não é
atendida. No entanto, apesar de alguns desses pressupostos teóricos não estarem
3
Conforme Hamilton (1994)
18
em conformidade com a realidade econômica atual, o CAPM ainda é uma

ferramenta amplamente utilizada.
2.2. O Filtro de Kalman
Segundo Hamilton (1994), o filtro de Kalman é um método matemático cujo

propósito é utilizar medições realizadas ao longo do tempo (contaminadas com ruído
e outras incertezas) para gerar resultados que tenham poder preditivo dos valores
reais. Do ponto de vista teórico, o filtro de Kalman é um algoritmo para realizar, de
forma eficiente, inferências sobre um sistema dinâmico linear, que é um modelo
Bayesiano semelhante a um modelo Markov, mas onde o espaço de estados das
variáveis não observadas é contínuo e todas as variáveis, observadas e não
observadas, apresentam distribuição normal univariadas ou multivariadas.
O sistema de equações de espaço de estados é dado por:
Equação de estado: (2.2.1)

Equação de medida: (2.2.2)
Onde:
é o vetor de variáveis de estado (não observável);
é o coeficiente autoregressivo da equação de estado;
e são os resíduos das equações de estado e de medida, respectivamente;
é o vetor de variáveis de medida no qual se obtém o resultado do sistema
(observável);
é o vetor de variáveis exógenas (observáveis);
e são os coeficientes da equação de medida;
Como premissa do modelo, os resíduos e são vetores de ruído branco:

Q para (2.2.3)
0 caso contrário
R para (2.2.4)
0 caso contrário
19
Para que o Filtro de Kalman possa ser aplicado às equações de algum modelo, é
preciso que este esteja no formado específico do espaço de estados, seguindo o
mostrado no sistema de equações (2.2.1) e (2.2.2).
Na derivação do filtro de Kalman, o modelo utiliza um conjunto de informações ,

que é definido como . Neste conjunto de informações o
estado do sistema não está incluído.
Em seguida, define-se:
: previsão ótima condicional de dado o conjunto de informações no tempo t-

1;
: variância condicional, sendo:
(2.2.5)
A inicialização do sistema pode ser feita de várias formas, dentre elas, usar um valor
aleatório para o tempo “0”, assumir uma distribuição inicial exógena ou usar uma
distribuição incondicional, se existir. Após iniciado o processo, calcula-se a previsão
ex ante para o próximo período :
(2.2.6)
(2.2.7)
Onde é o resíduo da estimação da variância condicional .Para o momento
seguinte, já tendo o valor de , dada a estimativa da variável de estado ,
utiliza-se a equação de medida para estimar :
(2.2.8)
Assim, o erro de previsão de um passo a frente fica:

(2.2.9)
A matriz de covariância condicional do erro de previsão é a seguinte:

(2.2.10)
20
Seguindo o processo, a previsão ex post sobre (t>0), dada uma observação

adicional , aprimora-se da seguinte forma:
(2.2.11)
(2.2.12)
Onde o é o chamado ganho de Kalman, definido como a contribuição da nova

observação na melhoria da estimativa do estado:
(2.2.13)
A iteração é repetida para obter , , e .
2.3. O VaR
Segundo o manual da RiskMetrics (1996), o VaR - Value at Risk representa o valor

nominal da perda máxima que um ativo ou portfólio de ativos pode ter dada uma
significância e um horizonte de tempo h. A equação de cálculo do VaR
paramétrico normal para o excesso de retorno de um ativo, segundo ALEXANDER
(2008) é dada por:
(2.3.1)
Onde:
é a inversa da função distribuição de probabilidade da normal cumulativa;
é o nível de significância do VaR;
é o desvio padrão dos retornos no ativo i;
é o horizonte de tempo do VaR.
21
3. Modelo CAPM condicional com aprendizado
3.1. Modelo de Adrian & Franzoni (2009)
O modelo de A&F (Adrian and Franzoni (2009)) baseia-se, em sua essência, no

CAPM condicional de Jagannathan e Wang (1996), no qual a premissa de mercado
eficiente deve ser obedecida. O modelo parte do princípio de que o fator de risco de
mercado “beta” do CAPM tradicional varia no tempo de acordo com o movimento do
mercado, ou seja, ele varia de acordo com o estado no qual o mercado se encontra.
Seguindo o teorema fundamental do apreçamento de ativos, Ross (1976 a,b), a

ausência de arbitragem implica na existência de um Kernel de preço estritamente
positivo conforme abaixo:
(3.1.1)
Onde é o excesso de retorno do ativo i no tempo t+1.
Assumindo que retornos não esperados dependem linearmente de surpresas em um

fator , temos:
(3.1.2)
Onde representa o risco idiossincrático, que é uma variável aleatória

independentemente distribuída de .
Denota-se então o excesso de retorno de mercado como e assume-se que o

risco idiossincrático converge para sua média Cross-Sectional. Assim sendo, a
média ponderada do fator é então conhecida no tempo t e denotada por .
Considerando ainda que o risco idiossincrático converge para zero, a média
ponderada da equação (3.1.2) implica no seguinte retorno não esperado do
mercado:
(3.1.3)
22
Assim sendo, surpresas no retorno de mercado dependem linearmente de surpresas

no Kernel de preço. Substituindo (3.1.3) em (3.1.2), obtemos então a expressão de
excesso de retorno do ativo em função do excesso de retorno do mercado:
(3.1.4)
Onde é o fator de risco do ativo i associado ao mercado para o tempo

t+1.
Pode-se então obter expressões para e substituindo (3.1.3) e

(3.1.2) em (3.1.1). Assim, chegamos à expressão do valor esperado do excesso de
retorno do ativo i em t+1 condicionado ao tempo t, que está embutido no fator de
risco , conforme abaixo:
(3.1.5)
Onde:
(3.1.6)
A equação (3.1.6) pode ser verificada a partir de (3.1.4) com a premissa de que
choques em t+1 são idiossincráticos e, portanto, . A equação
(3.1.5) é chamada de CAPM Condicional, pois estabelece que o excesso de retorno
em relação ao ativo livre de risco de um ativo no tempo t+1 depende da evolução de
seu fator de risco estocástico beta em t. No modelo de A&F assume-se que o
se comporta como um processo autorregressivo condicionado a um vetor de
variáveis estacionárias exógenas :
(3.1.7)
Sendo:
: percentual do atribuído ao ;
: Beta de longo prazo;
: Vetor de pesos das variáveis condicionantes exógenas ao modelo;
: Choque normal independente idiossincrático;
23
No modelo, leva-se em consideração que o retorno de um ativo no tempo t+1

dependerá não só de um fator de risco passado , mas também da percepção de
risco de longo prazo . Assim sendo, pondera-se no modelo utilizando o quanto
do fator de risco em t+1 deve-se ao e quanto dele deve-se à visão de longo prazo
do investidor. O vetor de pesos tem o mesmo número de linhas do número de
variáveis exógenas da matriz-coluna .
Agora, substituindo a equação (3.1.5) em (3.1.4), obtemos a seguinte expressão

para os excessos de retorno sobre os ativos individuais:
(3.1.8)
Desta forma, os retornos dos ativos são determinados por três componentes. O
primeiro, , diz quanto do retorno do ativo está relacionado ao risco sistêmico
do mercado . O segundo, , representa a inovação no fator
de risco beta. Já o último, , representa o risco idiossincrático, ou seja, não

sistêmico.
Chamando as duas últimas componentes de , temos:
(3.1.9)
Assim, o retorno do ativo i fica:

(3.1.10)
Levando-se em consideração a premissa de que inovações no são

idiossincráticas pode-se provar que é ortogonal a . A ortogonalidade é
uma condição necessária para que o filtro de Kalman possa ser aplicado para
estimar o , fazendo dele uma equação de estado. Além disso, para a aplicação
do filtro leva-se em consideração a hipótese de que os choques e são
normais condicionais, fazendo com que a esperança condicional de se
comporte conforme um Filtro de Kalman. A dinâmica das expectativas do investidor
em relação ao beta segue a seguinte equação:
24
(3.1.11)
Sendo: e
O componente é entendido como ganho de Kalman e interpretado como um

coeficiente de regressão variante no tempo. A equação (3.1.11) afirma que a
previsão do beta no período seguinte é uma combinação da percepção do
comportamento de longo prazo capturado por e a estimação atual no nível de
risco. Assim, apesar do componente denotar uma percepção real de longo prazo,
ele entra no modelo como um parâmetro não observável.
Para derivar os betas filtrados no modelo de A&F foi aplicado o procedimento do

filtro de Kalman para o modelo de coeficientes variantes no tempo, resultando o
seguinte sistema de Espaço de Estados (State Space Model):
(3.1.12)
(3.1.13)
(3.1.14)
3.2. Exercício empírico de A&F
Na implementação do modelo feita por A&F foram utilizados dados trimestrais que
contemplavam o terceiro trimestre de 1963 até ultimo trimestre de 2004, ou seja, a
amostra era composta por 161 observações.
Para as variáveis exógenas condicionantes do modelo o teste empírico fez uso de

quatro componentes, as quais estão caracterizadas abaixo:
- Term Spread: Diferença entre a taxa da Treasury de 10 anos dos EUA e a de 3

meses. Esta variável se remete ao prêmio de risco existente entre títulos soberanos
de longo e de curto prazos.
25
- Value Spread: Diferença entre a média de retornos entre as empresas com alto
BE/ME (Book Value/Market Value) e as com baixo BE/ME. Este é o fator HML (high
minos low) de Fama & French (1993);
- Value Weighted Market Portfolio: Variável de retorno ponderado do mercado

conforme Campbell e Vuolteenaho (2004);
- CAY (Consumption; Asset Holdings and Labor Income relationship): Variável criada
por Lettau e Ludvigson (2001) que captura as inovações para a relação de
cointegração entre consumo, mercado de ações e renda do trabalhador. Esta é a
variável que fundamenta as expectativas do mercado na microeconomia,
adicionando o consumo entre os condicionantes do mercado.
Ainda foram testadas para o modelo outras variáveis condicionantes como retorno
de dividendos, relação preço-lucro, vários spreads de títulos soberanos, spread de
crédito BAA-AAA da Moody`s, inflação e taxa de crescimento da produção industrial.
Descobriu-se que estas variáveis adicionais não melhoraram significativamente o
desempenho do modelo apresentado.
Em relação aos ativos usados no teste empírico do modelo de A&F, foram testados
25 portfolios de ações das bolsas NYSE, Amex e Nasdaq.
Uma mensagem importante que os autores passam em seu artigo é que testes com
os dados mensais feitos excluindo apenas a componente CAY apresentaram
resultados similares aos testes trimestrais feitos utilizando as mesmas variáveis. O
presente trabalho para o caso brasileiro utiliza amostras de variáveis mensais.
O resultado dos testes de A&F demonstrou que realmente o modelo do CAPM

condicional com aprendizado apresenta um nível de ajuste bastante alto em relação
ao modelo do CAPM com o beta invariante no tempo. Para cada período, foi
calculado o erro de apreçamento do modelo, representado pela seguinte equação:
(3.2.1)
Onde:
é o beta estimado no período t+1 dado o período t resultante do filtro de

Kalman;
26
é o erro da estimação no tempo t+1, dado pela diferença entre o retorno real e o
retorno estimado.
Para atestar os resultados, os autores apresentam dois parâmetros calculados a

partir dos erros de apreçamento dos ativos, os quais estão caracterizados abaixo:
- RMSE (Root Mean Squared pricing errors): Erro quadrado médio dos retornos dos
ativos;
- CPE (Composite Pricing Error). Definido como , onde o é vetor de erros

com a dimensão de N ativos cujos modelos foram estimados e é a matriz diagonal
das variâncias dos retornos estimados pelo modelo.
3.3. Modelo do CAPM com o beta como passeio aleatório
Conforme mostrado em Rockinger M. and Urga G. (2001), um modelo de CAPM com

o beta dinâmico muito utilizado e que obtém resultados bastante satisfatórios com
bons níveis de significância dos parâmetros é o que estabelece que o
comportamento do beta da equação do CAPM se dá como um passeio aleatório.
Assim sendo, com o intuito de obter um modelo alternativo ao proposto por A&F,
mas mantendo o comportamento dinâmico com aprendizado do beta do CAPM,
utilizou-se no presente trabalho o modelo de CAPM com aprendizado com o beta
seguindo um passeio aleatório. A equação do modelo do CAPM com aprendizado
com o beta se comportando como um passeio aleatório segue mostrado abaixo:
(3.3.1)
(3.3.2)
Assim como no modelo de A&F, este leva em consideração a hipótese de que os

choques e são normais condicionais, fazendo com que a esperança
condicional de se comporte conforme um Filtro de Kalman.
27
4. ESTIMAÇÃO DOS MODELOS E SEUS RESULTADOS
4.1. Dados utilizados
Os dados utilizados para o presente estudo são mensais e compreendem o período

entre Set/1999 e Set/2013, resultando em 168 observações. A data inicial da
amostra foi escolhida objetivando expurgar dados que possam ter sofrido influência
do período de transição no Brasil do Câmbio fixo para o regime de bandas e, na
sequência, para o de câmbio flutuante.
Para os ativos utilizados, foram selecionadas as ações abertas na BOVESPA que
apresentaram dados de cotação e valor patrimonial entre Set/1999 e Set/2013 e
fizeram parte do Índice Bovespa neste período. Segundo o Manual da Metodologia
do Índice Bovespa (2014), dentre as premissas para que as ações façam parte do
índice estão: ter presença em pregão de, no mínimo, 95% no período de vigência de
um ano e ter participação em termos de volume financeiro maior ou igual a 0,1%,
também no período de vigência de um ano. No total, foram selecionadas 17 ações,
representando 9 setores da economia: alimentos e bebidas, bancos, indústria, óleo e
Gás, telecomunicações, energia, mineração, tabaco e produção de aviões.
As seguintes ações foram selecionadas:
Tabela 1 – Ações selecionadas

Cód. Bovespa Tipo Empresa
1. ABEV3 ON AMBEV SA
2. BBDC4 PN Banco Bradesco SA
3. BBAS3 ON Banco do Brasil SA
4. BRKM5 PNA Braskem SA
5. ELET6 PNB Centrais Elétricas Brasileiras SA
6. CMIG4 PN Cia. Energética de Minas Gerais SA
7. CSNA3 ON Cia. Siderúrgica Nacional SA
8. GGBR4 PN Gerdau SA
9. ITSA4 PN Itaúsa - Investimentos Itaú SA
10. KLBN4 PN Klabin SA
11. OIBR4 PN Oi SA
12. PETR4 PN Petróleo Brasileiro SA
13. CRUZ3 ON Souza Cruz SA
14. VIVT4 PN Telecomunicações de São Paulo SA
15. USIM5 PNA Usinas Siderúrgicas de Minas Gerais SA
16. VALE5 PNA Vale SA
17. EMBR3 ON Embraer SA
Fonte: Elaborado pelo autor
28
No modelo aplicado para o Brasil foram utilizadas as variáveis condicionantes cujas

características e explicações dos motivos pelos quais elas foram escolhidas estão
mostradas a seguir.
Spread de Crédito do Brasil
Devido à falta de títulos de longo prazo no Brasil antes do ano 2000, quando foram
lançadas várias séries de títulos do governo LTN, NTN-F e NTN-B, neste trabalho o
spread de crédito do país utilizado foi o SWAP360 (taxa de swap - DI pré-fixada -
360 dias - média do período - % a.a.) disponibilizada no IPEADATA. A correlação da
série de SWAP360 utilizada com a série de taxas pré-fixadas de 1 ano das LTN
atuais disponibilizada também no IPEADATA a partir de maio de 2000 apresenta
correlação de 99,85%. Portanto, este foi o componente do modelo que representa o
spread de crédito do Brasil.
Variáveis relacionadas ao preço das ações
Atualmente, na gestão de carteiras de ações, são inúmeros os índices de análise

observados pelos responsáveis pela alocação em renda variável. Além de índices
macroeconômicos que indicam conjunturalmente a direção do mercado, com o
advento da abertura ao mercado de informações contábeis, índices de liquidez,
fluxos de caixa, entre outros, no modelo apresentado neste trabalho, optou-se em
testar variáveis relacionadas ao preço das ações. Essas variáveis têm elevada
importância atualmente e são levadas em consideração pelos gestores de carteira
em sua tomada de decisão. As duas variáveis utilizadas no modelo foram:
Preço sobre o Valor Patrimonial (P/VPA): razão entre o preço

patrimonial. Tal parâmetro é utilizado pelo mercado para observar a distância que o
preço do total de suas ações está de seu valor patrimonial, ou valor contábil.
Preço sobre o Lucro (P/L): anho por ação no

período de um ano. O parâmetro é utilizado para observar se a ação tem bons
retornos relativos ao seu preço negociado em bolsa. Além disso, também serve para
observar se a ação está cara ou barata, já tendo trazido rendimentos altos ou baixos
no último período de um ano.
29
Proxy para o consumo
Uma grande inovação que o modelo de A&F trouxe foi a utilização de uma variável
relacionada ao consumo, a CAY (Consumption; Asset Holdings and Labor Income
relationship), no modelo de espaço de estados juntamente com outras variáveis
macroeconômicas. No entanto, dado que no Brasil não há disponível uma variável
mensal como esta, para que houvesse um fundamento do modelo na
microeconomia, optou-se por utilizar uma variável alternativa. Esta componente foi a
variação no consumo de energia elétrica total obtido no IPEADATA. Conforme
pesquisa feita no mercado brasileiro, não existe uma variável ligada ao consumo
com histórico mensal desde set/2013 que pudesse ser utilizada. Assim sendo, foi
utilizada esta variável no modelo e, conforme mostrado nos resultados ela obteve
boa significância nos modelos de várias das ações analisadas.
Segue abaixo nos gráficos 1 a 4 o comportamento das variáveis exógenas utilizadas

nos modelos.
Gráfico 1 – SWAP 360 dias

Variação SWAP 360
25%
15%
5%
-5%
-15%
-25%
ago/02
ago/09
set/99
dez/04
set/06
dez/11
set/13
jun/01
abr/00
nov/00
mar/03
fev/06
mar/10
fev/13
jan/02
jul/05
abr/07
nov/07
jun/08
jan/09
jul/12
mai/04
mai/11
out/03
out/10
Fonte: IPEADATA
Gráfico 2 – Consumo de Energia Elétrica

Consumo de Energia Elétrica
10,00%
5,00%
0,00%
-5,00%
-10,00%
ago/02
dez/04
ago/09
dez/11
nov/00
nov/07
jun/01
mar/03
fev/06
jun/08
mar/10
fev/13
abr/00
jan/02
abr/07
mai/04
jul/05
jan/09
mai/11
jul/12
out/03
out/10
set/99
set/06
set/13
Fonte: IPEADATA
30
Gráfico 3 – P/L: Preço Sobre Lucro

200 Preço Sobre Lucro
150
100
50
-50
-100
dez/07
dez/00
ago/05
ago/12
nov/03
nov/10
fev/02
mai/00
jun/04
abr/03
mar/06
fev/09
jun/11
mar/13
jul/01
jan/05
mai/07
abr/10
jul/08
jan/12
out/99
out/06
set/02
set/09
PETR4 EMBR3 VIVT4 VALE5 USIM5 CRUZ3
OIBR4 KLBN4 ITSA4 GGBR4 CSNA3 CMIG4
ELET6 BRKM5 BBAS3 BBDC4 ABEV3
Fonte: ECONOMÁTICA
Gráfico 4 – P/VPA: Preço Sobre Valor Patrimonial

25 Preço Sobre Valor Patrimonial
20
15
10
0
out/99
abr/00
out/00
abr/01
out/01
abr/02
out/02
abr/03
out/03
abr/04
out/04
abr/05
out/05
abr/06
out/06
abr/07
out/07
abr/08
out/08
abr/09
out/09
abr/10
out/10
abr/11
out/11
abr/12
out/12
abr/13
PETR4 EMBR3 VIVT4 VALE5 USIM5 CRUZ3

OIBR4 KLBN4 ITSA4 GGBR4 CSNA3 CMIG4
ELET6 BRKM5 BBAS3 BBDC4 ABEV3
Fonte: ECONOMÁTICA
Segue a seguir tabela contendo a correlação entre todas as variáveis utilizadas nos
modelos estimados. A tabela está disposta neste formato para que se possa
visualizar as correlações das variáveis P/L e P/VPA, que têm uma série diferente
para cada ação.
31
Tabela 2 – Correlações das variáveis utilizadas

Correlação PETR4 ABEV3 BBDC4 BBAS3 BRKM5 ELET6 CMIG4 CSNA3 GGBR4 ITSA4 KLBN4 OIBR4 CRUZ3 USIM5 VALE5 VIVT4 EMBR3
SWAP 360 vs P/L 1% 11% -1% 9% -1% -1% -20% -2% 13% 3% -5% 6% 3% -6% 18% -6% -9%
SWAP 360 vs P/VPA 2% 14% -4% 3% 6% -12% -8% 5% 6% -2% -2% -3% 1% 5% 5% -6% 3%
Energ vs P/L 4% -5% 7% 8% -7% 4% 1% 8% 9% 2% 8% -3% 2% -2% 3% 5% 1%
Energ vs P/VPA 1% -3% 7% 7% 7% 5% 5% 3% 9% 4% 7% -1% 2% 8% 7% 6% -10%
P/L vs P/VPA 33% 11% 49% 46% 19% 26% 28% 5% 8% 44% 10% -2% 49% 19% 3% -17% -18%
SWAP 360 vs Energ -7%
4.2. Estimação dos parâmetros
Para a obtenção dos resultados, conforme já explicado neste trabalho, foi aplicado
ao sistema de equações de espaço de estados (3.1.12); (3.1.13) e (3.1.14) o
algoritmo do filtro de Kalman. O parâmetro autoregressivo , os desvios-padrão dos
resíduos e , assim como os coeficientes das variáveis condicionantes
foram estimados por máxima verossimilhança4.
Foram estimados 7 modelos diferentes para cada ação, sendo 5 deles utilizando o
modelo do beta dinâmico de A&F para o Brasil. Destes 5 modelos, o primeiro foi
estimado sem variáveis condicionantes; o segundo foi estimado apenas com as
variáveis relacionadas ao preço das ações P/VPA e P/L; o terceiro foi estimado
apenas com o SWAP 360; o quarto foi estimado apenas com a variável do consumo
de energia elétrica e o quinto foi estimado com todas as variáveis anteriores juntas.
O sexto modelo estimado foi o do CAPM com o beta sendo passeio aleatório, o qual
foi estimado também por máxima verossimilhança. Já o sétimo modelo, com o
objetivo de comparação com os outros, foi o do CAPM tradicional com o beta fixo, o
qual foi estimado por Mínimos Quadrados Ordinários (OLS - Ordinary Last Squares).
Assim sendo, foram estimados 119 modelos, dentre os quais 85 são do CAPM
dinâmico com aprendizagem, 17 são do CAPM com beta sendo passeio aleatório e
4
Conforme Hamilton (1994)
32
17 são do OLS comparativo. Todos os resultados das estimações, assim como seus
p-valores, estão reportados nas tabelas a seguir.
Tabela 3 – Coeficientes do Modelo Sem Variáveis Exógenas

Modelo sem Variáveis Exógenas
Fi p-valor Bi p-valor σ Eta p-valor σ Mi p-valor
PETR4 0.097 0.886 0.967 (0.000) 0.004 0.000 0.077 0.009
ABEV3 0.221 0.641 0.385 (0.000) 0.005 0.000 0.157 0.026
BBDC4 -0.675 0.000 0.928 (0.000) 0.003 0.000 0.154 0.004
BBAS3 -0.077 0.883 1.092 (0.000) 0.005 0.000 0.149 0.058
BRKM5 0.889 0.000 0.825 (0.007) 0.012 0.000 0.093 0.011
ELET6 0.941 0.000 0.872 (0.001) 0.009 0.000 0.022 0.024
CMIG4 -0.283 0.536 0.731 (0.000) 0.006 0.000 0.000 1.000
CSNA3 1.000 0.000 -20.832 (0.982) 0.007 0.000 0.000 1.000
GGBR4 -0.181 0.821 1.207 (0.000) 0.006 0.000 0.000 1.000
ITSA4 0.020 0.962 0.934 (0.000) 0.003 0.000 0.069 0.007
KLBN4 -0.792 0.006 0.704 (0.000) 0.006 0.000 0.052 0.111
OIBR4 0.965 0.000 0.662 (0.001) 0.007 0.000 0.000 1.000
CRUZ3 -0.851 0.000 0.487 (0.000) 0.005 0.000 0.035 0.008
USIM5 -0.080 0.884 1.343 (0.000) 0.009 0.000 0.000 1.000
VALE5 0.922 0.000 0.786 (0.000) 0.004 0.000 0.026 0.000
VIVT4 -0.253 0.269 0.415 (0.000) 0.004 0.000 0.318 0.002
EMBR3 0.205 0.310 0.686 (0.000) 0.007 0.000 0.751 0.510
Fonte: Elaborado pelo autore
Tabela 4.1 - Coeficientes do Modelo Com Variáveis de Preço

Modelo com Variáveis de Preço
Fi p-valor Bi p-valor σ Eta p-valor
PETR4 0.750 0.000 0.754 (0.021) 0.004 0.000
ABEV3 0.073 0.905 0.598 (0.113) 0.005 0.000
BBDC4 -0.385 0.032 0.887 (0.019) 0.003 0.000
BBAS3 -0.193 0.614 1.349 (0.000) 0.005 0.000
BRKM5 0.914 0.000 1.644 (0.142) 0.012 0.000
ELET6 0.886 0.000 0.791 (0.000) 0.009 0.000
CMIG4 0.936 0.000 0.656 (0.000) 0.005 0.000
CSNA3 0.958 0.000 0.754 (0.105) 0.007 0.000
GGBR4 -0.176 0.858 1.063 (0.000) 0.006 0.000
ITSA4 -0.910 0.000 1.201 (0.000) 0.003 0.000
KLBN4 -0.775 0.010 0.656 (0.059) 0.006 0.000
OIBR4 0.030 0.972 0.926 (0.003) 0.007 0.000
CRUZ3 -0.614 0.008 0.253 (0.057) 0.004 0.000
USIM5 -0.059 0.890 1.269 (0.000) 0.009 0.000
VALE5 0.944 0.000 -1.144 (0.659) 0.005 0.000
VIVT4 -0.718 0.000 0.350 (0.000) 0.005 0.000
EMBR3 0.163 0.439 0.649 (0.075) 0.007 0.000
33
Tabela 4.2 - Coeficientes do Modelo Com Variáveis de Preço

Modelo com Variáveis de Preço
σ Mi p-valor Φ P/VPA p-valor Φ P/L p-valor
PETR4 0.004 0.198 -0.034 0.503 0.014 0.163
ABEV3 0.179 0.016 -0.083 0.322 0.010 0.207
BBDC4 0.283 0.003 0.778 0.001 -0.161 0.034
BBAS3 0.099 0.052 0.287 0.240 -0.095 0.144
BRKM5 0.065 0.010 -0.075 0.327 0.001 0.669
ELET6 0.004 0.233 -0.825 0.187 0.000 0.943
CMIG4 0.000 1.000 -0.025 0.212 -0.007 0.069
CSNA3 0.000 1.000 0.001 0.904 0.002 0.279
GGBR4 0.000 1.000 0.206 0.333 -0.016 0.607
ITSA4 0.011 0.004 0.173 0.714 -0.103 0.223
KLBN4 0.060 0.110 0.087 0.844 -0.002 0.744
OIBR4 0.000 1.000 -0.053 0.865 -0.001 0.696
CRUZ3 0.152 0.009 -0.128 0.046 0.102 0.040
USIM5 0.000 1.000 0.092 0.604 0.000 0.049
VALE5 0.009 0.006 0.014 0.381 0.006 0.157
VIVT4 0.035 0.004 -0.827 0.001 -0.071 0.006
EMBR3 0.759 0.544 0.054 0.491 -0.007 0.277
Tabela 5 - Coeficientes do Modelo Com SWAP 360 Dias

Modelo com SWAP 360
Fi p-valor Bi p-valor σ Eta p-valor σ Mi p-valor Φ SW360 p-valor
PETR4 0.073 0.898 0.971 (0.000) 0.004 0.000 0.068 0.010 0.824 0.477
ABEV3 0.259 0.491 0.394 (0.000) 0.005 0.000 0.152 0.028 1.833 0.194
BBDC4 -0.657 0.000 0.939 (0.000) 0.003 0.000 0.138 0.002 2.564 0.065
BBAS3 -0.083 0.873 1.091 (0.000) 0.005 0.000 0.149 0.059 -0.315 0.820
BRKM5 0.904 0.000 0.837 (0.015) 0.012 0.000 0.089 0.012 0.610 0.632
ELET6 0.952 0.000 0.837 (0.003) 0.009 0.000 0.019 0.019 0.417 0.602
CMIG4 -0.327 0.393 0.728 (0.000) 0.006 0.000 0.000 1.000 -1.378 0.189
CSNA3 0.974 0.000 1.399 (0.000) 0.007 0.000 0.000 1.000 -0.186 0.762
GGBR4 -0.200 0.651 1.198 (0.000) 0.006 0.000 0.000 1.000 -1.674 0.123
ITSA4 0.030 0.093 0.939 (0.000) 0.003 0.000 0.071 0.004 1.334 0.087
KLBN4 -0.854 0.000 0.711 (0.000) 0.007 0.000 0.008 0.093 1.957 0.081
OIBR4 0.977 0.000 0.474 (0.508) 0.007 0.000 0.000 1.000 -0.816 0.213
CRUZ3 -0.652 0.006 0.473 (0.000) 0.004 0.000 0.127 0.020 -0.703 0.601
USIM5
VALE5 0.972 0.000 0.653 (0.000) 0.005 0.000 0.001 0.010 -1.639 0.001
VIVT4 -0.701 0.000 0.411 (0.000) 0.005 0.000 0.018 0.030 -3.886 0.000
EMBR3 0.189 0.356 0.683 (0.000) 0.007 0.000 0.763 0.540 -0.947 0.597
34
Tabela 6 - Coeficientes do Modelo Com Consumo de Energia Elétrica

Modelo com Consumo Energia Elétrica
Fi p-valor Bi p-valor σ Eta p-valor σ Mi p-valor Φ Elét. p-valor
PETR4 0.082 0.900 0.969 (0.000) 0.004 0.000 0.077 0.009 -0.331 0.913
ABEV3 0.296 0.376 0.415 (0.000) 0.006 0.000 0.109 0.021 -4.220 0.486
BBDC4 -0.678 0.000 0.931 (0.000) 0.003 0.000 0.152 0.005 -1.002 0.799
BBAS3 -0.070 0.894 1.087 (0.000) 0.005 0.000 0.153 0.055 1.174 0.765
BRKM5 0.892 0.000 0.867 (0.014) 0.012 0.000 0.088 0.008 -1.630 0.777
ELET6 0.043 0.960 0.796 (0.000) 0.010 0.000 0.081 0.212 4.051 0.437
CMIG4 -0.256 0.535 0.750 (0.000) 0.006 0.000 0.000 1.000 -3.715 0.179
CSNA3 0.987 0.000 2.040 (0.359) 0.007 0.000 0.000 1.000 -1.618 0.530
GGBR4 -0.160 0.774 1.197 (0.000) 0.006 0.000 0.000 1.000 1.819 0.721
ITSA4 0.022 0.958 0.933 (0.000) 0.003 0.000 0.068 0.007 0.220 0.951
KLBN4 -0.723 0.022 0.692 (0.000) 0.006 0.000 0.076 0.101 2.716 0.527
OIBR4 -0.023 0.959 0.902 (0.000) 0.007 0.000 0.000 1.000 -4.320 0.352
CRUZ3 -0.914 0.000 0.527 (0.000) 0.005 0.000 0.002 0.091 -5.140 0.010
USIM5 0.905 0.000 1.501 (0.000) 0.009 0.000 0.000 1.000 -1.571 0.409
VALE5 0.929 0.000 0.772 (0.000) 0.004 0.000 0.022 0.000 0.416 0.820
VIVT4 -0.255 0.266 0.416 (0.000) 0.004 0.000 0.317 0.002 -0.286 0.955
EMBR3 0.360 0.021 0.753 (0.000) 0.007 0.000 0.555 0.178 -11.344 0.091
Tabela 7.1 - Coeficientes do Modelo Com Todas as Variáveis

Modelo com todas as Variáveis
Fi p-valor Bi p-valor σ Eta p-valor σ Mi p-valor Φ P/VPA p-valor
PETR4 -0.171 0.738 0.920 (0.007) 0.004 0.000 0.074 0.009 -0.149 0.528
ABEV3 0.101 0.803 0.645 (0.096) 0.005 0.000 0.170 0.014 -0.085 0.256
BBDC4 -0.454 0.007 0.994 (0.010) 0.003 0.000 0.250 0.002 0.478 0.104
BBAS3 -0.186 0.642 1.364 (0.000) 0.005 0.000 0.103 0.047 0.278 0.255
BRKM5 0.925 0.000 1.756 (0.196) 0.012 0.000 0.063 0.011 -0.071 0.346
ELET6 0.894 0.000 3.201 (0.000) 0.009 0.000 5.65E-11 1.000 -0.825 0.071
CMIG4 0.936 0.000 1.975 (0.000) 0.005 0.000 8.80E-13 1.000 -0.033 0.176
CSNA3 0.888 0.000 0.818 (0.012) 0.007 0.000 3.16E-12 1.000 0.009 0.464
GGBR4 0.891 0.000 0.806 (0.007) 0.006 0.000 1.45E-09 1.000 0.036 0.465
ITSA4 -0.890 0.000 1.243 (0.000) 0.003 0.000 0.014 0.006 0.095 0.844
KLBN4 -0.789 0.000 0.628 (0.036) 0.006 0.000 0.027 0.122 0.113 0.773
OIBR4 -0.067 0.874 0.931 (0.005) 0.007 0.000 7.13E-09 1.000 -0.037 0.915
CRUZ3 -0.904 0.000 0.447 (0.012) 0.005 0.000 0.005 0.024 -0.047 0.358
USIM5 0.525 0.151 1.342 (0.000) 0.009 0.000 3.49E-07 1.000 0.032 0.697
VALE5 0.968 0.000 -2.383 (0.207) 0.004 0.000 4.40E-07 0.100 0.013 0.138
VIVT4 -0.664 0.000 1.445 (0.000) 0.004 0.000 0.008 0.233 -0.747 0.001
EMBR3 0.308 0.063 0.796 (0.041) 0.007 0.000 0.577 0.257 0.024 0.723
35
Tabela 7.2 - Coeficientes do Modelo Com Todas as Variáveis

Modelo com todas as Variáveis (continuação)
Φ P/L p-valor Φ SW360 p-valor Φ Elét. p-valor
PETR4 0.040 0.117 1.073 0.412 -0.841 0.794
ABEV3 0.010 0.127 1.844 0.224 -2.005 0.748
BBDC4 -0.112 0.195 2.870 0.083 1.297 0.763
BBAS3 -0.096 0.144 0.137 0.917 1.669 0.694
BRKM5 0.001 0.693 0.522 0.663 -0.348 0.951
ELET6 0.000 0.811 0.330 0.695 5.342 0.036
CMIG4 -0.006 0.146 -0.029 0.966 1.835 0.478
CSNA3 0.003 0.311 -0.446 0.609 -3.315 0.328
GGBR4 -0.001 0.652 -0.097 0.867 -0.005 0.998
ITSA4 -0.095 0.257 0.647 0.435 0.376 0.883
KLBN4 -0.001 0.850 2.499 0.064 3.284 0.489
OIBR4 -0.002 0.561 -0.528 0.730 -5.123 0.280
CRUZ3 0.039 0.401 -0.013 0.985 -5.430 0.015
USIM5 0.000 0.096 0.713 0.657 -1.780 0.724
VALE5 0.005 0.051 -1.621 0.004 -0.410 0.858
VIVT4 -0.049 0.032 -3.692 0.000 -3.074 0.374
EMBR3 -0.006 0.343 -1.858 0.276 -11.623 0.081
Tabela 8 - Coeficientes do Modelo Com Passeio Aleatório

Modelo com Passeio Aleatório
σ Eta p-valor σ Mi p-valor
PETR4 0.004 0.000 0.001 0.000
ABEV3 0.006 0.000 0.001 0.000
BBDC4 0.005 0.000 0.000 1.000
BBAS3 0.006 0.000 0.001 0.000
BRKM5 0.012 0.000 0.043 0.000
ELET6 0.009 0.000 0.012 0.000
CMIG4 0.005 0.000 0.004 0.000
CSNA3 0.007 0.000 0.001 0.002
GGBR4 0.006 0.000 0.001 0.000
ITSA4 0.003 0.000 0.000 1.000
KLBN4 0.007 0.000 0.000 1.000
OIBR4 0.007 0.000 0.002 0.000
CRUZ3 0.006 0.000 0.000 1.000
USIM5 0.009 0.000 0.001 0.002
VALE5 0.005 0.000 0.010 0.000
VIVT4 0.005 0.000 0.002 0.000
EMBR3 0.011 0.000 0.005 0.000
36
Dentre as 102 estimações do CAPM com aprendizado feitas para as 17 ações, em

apenas 1 delas a estimação por máxima verossimilhança não convergiu. Isto
ocorreu para a ação USIM5 e o modelo que não convergiu foi o que utiliza o SWAP
360. A explicação para o fato deste modelo não ter convergido não se deve,
necessariamente, a fatores econômicos relacionados à ação, mas, possivelmente, a
fatores meramente numéricos, como a existência de matriz de covariância singular,
fazendo com que os coeficientes não sejam únicos.
No presente estudo, adicionalmente ao que foi feito no trabalho de A&F onde se

analisou apenas os níveis de erros dados pelos parâmetros RMSE e CPE, foi feita
uma análise da significância dos coeficientes estimados em cada modelo.
Conforme pode ser observado nas tabelas 3 a 8, em muitos dos modelos estimados
os coeficientes encontrados mostraram p-valores muito altos, ou seja, demonstraram
que os coeficientes têm baixo grau de explicação nos seus respectivos modelos.
Nos modelos do CAPM com aprendizado que utilizam variáveis exógenas, uma das
componentes mais importantes que deve ser observada é a variância idiossincrática
da equação de estado. O seu p-valor dirá o quanto a equação de estado é

significante no comportamento do beta, demonstrando se tem relevância ou não.
Portanto, caso a componente tenha baixo nível de confiança, a equação de

estado não consegue explicar de forma satisfatória a trajetória do beta. Além disso,
também devem ser observados todos os p-valores dos outros coeficientes, a fim de
encontrar o modelo que melhor explica o comportamento de cada ação.
Para facilitar a visualização, foram colocados em negrito nas tabelas 3 a 8 todos os

modelos cujos coeficientes de cada um apresentaram simultaneamente o p-valor
abaixo de 0.1, ou 10%. A tabela 9 a seguir indica com “OK” os modelos que tiveram
simultaneamente todos os seus coeficientes significantes à 90% de nível de
confiança.
37
Tabela 9 – Modelos com Todos os Coeficientes Significantes

Modelos com Todas as Variáveis Significativas a 90%
Sem Cond. P/VPA e P/L SW pré Consumo En. Todas Passeio Al.
PETR4 OK
ABEV3 OK
BBDC4 OK OK OK
BBAS3 OK
BRKM5 OK OK
ELET6 OK OK
CMIG4 OK
CSNA3 OK
GGBR4 OK
ITSA4 OK
KLBN4 OK
OIBR4 OK
CRUZ3 OK OK OK
USIM5 OK
VALE5 OK OK OK
VIVT4 OK OK OK
EMBR3 OK
Como em algumas ações mais de um modelo obteve seus parâmetros significantes,

utilizaram-se os critérios de informação AIC (Akaike Info Criterion), Schwarz e
Hannan-Quinn para selecionar o modelo com maior poder preditivo. O resultado de
cada critério se encontra no apêndice B. Ao final, o resultado com os melhores
modelos segundo o critério de significância dos coeficientes pode ser observado a
seguir.
Tabela 10 – Resultado da seleção dos Modelos
Resultado
PETR4 Passeio Al.
ABEV3 Passeio Al.
BBDC4 SWAP360
BBAS3 Passeio Al.
BRKM5 Sem Cond.
ELET6 Sem Cond.
CMIG4 Passeio Al.
CSNA3 Passeio Al.
GGBR4 Passeio Al.
ITSA4 SWAP360
KLBN4 SWAP360
OIBR4 Passeio Al.
CRUZ3 Consumo En.
USIM5 Passeio Al.
VALE5 SWAP360
VIVT4 P/VPA e P/L
EMBR3 Passeio Al.
38
A partir deste resultado, algumas explicações econômicas podem ser dadas para a
escolha dos modelos que utilizam variáveis exógenas. Por exemplo, os únicos dois
bancos privados cujas ações se encontram na amostra, o BBDC4 e o ITSA4 tiveram
como melhor modelo o que utiliza o SWAP360. Tal resultado confirma a teoria de
que uma variável que afeta diretamente o retorno dos bancos é a taxa de juros. Já a
ação BBAS3, de um banco público brasileiro não tem o modelo com o SWAP360
como sendo o melhor. Possivelmente este resultado se deve à composição da
carteira de crédito do banco, que se diferencia bastante da composição das carteiras
de crédito dos bancos privados. Outras ações cujos modelos escolhidos foram os
que utilizam o SWAP360 foram KLBN4 e VALE5. Elas representam empresas
exportadoras cujos contratos futuros de dólar dependem diretamente das taxas de
juros do país.
As ações BRKM5 e ELET6 foram as que nos modelos dinâmicos de A&F sem
variáveis exógenas apresentaram os melhores níveis de explicação. Tal resultado
nos remete à reflexão de que os comportamentos dos seus betas está relacionado
não só com o beta no momento anterior, mas também com o Beta de longo prazo.
A ação CRUZ3 foi a única que obteve o modelo de A&F com a variável exógena da
Energia Elétrica como o melhor modelo, trazendo uma relação surpreendente entre
a Proxy de consumo das famílias dada pelo consumo de energia elétrica e o
comportamento da ação, que representa uma empresa do setor de consumo de
tabaco.
A ação VIVT4 foi a única que obteve o modelo de A&F com as variáveis
relacionadas ao preço da ação como o melhor modelo. Portanto, esta é uma ação
cujo beta depende dos fundamentos da empresa, que por sua vez estão ligados às
relações entre Preço e Lucro da ação e entre Preço e Valor Patrimonial da empresa.
Já no restante das ações os modelos que obtiveram os maiores percentuais de

confiança foram os dinâmicos com o beta se comportando como passeio aleatório.
Portanto, para essas ações o comportamento de seus betas é dado apenas pelo seu
beta anterior somado a um resíduo aleatório com variância .
Para as ações cujos modelos mais significativos são os dinâmicos de A&F, estão
representados no Conjunto de Gráficos 1 o comportamento do beta dinâmico em
comparação com seu B (beta de longo prazo) suavizado pelo Filtro de Kalman. Já
0,50
0,70
0,90
1,10
1,30
0,00
0,50
1,00
1,50
2,00
0,00
0,50
1,00
1,50
2,00
0,00
0,50
1,00
1,50
2,00
out/99 out/99 out/99 out/99
mai/00 mai/00 mai/00 mai/00
dez/00 dez/00 dez/00 dez/00
jul/01 jul/01 jul/01 jul/01
fev/02 fev/02 fev/02 fev/02
set/02 set/02 set/02 set/02
abr/03 abr/03 abr/03 abr/03
nov/03 nov/03 nov/03 nov/03
jun/04 jun/04 jun/04 jun/04
jan/05 jan/05 jan/05 jan/05
OLS no modelo do CAPM tradicional.
B LP
ago/05
B LP
B LP
B LP
ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06
ITSA4
ELET6
BBDC4
out/06
BRKM5
out/06 out/06 out/06
fev/09
Beta
fev/09 fev/09 fev/09
Beta
Beta
Beta
set/09
set/09 set/09 set/09
abr/10
abr/10 abr/10 abr/10
nov/10
nov/10 nov/10 nov/10
jun/11
jun/11 jun/11 jun/11
jan/12
jan/12 jan/12 jan/12
ago/12
mar/13
mar/13 mar/13 mar/13
Conjunto de Gráficos 1 – β vs B de Longo Prazo: Modelos de A&F significantes
para as ações cujos modelos mais significativos são os dinâmicos com o beta se
comportando como passeio aleatório, estão representados no Conjunto de Gráficos
39
2 o comportamento do beta dinâmico em comparação com o beta fixo estimado por

0,00
0,50
1,00
1,50
2,00
0,00
0,50
1,00
1,50
0,00
1,00
2,00
3,00
0,00
1,00
2,00
-1,00
-0,50
-1,00
-1,00
B LP
B LP
B LP
B LP
ago/05 ago/05 ago/05 ago/05
VIVT4
VALE5
KLBN4
CRUZ3

Beta
Beta
Beta
Beta
Fonte: Elaborado pelo Autor

40
0,00
0,20
0,40
0,60
0,80
0,50
1,00
1,50
2,00
0,00
1,00
2,00
0,00
0,50
1,00
1,50
2,00
-0,20
-2,00
-1,00
Beta OLS
Beta OLS
Beta OLS
Beta OLS
PETR4
BBAS3
ABEV3
CMIG4
Beta Passeio Al.
Beta Passeio Al.
Beta Passeio Al.
Beta Passeio Al.

Conjunto de Gráficos 2 – β vs “β OLS”: Modelos de Passeio Aleatório

41
0,00
1,00
2,00
3,00
4,00
0,50
1,00
1,50
2,00
0,00
0,50
1,00
1,50
2,00
0,00
1,00
2,00
3,00
0,00
1,00
2,00
3,00
4,00
-1,00
out/99 out/99 out/99 out/99 out/99
mai/00 mai/00 mai/00 mai/00 mai/00
dez/00 dez/00 dez/00 dez/00 dez/00
jul/01 jul/01 jul/01 jul/01 jul/01
fev/02 fev/02 fev/02 fev/02 fev/02
set/02 set/02 set/02 set/02 set/02
abr/03 abr/03 abr/03 abr/03 abr/03
nov/03 nov/03 nov/03 nov/03 nov/03
jun/04 jun/04 jun/04 jun/04 jun/04
jan/05 jan/05 jan/05 jan/05 jan/05
Beta OLS
Beta OLS
Beta OLS
Beta OLS
Beta OLS
ago/05 ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06 mar/06
OIBR4
CSNA3
GGBR4
EMBR3
USIM5
Beta Passeio Al.
Beta Passeio Al.
Beta Passeio Al.
Beta Passeio Al.
Beta Passeio Al.


42
43
Conforme mostrado no Conjunto de Gráficos 1, o comportamento dos betas

confirma a teoria de que o beta de curto prazo, com o passar do tempo, tende a
convergir para o beta de longo prazo.
Já o Conjunto de Gráficos 2 fornece evidências do relacionamento entre os betas

fixos do CAPM obtidos por OLS e os betas dinâmicos obtidos através do filtro de
Kalman. Um ponto relevante na análise dos resultados é a evidência da proximidade
entre os betas dinâmicos e os betas fixos. Isto ocorre por causa do pressuposto da
reversão-à-média que está implícita no filtro utilizado, fazendo com que o valor atual
estimado do beta seja afetado pelo nível dos betas do passado.
Os gráficos apresentando o resultado do retorno predito do modelo de cada ação

em comparação com o retorno que realmente ocorreu em cada tempo “t” estão
mostrados no apêndice C.
4.3. Erros de estimação do CAPM com aprendizado
Seguindo a metodologia de A&F para testar a qualidade dos modelos, foram

calculados os dois parâmetros dos erros de apreçamento dos ativos, o RMSE (Root
Mean Squared Error) e o CPE (Composite Pricing Error). Estas são duas maneiras
de observar o ajuste do modelo em relação ao realizado. O RMSE mede o desvio-
padrão médio dos erros de apreçamento , que é calculado de acordo com a
equação (3.2.1). Os desvios dos alfas de cada modelo, assim como suas médias,
estão reportados na tabela 11 a seguir.
44
Tabela 11 - Resultado: Root Mean Squared Error

RMSE (Root Mean Squared Error) Médio
Sem Cond. P/VPA e P/L SW pré Consumo En. Todas Passeio Al. OLS
petr4 0,0662 0,0658 0,0659 0,0662 0,0650 0,0677 0,0660
abev3 0,0777 0,0769 0,0769 0,0770 0,0760 0,0794 0,0776
bbdc4 0,0672 0,0701 0,0658 0,0672 0,0672 0,0738 0,0704
bbas3 0,0767 0,0751 0,0767 0,0768 0,0751 0,0778 0,0764
brkm5 0,1168 0,1163 0,1167 0,1166 0,1161 0,1191 0,1189
elet6 0,0986 0,0963 0,0986 0,1008 0,0943 0,0995 0,1005
cmig4 0,0747 0,0715 0,0744 0,0743 0,0712 0,0744 0,0778
csna3 0,0870 0,0858 0,0867 0,0863 0,0849 0,0879 0,0855
ggbr4 0,0792 0,0785 0,0789 0,0789 0,0780 0,0802 0,0799
itsa4 0,0566 0,0544 0,0562 0,0566 0,0541 0,0575 0,0565
klbn4 0,0832 0,0832 0,0823 0,0831 0,0821 0,0847 0,0834
oibr4 0,0851 0,0866 0,0844 0,0864 0,0862 0,0869 0,0864
cruz3 0,0712 0,0713 0,0721 0,0684 0,0681 0,0783 0,0750
usim5 0,0949 0,0940 0,0932 0,0929 0,0957 0,0948
vale5 0,0759 0,0696 0,0715 0,0704 0,0666 0,0711 0,0736
vivt4 0,0759 0,0705 0,0715 0,0759 0,0677 0,0764 0,0762
embr3 0,1062 0,1050 0,1060 0,1044 0,1031 0,1144 0,1072
Média 0,0820 0,0806 0,0803 0,0813 0,0793 0,0838 0,0827
A tabela acima mostra os erros quadrados médios (RMSE) de cada ação para cada
modelo e, ao final, mostra a média do RMSE para as 17 ações juntas. Assim sendo,
o modelo que obteve a menor média dos desvios dos resíduos foi o que utiliza todas
as variáveis condicionantes. Ao comparar os modelos dinâmicos de A&F com os
modelos de CAPM estimados por OLS e com os modelos de CAPM com passeio
aleatório, podemos observar que os modelos dinâmicos de A&F são os que
apresentam as menores médias dos desvios.
No entanto, o teste acima não é suficiente para chegar a uma conclusão sobre os
erros dos modelos, pois observa apenas uma variante, o desvio-padrão dos erros de
apreçamento. Portanto, segue na tabela 12 outro parâmetro comparativo
relacionado aos erros de estimação. Esta medida é mais completa, pois tem em seu
cálculo ( ) a relação entre os erros da estimação e as variâncias dos retornos
estimados por cada modelo. Assim, ele dá menos peso aos alfas de ações mais
voláteis.
45
Tabela 12 – Resultado: Composite Pricing Error

CPE (Composite Pricing Error)
Sem Cond. P/VPA e P/L SW pré Consumo En. Todas Passeio al OLS
0,6851 0,5475 0,5782 0,6545 0,5310 0,5797 0,7334
Conforme mostrado acima, os resultados obtidos no cálculo do CPE demonstraram

novamente que, em se tratando dos erros de apreçamento, os modelos dinâmicos
de A&F são superiores aos modelos de CAPM com beta fixo. Além disso, dentre os
modelos dinâmicos, novamente o que utiliza todas as variáveis condicionantes é o
que apresentou o parâmetro CPE mais baixo, remetendo aos resultados com os
menores erros. Portanto, no resultado conjunto dos parâmetros RMSE e CPE, o
modelo com os melhores resultados foi o que utiliza todas as variáveis exógenas.
Observando-se os resultados da seleção dos modelos utilizando a metodologia de

escolha pelo nível de confiança em comparação com a metodologia dos menores
erros, RMSE e CPE, chega-se à conclusão de que eles divergem. Na primeira, que
utiliza os p-valores de cada coeficiente estimado como indicadores e ainda critérios
de informação para fazer a escolha dos melhores modelos não houve em nenhuma
ação a escolha do modelo com todas as variáveis exógenas. Já na metodologia dos
RMSE e CPE o modelo com todas as variáveis exógenas foi o que apresentou os
melhores resultados. Tal divergência demonstra, portanto, fragilidades na
metodologia aplicada por A&F que, ao utilizar o método dos menores erros, acaba
selecionando modelos com baixo poder de explicação do comportamento dos betas
de cada ação.
4.4. Testes de qualidade dos modelos e suas hipóteses
Para testar a qualidade das estimações e observar se as hipóteses assumidas por

elas estão realmente corretas, foram utilizados testes estatísticos para a
autocorreção dos Resíduos; normalidade dos resíduos e estacionaridade dos
mesmos.
46
 Teste de autocorreção dos resíduos: Durbin-Watson5
O teste estatístico de Durbin-Watson testa a hipótese nula de que os resíduos de

uma regressão não são auto-correlacionadas contra a alternativa de que os resíduos
seguem um processo AR1. Na tabela 13 mostrada a seguir estão os resultados do
teste para cada modelo, indicando com “1” os que não rejeitam a hipótese nula de
que os erros não são auto-correlacionados a 1% de significância e com “0” os que
rejeitam esta hipótese nula a 1% de significância. Portanto, observando os
resultados da tabela, praticamente todos os modelos não apresentam autocorreção
dos resíduos conforme o teste.
Tabela 13 – Teste de Autocorreção dos Resíduos

Autocorreção dos Resíduos (Durbin-Watson)
PETR4 1 1 1 1 1 1
ABEV3 1 1 1 1 1 1
BBDC4 1 1 1 1 1 1
BBAS3 1 1 1 1 1 1
BRKM5 1 1 1 1 1 1
ELET6 1 1 1 1 1 1
CMIG4 1 1 1 1 1 1
CSNA3 1 1 1 1 1 1
GGBR4 1 1 1 1 1 1
ITSA4 1 1 1 1 1 1
KLBN4 1 1 1 1 1 1
OIBR4 1 1 1 1 1 1
CRUZ3 1 1 1 1 1 1
USIM5 1 1 1 1 1
VALE5 1 1 1 1 0 1
VIVT4 1 1 1 1 1 1
EMBR3 1 1 1 1 1 1
 Teste de normalidade dos resíduos: Anderson-Darling6
5
Conforme Durbin and Watson (1950)
6
Conforme Anderson Darling (1954)
47
O teste de Anderson-Darling foi escolhido devido à sua boa performance para

amostras pequenas. Este é um teste estatístico que mede se uma dada amostra de
dados segue uma dada distribuição de probabilidade. Ele é da família dos métodos
que testam empiricamente se a função distribuição de probabilidade de uma amostra
tem similaridades com a função distribuição de probabilidade que está sendo
testada. Quando aplicado para testar se uma distribuição normal descreve um
conjunto de dados, é uma boa ferramenta para detectar a maior parte dos desvios
da normalidade.
Segue abaixo a tabela de resultados do teste de normalidade dos resíduos de

Anderson-Darling. O valor “1” indica que a hipótese nula de normalidade dos
resíduos não foi rejeitada a 1% de significância e o valor “0” indica que o modelo
rejeitou a hipótese nula de normalidade a 1% de significância.
Tabela 14 - Teste de Normalidade dos Resíduos

Teste de Normalidade ( Anderson-Darling (A2)) - Resultado
PETR4 1 1 1 1 1 1
ABEV3 1 0 1 1 1 1
BBDC4 1 1 1 1 1 1
BBAS3 1 1 1 1 1 1
BRKM5 1 1 0 0 1 1
ELET6 1 1 1 1 1 1
CMIG4 1 0 1 1 0 1
CSNA3 1 1 1 1 1 1
GGBR4 1 1 0 0 1 1
ITSA4 1 1 1 1 1 1
KLBN4 0 1 1 0 1 0
OIBR4 1 1 1 1 1 1
CRUZ3 1 1 1 1 1 1
USIM5 1 1 - 1 1 1
VALE5 1 1 1 1 1 1
VIVT4 1 1 1 1 1 0
EMBR3 0 1 0 0 0 1
Conforme mostrado na tabela acima, houve um alto percentual de modelos que

confirmaram a hipótese de normalidade imposta como premissa nas estimações. Um
resultado relevante é que em todos os modelos que foram selecionados conforme os
níveis de confiança de seus coeficientes (tabela 10) passaram nos testes de
normalidade, confirmando a premissa de normalidade dos resíduos.
48
 Testes de estacionaridade dos resíduos: ERS - Elliott-Rothenberg-Stock7 e

KPSS - Kwiatkowski-Phillips-Schmidt-Shin8
Para testar a estacionaridade dos resíduos foram utilizadas duas estatísticas, a ERS
(Elliott-Rothenberg-Stock) e a KPSS (Kwiatkowski-Phillips-Schmidt-Shin). Ambas
são recomendadas para testar a hipótese de estacionaridade para amostras
pequenas, apresentando alto grau de acerto.
O teste de ERS é um método criado para procurar a existência de raiz unitária em

uma distribuição, testando assim a sua estacionaridade. Ele é uma modificação do
teste de Dickey-Fuller e faz uso da mesma estatística t para encontrar os valores
críticos que, conforme o nível de confiança utilizado atesta se a distribuição
apresenta raiz unitária.
Já o teste de KPSS é usado para testar a hipótese nula de que uma série de tempo
observável é estacionária em torno de uma tendência determinista. Ensaios de tipo
KPSS pretendem complementar testes de raiz unitária, tais como os testes de
Dickey-Fuller . Ao testar tanto a hipótese de raiz unitária quanto a hipótese de
estacionaridade, pode-se distinguir séries que parecem ser estacionárias, séries que
parecem ter uma raiz unitária e séries para as quais os dados (ou os testes) não são
suficientemente informativos para se ter certeza se eles são estacionários ou
cointegram.
7
Conforme ELLIOTT, ROTHENBERG, STOCK (1996)
8
Conforme KWIATKOWSKI, PHILLIPS, SCHMIDT, SHIN (1992)
49
Tabela 15 - Teste de Estacionaridade dos Resíduos 1

Teste de Estacionaridade (Elliott-Rothenberg-Stock) - Resultado
PETR4 1 1 1 1 1 1
ABEV3 1 1 1 1 1 1
BBDC4 1 1 1 1 1 1
BBAS3 1 1 1 1 1 1
BRKM5 1 1 1 1 0 1
ELET6 1 1 1 1 1 1
CMIG4 1 1 1 1 1 1
CSNA3 1 1 1 1 1 1
GGBR4 1 1 0 1 0 1
ITSA4 1 1 1 1 0 1
KLBN4 1 1 1 0 1 1
OIBR4 1 1 1 1 1 1
CRUZ3 1 1 1 1 1 1
USIM5 1 1 1 1 1
VALE5 1 1 1 1 1 1
VIVT4 1 1 1 1 1 1
EMBR3 1 1 1 1 1 1
Conforme mostrado na tabela 15, o valor “1” indica que o teste rejeita a hipótese
nula da existência de raiz unitária a 5% de significância e o valor “0” indica que o
modelo não rejeita a hipótese nula a 5% de significância.
Na tabela 16 a seguir, o valor “1” indica que o teste não rejeita a hipótese nula da
estacionaridade dos resíduos a 5% de significância e o valor “0” indica que o modelo
rejeita a hipótese nula a 5% de significância.
50
Tabela 16 - Teste de Estacionaridade dos Resíduos 2

Teste de Estacionaridade (Kwiatkowski-Phillips-Schmidt-Shin)
PETR4 1 1 1 1 1 1
ABEV3 1 1 1 1 1 1
BBDC4 1 1 1 1 1 1
BBAS3 1 1 1 1 1 1
BRKM5 1 1 1 1 1 1
ELET6 1 1 1 1 1 1
CMIG4 1 1 1 1 1 1
CSNA3 1 1 1 1 1 1
GGBR4 1 1 1 1 1 1
ITSA4 1 1 1 1 0 1
KLBN4 1 1 1 1 1 1
OIBR4 1 1 1 1 1 1
CRUZ3 1 1 1 1 1 1
USIM5 1 1 1 1 1
VALE5 1 1 1 1 1 0
VIVT4 1 1 1 1 1 1
EMBR3 1 1 1 1 1 1
Conforme apresentado nas tabelas 15 e 16, a grande maioria dos modelos passou
nos teste que indicam a estacionaridade dos resíduos. Além disso, o efeito
conjugado dos testes ERS e KPSS nos remete a um resultado ainda melhor, dado
que modelos que não passaram no teste de ERS passaram no de KPSS.
Os testes de autocorreção, de normalidade e de estacionaridade dos resíduos das

estimações apresentados neste trabalho, conforme mostrado, trouxeram resultados
satisfatórios em relação às hipóteses assumidas nas estimações. Portanto, eles dão
conforto para que as análises sobre os resultados sejam executadas.
51
5. Cálculo do VaR utilizando os resultados dos modelos
5.1. O cálculo do VaR
Conforme comentado na parte introdutória do presente trabalho, a fim de testar os

modelos de CAPM dinâmico com aprendizado no cálculo do VaR - Value-at-Risk,
foram calculados valores de VaR para todas as ações estudadas no trabalho. Para
tanto, partiu-se do cálculo do VaR paramétrico normal histórico que, conforme a
equação (2.1.1), é dado por:
Onde:
é a inversa da função distribuição de probabilidade normal cumulativa;
é o nível de significância do VaR;
é o desvio padrão dos retornos no ativo i;
é o horizonte de tempo do VaR.
No entanto, para o presente trabalho, o cálculo do VaR irá diferir-se da forma

tradicional, pois o retorno do ativo , conforme já mostrado anteriormente pela
equação (3.1.12) no caso dos modelos de A&F e (3.3.1) no caso do CAPM com
passeio aleatório é dado por:
Conforme mostrado no Apêndice A, é fácil perceber que o desvio-padrão dos

retornos do ativo “i” é igual ao desvio-padrão idiossincrático deste ativo, ou seja,
. Assim, temos que a equação do VaR pode ser reescrita como:
(5.1.1)
Portanto, para calcular o VaR de cada ativo, utilizou-se os desvios idiossincráticos

do retorno das ações , cujos modelos dinâmicos com aprendizado foram
estimados no presente trabalho.
Os resultados do cálculo do VaR utilizando a metodologia do beta dinâmico foram

comparados com resultados utilizando a metodologia do VaR paramétrico histórico
0,2
0,4
0,2
0,4
0,6
0,2
0,4
0
0
0
-0,4
-0,2
-0,4
-0,2
-0,4
-0,2
0,2
0,4
-0,4
-0,2
seguir.
BBAS3
ABEV3
PETR4
BBDC4
BBAS3
PETR4
ABEV3
BBDC4
VaR Histórico 99%

VaR Histórico 99%
VaR Histórico 99%

VaR Histórico 99%

VaR Passeio Al. 99%
jun/11 jun/11 VaR Passeio Al. 99% jun/11 jun/11

VaR Passeio Al. 99%

VaR SWAP360 99%
Conjunto de Gráficos 3 – Comparativo VaR com Modelo Dinâmico vs VaR Histórico
níveis de significância de 1% e de 5%. Os resultados estão dispostos nos gráficos a
para testar sua eficiência em relação ao método tradicional. Para tanto, foram
calculados nos dois métodos o VaR com horizonte de tempo de 1 mês para os
52
0,2
0,4
0,6
0,2
0,4
0,2
0,4
0,5
0,5
0
0
0
0
0
1
-0,4
-0,2
-0,4
-0,2
-0,4
-0,2
-0,5
-0,5
ELET6
BRKM5
CSNA3
CMIG4
GGBR4
ELET6
VaR Histórico 99%

VaR Histórico 99%
CSNA3
CMIG4
GGBR4
BRKM5
VaR Histórico 99%

VaR Histórico 99%
VaR Histórico 99%

VaR Passeio Al. 99%

VaR Passeio Al. 99%
VaR Passeio Al. 99%

VaR Sem Variáveis Cond. 99%
VaR Sem Variáveis Cond. 99%

53
0,2
0,4
0,6
0,2
0,4
0
0
-0,4
-0,2
-0,4
-0,2
0,2
0,4
0,2
0,4
0
0
-0,4
-0,2
-0,4
-0,2
0,5
-0,5
ITSA4
KLBN4
CRUZ3
USIM5
OIBR4
ITSA4
OIBR4
CRUZ3
KLBN4
USIM5
VaR Histórico 99%

VaR Histórico 99%
VaR Histórico 99%
VaR Histórico 99%

VaR Histórico 99%

VaR Passeio Al. 99%

VaR SWAP360 99%
VaR SWAP360 99%
VaR En. Elétrica 99%

jan/12 jan/12 VaR Passeio Al. 99% jan/12 jan/12 jan/12
54
55
0,4 VALE5
0,2
0
-0,2
-0,4
ago/05
ago/12
dez/00
dez/07
nov/03
nov/10
mar/13
jul/01
fev/02
mai/00
jun/04
abr/03
jan/05
mar/06
jul/08
fev/09
jan/12
mai/07
jun/11
abr/10
out/99
out/06
set/02
set/09
VALE5 VaR Histórico 99% VaR SWAP360 99%
0,4 VIVT4
0,2
0
-0,2
-0,4
out/99
jan/05
out/06
jan/12
dez/00
ago/05
jul/01
dez/07
ago/12
jul/08
nov/03
nov/10
mar/13
fev/02
mai/00
jun/04
jun/11
abr/03
mar/06
fev/09
mai/07
abr/10
set/02
set/09
VIVT4 VaR Histórico 99% VaR P/L e P/VPA 99%
1 EMBR3
0,5
-0,5
dez/00
ago/05
dez/07
ago/12
nov/03
nov/10
fev/02
jun/04
fev/09
jun/11
abr/03
mar/06
mar/13
jan/05
abr/10
jul/08
jan/12
mai/00
jul/01
mai/07
out/99
out/06
set/02
set/09
EMBR3 VaR Histórico 99% VaR Passeio Al. 99%

5.2. Backtesting dos resultados
A fim de testar a eficiência do novo método do cálculo do VaR, foram aplicados aos
resultados duas metodologias de backtesting bastante difundidas no mercado
financeiros, as quais são o Teste de Convergência Incondicional de Kupiec (1995) e
o Teste de Independência de Christoffersen (1998). O primeiro mede, através de
uma estatística “Qui-quadrada” criada por Kupiec o percentual incondicional de
vezes que o retorno da ação violou o VaR no período de tempo considerado. Já o
segundo, mede através de outra estatística “Qui-quadrada” criada por Christoffersen
o percentual de vezes que o retorno da ação violou o VaR e persistiu nesta violação
havendo dependência da violação imediatamente anterior ao momento considerado.
A estatística conjugada destes dois métodos traz o resultado do backtesting final do
56
VaR. Tanto nos testes de Kupiec e Christoffersen, quanto no resultado conjugado,

utilizou-se os níveis de confiança de 95% e de 99%, níveis recomendados no
manual de risco da RiskMetrics (1996).
Seguem na tabela abaixo os resultados do backtesting feito para o conjunto das 17

ações selecionadas neste trabalho. Os valores representam o percentual dos
modelos deste grupo de ações que lograram nos testes para cada metodologia de
backtesting no horizonte de tempo de 1 mês para os níveis de confiança de 95% e
de 99%.
Tabela 17.1 - Backtesting

Modelos CAPM
Teste Sem Cond. P/VPA e P/L SW pré Consumo En.
VaR 95% VaR 99% VaR 95% VaR 99% VaR 95% VaR 99% VaR 95% VaR 99%
Teste de Convergência
76% 53% 71% 53% 76% 59% 76% 65%
Incondicional (Kupiec)
Teste de Independência
59% 47% 59% 47% 65% 53% 65% 53%
(Christoffersen)
Condicional 59% 53% 65% 53% 59% 59% 65% 59%
(combinado)
Tabela 17.2 - Backtesting

Modelos CAPM
Teste Todas Passeio Al. OLS Var Histórico
VaR 95% VaR 99% VaR 95% VaR 99% VaR 95% VaR 99% VaR 95% VaR 99%
71% 47% 82% 71% 100% 100% 100% 100%
Incondicional (Kupiec)
Teste de Independência
59% 47% 71% 59% 82% 88% 82% 88%
(Christoffersen)
Condicional 59% 47% 71% 65% 82% 100% 82% 100%
(combinado)
Conforme mostrado, nenhum dos modelos dinâmicos, incluindo o modelo de CAPM

com passeio aleatório, passou em 100% dos testes para os níveis de confiança de
95% e 99%. No entanto, os modelos do VaR com o modelo OLS e o VaR histórico
lograram em 100% das ações para o nível de confiança de 99%.
Estes resultados demonstram um fato bastante relevante sobre a utilização da

metodologia de cálculo do VaR com o desvio dos retornos idiossincráticos dos
ativos. Utilizando esta metodologia, conforme mostrado nos gráficos do Conjunto de
Gráficos 3, o ajuste do VaR do modelo proposto sobre os retornos realizados, é
maior que o ajuste do VaR Histórico, ou seja, a distância entre os retornos
57
realizados e a linha d`água do VaR do modelo dinâmico é menor. Assim, em alguns

modelos cujos backtestings não foram favoráveis, a linha d`água do VaR ficou
próxima demais dos retornos realizados, aumentando a probabilidade de violações.
No entanto, houve um percentual acima de 50% de aceitação do VaR em todos os
modelos, ou seja, em mais da metade das ações os modelos dinâmicos poderiam
ser utilizados no cálculo do VaR.
Assim sendo, fica evidente que a utilização da metodologia do VaR com os modelos
dinâmicos é menos conservadora que o cálculo tradicional do VaR histórico. No
entanto, apesar de menos conservadora, a metodologia dos modelos dinâmicos
passou em vários dos testes executados, demonstrando que, dependendo da ação e
do nível de confiança utilizados, a metodologia pode ser aplicada. Assim sendo, o
investidor que quiser utilizar uma metodologia menos conservadora, mas que seja
eficiente no cálculo de VaR dependendo da ação analisada, pode utilizar os modelos
dinâmicos propostos sem que haja perdas acima do nível de confiança.
58
6. Conclusão
O presente trabalho teve como objetivo principal adequar o modelo do CAPM

condicional com aprendizado proposto por Adrian and Franzoni (2009) ao contexto
brasileiro. Para tanto, devido à ausência de uma larga base de dados histórica e ao
fato de que o número de variáveis existentes no Brasil é limitado, algumas
modificações tiveram de ser feitas para que o trabalho fosse realizado. Dentre as
modificações estão a utilização de dados mensais ao invés de trimestrais; a
execução das análises diretamente em relação ao comportamento das ações, ao
invés de portfólios de ações e a utilização de algumas variáveis condicionantes
exógenas diferentes das utilizadas pelos autores. No entanto, como os fundamentos
do estudo foram mantidos, houve grande convergência nos resultados obtidos no
presente trabalho em comparação com os testes empíricos obtidos por A&F.
Adicionalmente ao que foi feito por A&F, devido ao fato de que muitos dos modelos
estimados não apresentaram um nível aceitável de confiança assim como no
trabalho de A&F, neste estudo ainda foram estimados novos modelos dinâmicos do
CAPM com o beta se comportando como passeio aleatório, obtendo-se resultados
satisfatórios.
Na seleção dos melhores modelos estimados neste trabalho foram utilizadas duas
metodologias, uma seguiu os métodos utilizados por A&F, selecionando os modelos
com os menores erros médios de predição por meio dos parâmetros RMSE e CPE.
Já na outra metodologia a seleção dos melhores modelos foi feita a partir da
significância dos parâmetros estimados de cada um aliada a critérios de informação,
chegando-se aos modelos com o melhor poder de explicação da trajetória dos betas.
O nível de confiança mínimo de corte utilizado foi de 90% para cada coeficiente. Os
resultados desta última foram divergentes dos encontrados na seleção dos modelos
a partir dos erros médios de predição, trazendo uma nova perspectiva à utilização de
tais modelos.
Conforme mostrado no decorrer do trabalho, a simples utilização do modelo do

CAPM com aprendizado para estimar o beta dinâmico para ações no Brasil já
demonstrou enorme ganho de qualidade em comparação com o tradicional modelo
OLS do CAPM com beta fixo. Portanto, dado que o modelo do beta dinâmico leva
em consideração que ele varia de acordo com um processo autorregressivo de
59
ordem um, podemos concluir que, na visão do investidor brasileiro, o comportamento

do retorno de uma ação em determinado momento dependerá do comportamento
desta ação no momento imediatamente anterior a ele.
Para algumas ações brasileiras, além deste comportamento autorregressivo dos

betas outros fatores influenciam na variação deles. Conforme o método de seleção
dos modelos de acordo com seus níveis de confiança, um exemplo é o fato do
modelo que melhor explica o comportamento dos betas das ações dos únicos dois
bancos privados da amostra, BBDC4 e ITSA4 ser o que tem como variável exógena
o SWAP de 360 dias, o qual representa o spread de juros do país. Outras ações
cujos modelos escolhidos foram os que utilizam o SWAP360 foram KLBN4 e VALE5.
O método de seleção dos modelos de acordo com seus níveis de confiança ainda
indicou para as ações BRKM5 e ELET6 os modelos dinâmicos de A&F sem variáveis
exógenas, remetendo à reflexão de que os comportamentos dos seus betas está
relacionado não só com o beta no momento anterior, mas também com o Beta na
visão de longo prazo.
Além disso, a ação CRUZ3 foi a única que obteve o modelo de A&F com a variável
exógena da Energia Elétrica como modelo indicado, trazendo uma relação
surpreendente entre a Proxy de consumo das famílias dada pelo consumo de
energia elétrica e o comportamento da ação, que representa uma empresa do setor
de consumo de tabaco.
Já a ação VIVT4 foi a única que obteve o modelo de A&F com as variáveis
relacionadas ao preço da ação como o modelo indicado.
Nas outras 9 ações restantes os modelos que obtiveram os maiores percentuais de

confiança foram os dinâmicos com o beta se comportando como passeio aleatório.
Portanto, para essas ações o comportamento de seus betas é dado apenas pelo seu
beta no momento anterior somado a um resíduo aleatório com variância .
Como se pode perceber, os resultados obtidos foram diversos, dependendo da ação

analisada. Na explicação de tais resultados, por vezes contrastantes, se deve levar
em consideração o fenômeno chamado de ineficiência de mercado, o qual é inerente
a realidade dos mercados em geral. Tal fenômeno se deve ao não cumprimento de
uma ou algumas premissas dos mercados eficientes, as quais foram listadas no item
(2.1) deste trabalho.
60
Estes resultados obtidos a partir da escolha dos modelos de acordo com seus níveis
de confiança divergem da metodologia dos menores erros, RMSE e CPE,
empregada por A&F. Segundo ela, o modelo que demonstrou os menores índices de
erros foi o que utiliza todas as variáveis exógenas ao mesmo tempo. Tal divergência
demonstra, portanto, fragilidades na metodologia aplicada por A&F que, ao utilizar o
método dos menores erros, acaba selecionando modelos com baixo poder de
explicação do comportamento dos betas de cada ação.
Outro objetivo alcançado no presente trabalho foi o de testar a utilização do modelo

do CAPM dinâmico com aprendizado no cálculo do VaR – Value-at-Risk, seguindo a
proposta da autora Sommacampagna (2002). No entanto, diferentemente da autora,
cujo trabalho utilizou apenas um modelo de CAPM dinâmico sem variáveis
exógenas, no presente trabalho foram utilizados os modelos do CAPM dinâmicos ,
dentre os quais estão os que utilizam variáveis exógenas, trazendo novos
resultados. Os cálculos do VaR foram feitos para os níveis de confiança de 95% e
de 99% com o horizonte de tempo de 1 mês.
Para testar a assertividade deste novo método de cálculo do VaR foram aplicadas
aos resultados as metodologias de backtesting de Kupiec (1995), de Christoffersen
(1998) e a conjugação das duas. O resultado final demonstrou que nenhum dos
modelos dinâmicos, incluindo o modelo de CAPM com passeio aleatório, passou em
100% dos testes para os níveis de confiança de 95% e 99%. No entanto, os modelos
do VaR com o modelo OLS e o VaR histórico lograram em 100% das ações para o
nível de confiança de 99%.
Ficou evidente no estudo que o ajuste do VaR dos modelos dinâmicos sobre os
retornos realizados, é maior que o ajuste do VaR Histórico, ou seja, a distância entre
os retornos realizados e a linha d`água do VaR do modelo dinâmico é menor. Assim,
em alguns modelos cujos backtestings não foram favoráveis, a linha d`água do VaR
ficou próxima demais dos retornos realizados, aumentando a probabilidade de
violações. No entanto, houve um percentual acima de 50% de aceitação do VaR em
todos os modelos, ou seja, em mais da metade das ações os modelos dinâmicos
poderiam ser utilizados no cálculo do VaR com os níveis de confiança obedecidos.
Assim sendo, pode-se concluir que a utilização da metodologia do VaR com os

modelos dinâmicos é menos conservadora que o cálculo tradicional do VaR
histórico. No entanto, apesar de menos conservadora, a metodologia dos modelos
61
dinâmicos pode ser utilizada no cálculo do VaR de ações específicas, havendo a

necessidade de aplicação de um backtest para que seja certificada a sua eficácia.
Para trabalhos futuros, em relação ao modelo do CAPM com aprendizado, pode-se

sugerir que o mesmo seja estimado utilizando outras variáveis exógenas ao modelo,
a fim de melhorar ainda mais o seu poder preditivo. Dentre essas variáveis
exógenas pode-se utilizar índices de bolsas estrangeiras como o S&P500 e o
DOWNJONES ou mesmo índices mundiais, como o MSCI World. Além disso, uma
outra sugestão é a utilização de variáveis exógenas na equação de medida, ao invés
da equação de estado.
Em relação ao cálculo do VaR, dentre as melhorias que podem ser sugeridas, estão
estudos fazendo-se uso de uma amostra maior, com retornos semanais ou diários.
Assim, as variâncias idiossincráticas utilizadas no cálculo do VaR poderiam variar
em uma janela de tempo pré-determinada, fazendo com que o VaR se tornasse
variante no tempo conforme a volatilidade das predições do CAPM dinâmico. Com
isso, o VaR poderia atingir um patamar de ajuste alto e com baixos níveis de
violações. Uma outra melhoria que poderia ser sugerida é a aplicação do método
para uma carteira de ações, e não apenas para ações únicas, observando assim
como o efeito diversificação afeta os resultados.
62
REFERÊNCIAS
ADRIAN, T.; FRANZONI, F. Learning about beta: a new look at CAPM tests. Staff Reports of
Federal Reserve Bank of New York, n. 193, p. 1-47, 2004.
ADRIAN, T.; FRANZONI, F. Learning about beta: time-varying factor loadings, expected
returns, and the conditional CAPM. Journal of Empirical Finance, v. 16, n. 4, p. 537-556,
2009.
ALEXANDER, C.; Market Risk Analysis IV – Value-at-Risk, Wiley, 2008.
ALMEIDA, L. O., Estimação do CAPM Intertemporal com Ações da Bovespa, Universidade

de São Paulo (2010).
ANDERSON, T.W., and D.A. DARLING, “A test of goodness-of-fit,” J. Am. Stat. Assoc.,
Vol. 49, 765–769, (1954).
BM&FBOVESPA; Metodologia do Índice Bovespa (2014); Disponível em:

www.bmfbovespa.com.br/ Indices/download/IBOV-Metodologia-pt-br.pdf.
BREEDEN, D. T. An Intertemporal Asset Pricing Model With Stochastic Consumption And

Investment Opportunities, Journal of Financial Economics 7 (1979).
CAMPBELL, J.; VUOLTEENAHO, T. Bad beta, good beta. American Economic Review, v.
94, p. 1249-1275, 2004.
CHRISTOERSEN P., Evaluating Interval Forecasts, International Economic Review,

39,1998, 841-862.
CHRISTOERSEN P., and Pelletier D., Backtesting Value-at-Risk: A Duration-Based Ap-

proach. Journal of Empirical Finance, 2, 2004, 84-108.
DURBIN, J., and G. S. WATSON. Testing for Serial Correlation in Least Squares Regression
I. Biometrika 37, pp. 409–428, 1950.
ELLIOTT, ROTHENBERG, STOCK (1996), “ Efficient Tests for an Autoregressive Unit Root”,
Econometrica, Vol. 64, No. 4(Jul., 1996), pp.813-836
EPSTEIN L. G and ZIN S. E., Substitution, Risk Aversion and the Temporal Behavior of
Consumption and Asset Returns: A Theorical Framework, Econometrica, Vol 57, 1989
FAMA, E. F.; FRENCH, K. R. The cross-section of expected stock returns. Journal of

Finance, v. 47, n. 2, p. 427-465, 1992.
FAMA, E. F.; FRENCH, K. R. Common risk factors in the returns on stocks and bonds.
Journal of Financial Economics, v. 33, p. 3-56, 1993.
63
FAMA, E. F.; MAcBETH, J. D. Risk, return and equilibrium: empirical tests. Journal of
Political Economy, v. 81, n. 3, p. 607-636, 1973.
FERSON and HARVEY, Conditioning Variables and the Cross Section of Stock Returns, The
Journal of Finance (1999).
HAMILTON, J. D. Time series analysis. Princeton: Princeton University Press, 1994.
HUANG, P.; HUENG, C. J. Conditional risk-return relationship in a time-varying beta model.

Journal of Quantitative Finance, v. 8, n. 4, p. 381-390, 2008.
IPEADATA, Dados Macroeconômicos. Disponível em: < http://www.ipeadata.gov.br/>.
ISSLER, J., V. and PIQUEIRA N., S., Estimating Relative Risk A version, the Discount Rate,
and the Intertemporal Elasticity of Substitution in Consumption for Brazil Using Three Types
of Utility Function, Brazilian Review of Econometric, 2000.
JAGANNATHAN, R.; WANG, Z. The conditional CAPM and the cross-section of expected
returns. Journal of Finance, v. 51, p. 3-53, 1996.
KOOPMAN, S. J.; DURBIN, J. Time series analysis by state space methods. Oxford: Oxford
University Press, 2001.
KUPIEC P., Techniques for Verifying the Accuracy of Risk Management Models. Journal
of Derivatives, 3, 1995, 73-84.
KWIATKOWSKI, D., P.C.B. PHILLIPS, P. SCHMIDT, Y. SHIN (1992): Testing the Null
Hypothesis of Stationarity against the Alternative of a Unit Root, Journal of Econometrics, 54,
pp. 159-178, North-Holland.
LETTAU, M.; LUDVIGSON, S. Resurrecting the (C)CAPM: a cross-sectional test when risk
premia are time-varying. Journal of Political Economy, v. 109, p. 1238-1287, 2001.
LEWELLEN, J.; NAGEL, S. The conditional CAPM does not explain asset-pricing anamolies.
Journal of Financial Economics, v. 82, n. 2, p. 289-314, 2006.
LINTNER, J. The valuation of risk assets and selection of risky investments in stocks
portfolios and capital budgets. Review of Economics and Statistics, v. 47, p. 13-37, 1965.
MACHADO, BORTOLUZZO, MARTINS & SANVICENTE Inter-temporal CAPM: An Empirical

Test with Brazilian Market Data, Rev. Bras. Finanças, Rio de Janeiro, Vol. 11, No. 2, June
2013, pp. 149–180 (2013).
MARKOWITZ, H. (1959). Portfolio Selection: Efficient Diversification of Investments. New

York: John Wiley & Sons.
64
MERTON, R. C. (1973). An Analytic Deviation of the Efficient Pertfolio Frontier. The Journal
of Finantial and Quantitative Analysis 7, 1851-1872
MOSSIN, J. Equilibrium in a capital asset market. Econometrica, v. 34, n. 4, p. 768-783,

1966.
RISKMETRICS, Technical Document - Fourth Edition, J.P.Morgan/Reuters, December

(1996).
ROCKINGER M. & URGA G. (2001) – A Time Varying Parameter Model to Test for
Predictability and Integration in the Stock Markets of Transition Economies, Journal of
Business & Economic Statistics, 19:1, 73-84 .
ROSS, S., 1976a. The arbitrage theory of capital asset pricing. Journal of Economic Theory
13, 341–360.
ROSS, S., 1976b. Risk, return, and arbitrage. In: Friend, I., Bicksler, J. (Eds.), Risk and
Return in Finance, vol. 1. Ballinger, Cambridge, pp. 189–218.
SAVIN, N. E. and WHITE K. J., The Durbin-Whatson test for serial correlation with extreme
sample sizes or many regressors, Econometrica, Vol. 45, n° 8 (November, 1977)
SECURATO, J. R., Decisões financeiras em condições de risco. São Paulo, Atlas, 1993.
SHARPE, W. F. Capital asset prices: a theory of market equilibrium under conditions at risk.
Journal of Finance, v. 19, p. 425-442, 1964.
SILVA F. O. C.; FRASCAROLI, B. F. A evolução dos betas do CAPM, 2005
SOMMACAMPAGNA C., Estimating Value at Risk with the Kalman Filter, Dipartimento Studi
Finanziari, Università di Verona (2002)
TAMBOSI FILHO, E.; GARCIA, F. G.; BERTUCCI, L. A. Testando empiricamente o CAPM

condicional dos retornos esperados de carteiras dos mercados brasileiro, argentino e norte-
americano. Revista de Gestão USP, v. 14, n. 4, p. 63-75, 2007.
TREYNOR, J. L. Market Value, Time, and Risk. Rough Dreft,1961
TREYNOR, J. L. Toward Theory of Market Value of Risky Assets, London: Risk Books.
(1962).
65
APÊNDICE A
Conforme já mostrado anteriormente pela equação (3.1.8), o retorno do ativo “i” é dado por:
Aplicando a esperança do retorno do ativo “i”, dada a componente , temos:
(A.1)
A variância do ativo , dada a componente , pode ser obtida conforme o cálculo

abaixo:
(A.2)
Substituindo (A.1) em (A.2), temos:
Portanto, para o modelo proposto, o desvio-padrão dos retornos do ativo “i” é igual ao
desvio-padrão idiossincrático do retorno do ativo.
66
APÊNDICE B
Segue abaixo os resultados numéricos dos critérios de informação para os modelos

estimados que obtiveram todos os coeficientes significantes à 90% de confiança. Para
aqueles em que houve divergência entre um critério e outro, foi escolhido o modelo com
mais indicações. Na tabela abaixo estão mostrados na cor verde a indicação do melhor
modelo segundo cada critério de informação.
Tabela B.1
Critérios de informação
AIC -2.476 -2.456 -2.494
BBDC4 Schwarz -2.402 -2.344 -2.413
Hannan-Quinn -2.446 -2.411 -2.456
AIC -1.332 -1.321
BRKM5 Schwarz -1.258 -1.284
Hannan-Quinn -1.308 -1.306
AIC -1.683 -1.677
ELET6 Schwarz -1.598 -1.640
Hannan-Quinn -1.693 -1.662
AIC -2.288 -2.290 -2.328 -2.176
CRUZ3 Schwarz -2.213 -2.179 -2.235 -2.139
Hannan-Quinn -2.258 -2.245 -2.291 -2.161
AIC -2.333 -2.365 -2.333
VALE5 Schwarz -2.258 -2.297 -2.296
Hannan-Quinn -2.302 -2.327 -2.318
AIC -2.326 -2.317 -2.243
VIVT4 Schwarz -2.214 -2.224 -2.206
Hannan-Quinn -2.280 -2.279 -2.228
67
APÊNDICE C
Os gráficos apresentando o resultado do retorno predito do modelo de cada ação em

comparação com o retorno que ocorrido em cada tempo “t+1” estão mostrados no conjunto
de gráficos C.1. Estão mostrados os resultados apenas dos modelos que, conforme é
mostrado no item 4.2, apresentaram os resultados com os melhores níveis de confiança.
Conjunto de Gráficos C.1

0,4 PETR4
0,2
0
-0,2
-0,4
dez/07
dez/00
ago/05
ago/12
fev/02
nov/03
fev/09
nov/10
mai/00
jun/04
jun/11
abr/03
mar/06
abr/10
mar/13
jul/01
jan/05
mai/07
jul/08
jan/12
out/99
out/06
set/02
PETR4 Ret. Predito set/09
0,4 ABEV3
0,2
0
-0,2
-0,4
dez/07
dez/00
ago/05
ago/12
fev/02
jun/04
fev/09
jun/11
jul/01
abr/03
nov/03
mar/06
jan/05
jul/08
abr/10
nov/10
mar/13
jan/12
mai/00
mai/07
out/99
set/02
out/06
set/09
-0,6
ABEV3 Ret. Predito
0,5 BBDC4
-0,5
dez/07
dez/00
ago/05
ago/12
nov/03
nov/10
fev/02
jun/04
jun/11
abr/03
mar/06
fev/09
jan/05
abr/10
mar/13
jan/12
mai/00
jul/01
mai/07
jul/08
out/99
out/06
set/02
set/09
BBDC4 Ret. Predito

0,2
0,4
0,5
0
0
-0,4
-0,2
-0,5
0,5
-0,5
0,2
0,4
-0,4
-0,2
0,5
0
1
-0,5
ELET6
CSNA3
CMIG4
BBAS3
BRKM5
ago/05 ago/05
ELET6
CSNA3
CMIG4
BBAS3

BRKM5
out/06 out/06
Ret. Predito
Ret. Predito
Ret. Predito
Ret. Predito
Ret. Predito

fev/09 fev/09
set/09 set/09
abr/10 abr/10
nov/10 nov/10
jun/11 jun/11
jan/12 jan/12
ago/12 ago/12
mar/13 mar/13
68
0,2
0,4
0,5
0
0
1
-0,4
-0,2
-0,5
0,2
0,4
0,6
0,2
0,4
0,2
0,4
0
0
0
-0,4
-0,2
-0,4
-0,2
-0,4
-0,2
ITSA4
GGBR4
OIBR4
ago/05 ago/05
KLBN4
CRUZ3
mar/06 mar/06
ITSA4
OIBR4
GGBR4
KLBN4
CRUZ3
out/06 out/06
mai/07 mai/07
mai/07 mai/07 mai/07
dez/07 dez/07
dez/07 dez/07 dez/07
jul/08 jul/08
jul/08 jul/08 jul/08
Ret. Predito
Ret. Predito
Ret. Predito
Ret. Predito
Ret. Predito
fev/09 fev/09
set/09 set/09
abr/10 abr/10
nov/10 nov/10
jun/11 jun/11
jan/12 jan/12
ago/12 ago/12
mar/13 mar/13
69
0,2
0,4
0,6
0,5
0
0
-0,4
-0,2
-0,5
0,5
0,5
0
1
0
-0,5
-0,5
VALE5
USIM5
VIVT4
ago/05 ago/05
EMBR3
ago/05 ago/05
VALE5
VIVT4
USIM5
EMBR3

Ret. Predito
Ret. Predito
Ret. Predito
Ret. Predito

jan/12 jan/12
jan/12 jan/12
ago/12 ago/12
ago/12 ago/12
mar/13 mar/13
mar/13 mar/13

70

Andre Ricardo de Pinho Ronzani

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Andre Ricardo de Pinho Ronzani

Uploaded by

Copyright:

Available Formats

Pró-Reitoria de Pós-Graduação e Pesquisa

Stricto Sensu em Economia

ESTIMAÇÃO DO CAPM COM APRENDIZADO UTILIZANDO

Autor: André Ricardo de Pinho Ronzani

ESTIMAÇÃO DO CAPM COM APRENDIZADO UTILIZANDO FILTRO DE KALMAN

Dissertação apresentada ao Programa de

Orientador: Prof. Dr. Wilfredo Fernando

7,5cm Dissertação (Mestrado) – Universidade Católica de Brasília, 2014.

1. Economia. 2. Filtro de Kalman. 3. Modelos dinâmicos. 4. Capital

Ficha elaborada pela Biblioteca Pós-Graduação da UCB

Agradeço primeiramente à minha esposa, que com muita compreensão, carinho e

O presente trabalho apresenta uma adequação do modelo de CAPM condicional

Adicionalmente, ainda foram estimados modelos alternativos aos propostos por

Palavras-chave: Filtro de Kalman, CAPM, modelos dinâmicos, VaR, .

Keywords: Kalman filter, CAPM, dynamic models, VaR.

Gráfico 1 – SWAP 360 dias ................................................................................................. 29

Gráfico 2 – Consumo de Energia Elétrica ............................................................................ 29

Gráfico 3 – P/L: Preço Sobre Lucro ..................................................................................... 30

Gráfico 4 – P/VPA: Preço Sobre Valor Patrimonial .............................................................. 30

Conjunto de Gráficos 1 – β vs B de Longo Prazo: Modelos de A&F significantes ................ 39

Conjunto de Gráficos 2 – β vs “β OLS”: Modelos de Passeio Aleatório ................................ 41

Conjunto de Gráficos 3 – Comparativo VaR com Modelo Dinâmico vs VaR Histórico.......... 52

Tabela 1 – Ações selecionadas................................................................................. 27

Tabela 2 – Correlações das variáveis utilizadas ....................................................... 31

Tabela 3 – Coeficientes do Modelo Sem Variáveis Exógenas .................................. 32

Tabela 4 - Coeficientes do Modelo Com Variáveis de Preço .................................... 32

Tabela 5 - Coeficientes do Modelo Com SWAP 360 Dias ......................................... 33

Tabela 6 - Coeficientes do Modelo Com Consumo de Energia Elétrica .................... 34

Tabela 7 - Coeficientes do Modelo Com Todas as Variáveis .................................... 34

Tabela 8 - Coeficientes do Modelo Com Passeio Aleatório ...................................... 35

Tabela 9 – Modelos com Todos os Coeficientes Significantes.................................. 37

Tabela 10 – Resultado da seleção dos Modelos ....................................................... 37

Tabela 11 - Resultado: Root Mean Squared Error .................................................... 44

Tabela 12 – Resultado: Composite Pricing Error ...................................................... 45

Tabela 13 – Teste de Auto-Correlação dos Resíduos............................................... 46

Tabela 14 - Teste de Normalidade dos Resíduos ..................................................... 47

Tabela 15 - Teste de Estacionaridade dos Resíduos 1 ............................................. 49

Tabela 16 - Teste de Estacionaridade dos Resíduos 2 ............................................. 50

Tabela 17 - Backtesting ............................................................................................. 56

2. Revisão Bibliográfica .................................................................................................... 16

2.1. O CAPM .................................................................................................................... 16

2.2. O Filtro de Kalman .................................................................................................... 18

2.3. O VaR ....................................................................................................................... 20

3. Modelo CAPM condicional com aprendizado .............................................................. 21

3.1. Modelo de Adrian & Franzoni (2009) ......................................................................... 21

3.2. Exercício empírico de A&F ........................................................................................ 24

3.3. Modelo do CAPM com o beta como passeio aleatório............................................... 26

4. Estimação dos Modelos e Seus Resultados ................................................................ 27

4.1. Dados utilizados ........................................................................................................ 27

4.2. Estimação dos parâmetros ........................................................................................ 31

4.3. Erros de estimação do CAPM com aprendizado ....................................................... 43

4.4. Testes de qualidade dos modelos e suas hipóteses .................................................. 45

5. Cálculo do VaR utilizando os resultados dos modelos .............................................. 51

5.1. O cálculo do VaR ...................................................................................................... 51

5.2. Backtesting dos resultados ........................................................................................ 55

No âmbito da gestão de ativos financeiros, é grande o esforço empregado na

O modelo de apreçamento de ativos de capital - CAPM (Capital Asset Pricing Model)

Na tentativa de trazer melhorias ao CAPM, dentre as principais extensões do modelo

Na década de 1990, com os avanços nos métodos estatísticos da econometria e o

Na linha de pesquisa que envolve a união entre o CAPM com aprendizado e a

No Brasil foram poucas as pesquisas que envolveram o tema do CAPM com

teste empírico do ICAPM aplicado ao Brasil de Machado, Bortoluzzo, Martins and

O presente trabalho tem como objetivo principal adequar o modelo de CAPM

Além de estimar os modelos para o Brasil a partir do trabalho de Adrian and