Professional Documents
Culture Documents
Brasília - DF
2014
ANDRÉ RICARDO DE PINHO RONZANI
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
CDU 336.012.23
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.
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.
1. Introdução ...................................................................................................................... 12
6. Conclusão ...................................................................................................................... 58
REFERÊNCILAS ................................................................................................................. 62
APÊNDICE A ................................................................................................................... 65
APÊNDICE B ................................................................................................................... 66
APÊNDICE C ................................................................................................................... 67
12
1. Introdução
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).
1
Conforme mostrado em Alexander (2008)
2
Conforme mostrado em Alexander (2008)
16
2. Revisão Bibliográfica
2.1. O CAPM
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.
(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.
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 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
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;
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).
Em seguida, define-se:
(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)
2.3. O VaR
(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
(3.1.1)
(3.1.2)
(3.1.3)
22
(3.1.4)
(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
(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
(3.1.9)
(3.1.11)
Sendo: e
(3.1.12)
(3.1.13)
(3.1.14)
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.
- 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);
- 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.
(3.2.1)
Onde:
é o erro da estimação no tempo t+1, dado pela diferença entre o retorno real e o
retorno estimado.
- RMSE (Root Mean Squared pricing errors): Erro quadrado médio dos retornos dos
ativos;
(3.3.1)
(3.3.2)
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.
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.
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
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
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
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
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
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.
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
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.
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
mai/07 mai/07 mai/07 mai/07
dez/07 dez/07 dez/07 dez/07
jul/08 jul/08 jul/08 jul/08
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
ago/12 ago/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
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
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
B LP
B LP
B LP
B LP
ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06
VIVT4
VALE5
KLBN4
CRUZ3
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 ago/12 ago/12 ago/12
mar/13 mar/13 mar/13 mar/13
0,00
1,00
2,00
0,00
0,50
1,00
1,50
2,00
-0,20
-2,00
-1,00
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
Beta OLS
Beta OLS
Beta OLS
Beta OLS
ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06
PETR4
BBAS3
ABEV3
CMIG4
out/06 out/06 out/06 out/06
mai/07 mai/07 mai/07 mai/07
dez/07 dez/07 dez/07 dez/07
jul/08 jul/08 jul/08 jul/08
fev/09 fev/09 fev/09 fev/09
set/09 set/09 set/09 set/09
Beta Passeio Al.
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
out/06 out/06 out/06 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
fev/09 fev/09 fev/09 fev/09 fev/09
set/09 set/09 set/09 set/09 set/09
Beta Passeio Al.
Beta Passeio Al.
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
5
Conforme Durbin and Watson (1950)
6
Conforme Anderson Darling (1954)
47
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.
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
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
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.
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.
(5.1.1)
0
0
0
-0,4
-0,2
-0,4
-0,2
-0,4
-0,2
0,2
0,4
-0,4
-0,2
seguir.
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
BBAS3
set/02 set/02 set/02 set/02
ABEV3
PETR4
BBDC4
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
ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06
BBAS3
PETR4
ABEV3
BBDC4
out/06 out/06 out/06 out/06
0
0
0
0
0
1
-0,4
-0,2
-0,4
-0,2
-0,4
-0,2
-0,5
-0,5
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
ELET6
fev/02 fev/02 fev/02 fev/02 fev/02
BRKM5
set/02 set/02 set/02 set/02 set/02
CSNA3
CMIG4
GGBR4
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
ago/05 ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06 mar/06
ELET6
CSNA3
CMIG4
GGBR4
BRKM5
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
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
ITSA4
KLBN4
CRUZ3
USIM5
abr/03 abr/03 abr/03 abr/03 abr/03
OIBR4
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
ago/05 ago/05 ago/05 ago/05 ago/05
mar/06 mar/06 mar/06 mar/06 mar/06
ITSA4
OIBR4
CRUZ3
KLBN4
USIM5
out/06 out/06 out/06 out/06 out/06
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
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
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
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.
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.
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.
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.
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.
ANDERSON, T.W., and D.A. DARLING, “A test of goodness-of-fit,” J. Am. Stat. Assoc.,
CAMPBELL, J.; VUOLTEENAHO, T. Bad beta, good beta. American Economic Review, v.
94, p. 1249-1275, 2004.
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. 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).
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
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.
MERTON, R. C. (1973). An Analytic Deviation of the Efficient Pertfolio Frontier. The Journal
of Finantial and Quantitative Analysis 7, 1851-1872
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.
SOMMACAMPAGNA C., Estimating Value at Risk with the Kalman Filter, Dipartimento Studi
Finanziari, Università di Verona (2002)
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:
(A.1)
(A.2)
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
Tabela B.1
Critérios de informação
Sem Cond. P/VPA e P/L SW pré Consumo En. Todas Passeio Al.
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
Fonte: Elaborado pelo Autor
67
APÊNDICE C
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
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
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
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
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
ELET6
CSNA3
CMIG4
BBAS3
BRKM5
ago/05 ago/05
mar/06 mar/06 mar/06 mar/06 mar/06
ELET6
CSNA3
CMIG4
BBAS3
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
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
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
ITSA4
GGBR4
OIBR4
ago/05 ago/05
KLBN4
CRUZ3
ago/05 ago/05 ago/05
mar/06 mar/06
ITSA4
OIBR4
GGBR4
KLBN4
CRUZ3
out/06 out/06
out/06 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
fev/09 fev/09 fev/09
set/09 set/09
set/09 set/09 set/09
abr/10 abr/10
abr/10 abr/10 abr/10
nov/10 nov/10
nov/10 nov/10 nov/10
jun/11 jun/11
jun/11 jun/11 jun/11
jan/12 jan/12
jan/12 jan/12 jan/12
ago/12 ago/12
ago/12 ago/12 ago/12
mar/13 mar/13
mar/13 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
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
VALE5
USIM5
VIVT4
ago/05 ago/05
EMBR3
ago/05 ago/05
mar/06 mar/06 mar/06 mar/06
VALE5
VIVT4
USIM5
EMBR3
out/06 out/06 out/06 out/06
Ret. Predito
Ret. Predito
fev/09 fev/09 fev/09 fev/09