APLICAES DE ESTUDO DE REGRESSO LINEAR

EM ATIVOS DE RENDA VARIVEL

MRCIO JOS DE CASTRO JUSTINO

JULLIERME MILLER DO CARMO

Coronel Fabriciano, MG

1
Sumrio
Captulo 1

1 Resumo
1.1 Introduo

Captulo 2

2. Mtodo dos Mnimos Quadrados

2.1 Modelo Matemtico, Estocstico e Funcional
2.1.1 Modelo matemtico
2.1.2 Modelo funcional
2.1.3 Modelo estocstico
2.2 Mtodo dos Mnimos Quadrados
2.2.1 Regresso Linear Simples
2.2.1.1 Principais Objetivos do Emprego da Anlise de Regresso
2.2.2 O Modelo de Regresso Linear Simples
2.2.2.1 Ajuste do Modelo

Captulo 3

3.1 Intervalos de Confiana em Regresso Linear Simples

3.1.1 Intervalos de Confiana para os Estimadores e
3.1.2 Predio de Novas Observaes

Captulo 4

4. Consideraes Finais

Referncias Bibliogrficas

2
Captulo 1

A proposta central deste captulo verificar o desempenho do mtodo dos

mnimos quadrticos, objetivando estabelecer um modelo terico direcionado para a
determinao de futuros preos da ao Ita 4 em longo prazo. O impacto geral e
imediato dos resultados apresentados visam um melhor entendimento dos movimentos
acionrios. A base de dados constituda por retornos semanais dos ativos da estrutura
acionria Ita 4 referentes aos anos de 1994 2008. Foi utilizado o mtodo dos
mnimos quadrticos, atravs da regresso linear, para investigar a funcionalidade de tal
tcnica nos casos de modelagem matemtica. Baseado nos rendimentos mdios das aes
dos anos de 1994 a 2008 foi feita a regresso linear, atravs do MS-Excel, de forma a
obter a equao da reta que ajustasse aos pontos experimentais. A equao encontrada
atravs da aplicao de tal tcnica pde responder algumas questes importantes como:
(1) O quanto que a variao do tempo, nesse caso semanal, influencia na variao do
rendimento das aes; (2) Qual o percentual da variao dos rendimentos das aes
explicada pela variao do tempo; (3) Conhecendo o perodo, possvel determinar, com
grau de significncia de 95%, a vario do de rendimento das aes naquele perodo. As
previses obtidas, atravs da anlise de regresso, indicam o comportamento linear de
tais rendimentos, evidenciado mesmo que visualmente quando se consulta, atravs do
software Profitchart V.2.8.0.0, a base de dados que contm os rendimentos da estrutura
acionria 'Ita4'. O grfico gerado foi capaz de fornecer subsdios para que se possa
analisar a disperso do rendimento mdio das aes em relao linha de tendncia
central gerada pela regresso linear. importante salientar que esse livro foi baseado em
aplicaes do mtodo exposto, com o objetivo maior de investigar a funcionalidade de tal
tcnica em casos de modelagem matemtica, excluindo as possveis variveis que
poderiam provocar oscilaes no comportamento dos rendimentos das aes do referido
plano acionrio.

3
1.1 Introduo

O trabalho do pequeno investidor no mercado de aes encontra-se

basicamente concentrado na alocao de recursos. Dentre inmeras alternativas de
investimentos, tal investidor deve investir seus recursos nos ativos os quais ele espera
que proporcionaro o maior retorno. Para o investidor mencionado anteriormente, torna-
se difcil a seleo ou at mesmo a capacidade de predizer a sequncia futura, estimada,
de cotaes dos planos acionrios existentes. Segundo Hoffman e Vieira (1998, p.113)
Um gestor de ativos de carteira tem esse trabalho minimizado, uma vez que ele projeta
os futuros preos de uma determinada ao e, considerando a magnitude do possvel erro
de previso, chamado aqui de risco, o mesmo efetua a deciso de investimento. Porm
tal afirmativa contraria a moderna teoria financeira baseada essencialmente nos trabalhos
de Markowitz (1952) e Sharpe (1964).
No entanto, para um administrador de carteira, a possibilidade de prever o
comportamento dos ativos algo desejvel. A previsibilidade do mercado financeiro
objeto de pesquisa h inmeras dcadas. Tal hiptese de previsibilidade ou falta dela
pode ser testada de diferentes maneiras, incluindo o uso direto de modelagem matemtica
para realizar as previses. O principal objetivo do presente estudo verificar o
desempenho do Mtodo dos Mnimos Quadrados, atravs do uso de Regresso Linear
Simples, em casos de predio de rendimentos do mercado acionrio.
Sobre os dados experimentais obtidos no software Profitchart V.2.8.0.0,
pode-se salientar que freqentemente possvel estabelecer uma relao linear entre duas
grandezas medidas e observadas experimentalmente.
O mtodo dos mnimos quadrticos uma maneira de se obter a melhor reta
que possa ser ajustada aos dados experimentais. Embora o uso de tal ferramenta seja
simples, pouco se v aplicaes que utilizem tal tcnica, uma vez que sua utilizao de
tamanha importncia em termos de aplicaes, j que podem haver valores obtidos,
experimentalmente, com certas incertezas.
Segundo Fonte (1994), um caso em que se aplica a teoria dos mnimos
quadrados a regresso linear, que experimenta adaptar a um conjunto de pontos e
valores dados, a melhor reta, que neste caso ser a reta que minimiza a soma quadrtica
das diferenas entre os valores dados aos valores da reta, nesses pontos.

4
 O prximo captulo estuda o uso de tal mtodo estatstico em um conjunto de
rendimentos de ativos do plano acionrio Ita 4 e verifica o uso da metodologia dos
mnimos quadrados no estabelecimento de um modelo que possa determinar futuros
preos dessas aes.
O impacto cientfico geral e imediato dos resultados apresentados visam um
melhor entendimento dos movimentos acionrios, particularmente no setor bancrio que
alvo dessa pesquisa.

Captulo 2

2. Mtodo dos Mnimos Quadrados

2.1 Modelo Matemtico, Estocstico e Funcional
2.1.1 Modelo matemtico

Chama-se modelo matemtico o sistema terico ou conceito abstrato atravs

do qual se descreve uma situao fsica ou um conjunto de acontecimentos. Esta
descrio no necessariamente completa ou exaustiva. Como um modelo serve um
propsito especfico, a sua formao pode variar largamente de um ponto de vista para
outro. Deste modo, o mesmo sistema fsico pode ser descrito por mais do que um
modelo.
Um modelo matemtico pode ser dividido em duas partes conceituais: o
modelo funcional e o modelo estocstico:

2.1.2 Modelo funcional

O modelo funcional composto por relaes que descrevem a geometria ou

caractersticas fsicas do problema em questo.

Exemplo 1: Para a determinao da rea de um terreno retangular com lados

a e b o modelo funcional A = ab.
Exemplo 2: Para a determinao da forma de um tringulo com ngulos ,
e o modelo funcional ser + + = 180.

5
2.1.3 Modelo estocstico

O modelo estocstico composto pelo conjunto de relaes que descrevem as

propriedades estatsticas dos elementos envolvidos no modelo funcional. O modelo
estocstico indica, por exemplo, a qualidade das observaes feitas (as suas precises,
relativas ou absolutas), indica se as observaes esto correlacionadas ou no, indica
ainda as variveis que so consideradas constantes durante o ajustamento e as que se
pretendem determinar.

2.2 Mtodo dos Mnimos Quadrados

Comumente, o estabelecimento de uma relao linearmente definida entre

duas grandezas, medidas experimentalmente, torna-se possvel.
O mtodo dos mnimos quadrados uma maneira de se obter a melhor reta
que pode ser ajustada aos dados experimentais.
Basicamente, um procedimento que busca o mnimo de uma funo de duas
variveis (os coeficientes linear e angular da reta) construda a partir da distncia entre os
pontos experimentais e os pontos de uma reta.
Por exemplo, se houver apenas os valores da funo em certos pontos, no
ser exigido que a funo aproximadora interpole a funo dada nos pontos. Exigi-se
apenas que essa funo aproximadora tome valores (nesses pontos) de forma a minimizar
a distncia aos valores dados, no sentido dos mnimos quadrados.
Isto importante em termos de aplicaes, j que se pode ter valores obtidos,
experimentalmente, com uma certa incerteza.
Ao tentar modelizar essa experincia, com uma certa classe de funes, seria
inadequado exigir que a funo aproximadora interpolasse esses pontos.
A regresso linear um caso simples em que se utiliza o mtodo dos
mnimos quadrados, em que o objetivo da aplicao da ferramenta adaptar a um
conjunto de pontos e valores dados a melhor reta, que ser a reta que minimizar a soma
quadrtica das diferenas entre os valores dados aos valores da reta nesses pontos.

6
 O mtodo dos mnimos quadrados assume que a linha (reta ou curva) que
melhor aproxima um conjunto de pares ordenados conhecidos, aquela que possuir a
soma mnima dos desvios ao quadrado.

2.2.1 Regresso Linear Simples

A anlise de regresso linear uma das tcnicas estatsticas mais utilizadas

para investigar e modelar o relacionamento existente entre as diversas variveis de um
processo. Sua utilizao vem se ampliando a cada dia, principalmente devido ao fato de a
anlise de regresso ser baseada na ideia relativamente simples de se empregar uma
equao para expressar o relacionamento entre as variveis de interesse.

2.2.1.1 Principais Objetivos do Emprego da Anlise de Regresso

De maneira geral, a anlise de regresso pode ser utilizada com vrios

objetivos, dentre os quais possvel destacar:

Descrio
Predio
Controle
Estimao

Em muitas situaes ser desejvel utilizar uma equao para sumarizar ou

descrever um conjunto de dados. A anlise de regresso pode ser empregada para ajustar
uma equao deste tipo. Como exemplo, considere uma empresa de autopeas que vende
seus produtos em vrias regies de um Estado. Para cada uma destas regies so
registrados o volume de vendas, a idade mdia e o tamanho da frota de veculos da regio
juntamente com a renda anual mdia dos habitantes. Pode-se observar que neste caso
uma equao que relacione o volume de vendas s demais variveis provavelmente ser
um sumrio bem mais conveniente e til destes dados do que uma tabela ou mesmo um
grfico.

7
 Muitas aplicaes da anlise de regresso envolvem a predio de valores da
varivel de interesse. O exemplo da empresa de autopeas, tambm ilustra este tipo de
aplicao. Neste caso, a empresa poder estar interessada em prever o volume de vendas
em uma nova regio do Estado onde ela pretende atuar e ento a equao obtida poder
ser utilizada com esta finalidade.
Segundo Werkema e Aguiar (1996, p.236) A anlise de regresso tambm
muito utilizada com o objetivo de controlar a varivel de interesse em faixas de valores
pr-fixados. Como exemplo desta forma de utilizao da anlise de regresso, considere
um engenheiro que est interessado em obter uma equao que relacione o rendimento de
um processo qumico temperatura e ao tempo de reao, para que o rendimento possa
ser mantido em intervalos de valores pr-estabelecidos.
Milore e Angelini (1995, p.84) explica que importante destacar que,
quando a equao de regresso for empregada com o objetivo de controle, importante
que a relao existente entre a varivel de interesse e as variveis utilizadas para o seu
controle seja do tipo causa-efeito. No entanto, a existncia de uma relao causa-efeito
no necessria se a equao for utilizada somente para predio. Neste caso, somente
ser necessrio que as relaes que existiam no conjunto de dados original, usada para
construir a equao de regresso, sejam vlidas. Por exemplo, o consumo dirio de gua
na regio do Vale do Ao durante o ms de Janeiro pode ser uma boa varivel preditora
para a temperatura diria mxima no ms corrente. Contudo, qualquer tentativa para
reduzir a temperatura mxima na regio do Vale do Ao por meio da diminuio do
consumo de gua claramente no surtir qualquer efeito. Nesta situao, fcil notar que
a temperatura e o consumo de gua variam no mesmo sentido, e este tipo de relao pode
ser utilizado apenas para montar uma equao para previso da temperatura diria
mxima na regio do Vale do Ao, a partir do conhecimento do consumo dirio de gua.
A anlise de regresso algumas vezes tambm utilizada para estimar os
parmetros desconhecidos de equaes tericas que representam o relacionamento entre
variveis de interesse. Um exemplo simples desta utilizao da anlise de regresso
ocorre na estimao da resistncia (R) de um circuito eltrico por meio da Lei de Ohm, a
qual estabelece que a voltagem (V) e a intensidade de corrente (I) no circuito, esto
relacionadas pela seguinte equao:

8
 V = RI (2.1)

Se o circuito contm uma resistncia desconhecida, seu valor pode ser

estimado por meio da passagem de correntes de diferentes intensidades atravs do
circuito e da medio das voltagens correspondentes. Aps a obteno dos pares de
valores (I, V), a anlise de regresso utilizada para ajustar o modelo V = RI aos dados
coletados no experimento, o que produzir uma estimativa para o valor da resistncia do
circuito.
Para concluir esta seo e importante ressaltar que em grande parte das
situaes encontradas na prtica, a anlise de regresso utilizada para atender
simultaneamente a mais de um dos objetivos que foram citados nos pargrafos anteriores.

2.2.2 O Modelo de Regresso Linear Simples

2.2.2.1 Ajuste do Modelo

Nesta seo ser detalhado o modelo de Regresso Linear Simples dado pela
expresso (2.2), isto , o modelo,

(2.2)

onde e so constantes desconhecidas e o erro aleatrio dado pela diferena

entre o valor observado e o valor obtido pela reta .

Como os parmetros e so desconhecidos, ser necessrio estim-los

por meio do emprego de dados amostrais. Para que seja possvel obter boas estimativas

para e e tambm conceder uma interpretao prtica a estes parmetros,

usualmente so associadas algumas suposies ao modelo de Regresso Linear Simples
apresentados na Equao 2.2.

9
 De acordo com Montgomery e Runger (2003, p. 78) Essas suposies
associadas ao modelo de Regresso Linear Simples, presumem que:

Os erros tem mdia zero e a mesma varincia desconhecida 2.

Os erros no so correlacionados, ou seja, o valor de um erro no depende de
qualquer outro erro.

A varivel explicativa controlada pelo experimentador e medida com erro

desprezvel (erro no significante de ponto de vista prtico), ou seja, no uma
varivel aleatria.
Os erros tm distribuio normal.

Para estimar e , supe-se que h pares de dados, obtidos a partir de

um experimento controlado, realizado especificamente para a coleta destes dados, ou a
partir de registros histricos j existentes. Nessas condies:

( i, i), = 1, 2, ..., so os pares de dados observados.

O modelo de Regresso Linear Simples, escrito em termos dos pares de dados

amostrais :

, = 1, 2, ..., (2.3)

so os estimadores de e , obtidos por meio do emprego dos dados

amostrais.

o resduo entre i e , representando um estimador do erro

aleatrio e do modelo. Algebricamente

, = 1, 2, ..., (2.4)

10
 e so denominados estimadores de mnimos quadrados de e se minimizam.

(2.5)

possvel demonstrar que esses estimadores de mnimos quadrados so

dados pelas seguintes expresses:

(2.6)

(2.7)

onde:

(2.8)

(2.9)

(2.10)

(2.11)

11
 A equao da reta ajustada pelo mtodo dos mnimos quadrados ento
expressa por:

(2.12)

onde e so definidos em (2.7) e (2.6), respectivamente.

Segundo Montgomery e Runger (2003, p.85), importante fazer as seguintes

observaes sobre o modelo de Regresso Linear Simples, apresentados no incio desta
seo:

Do ponto de vista prtico, apenas em raras situaes a suposio 3

completamente verdadeira. No entanto, assume-se que esta suposio vlida
naqueles casos em que qualquer variao aleatria na varivel preditora to
pequena em relao faixa de valores que esta varivel pode assumir no estudo
considerado, que a varivel aleatria pode ser ignorada.

importante destacar que a variao aleatria na varivel preditora pode ser

provocada, dentre outras causas, por erros de medida e pela influncia de outras variveis
que afetam o processo de interesse. Como exemplo, considere que a varivel preditora
seja a temperatura de um forno eltrico, a qual variar no experimento na faixa de 300C
a 600C. Suponha tambm que, em determinados ensaios, seja fixada a temperatura de
400C. Na prtica, a temperatura no ficar extremamente neste valor devido a pequenas
variaes na voltagem da energia eltrica fornecida ao forno e a possveis problemas na
regulagem do termostato do forno. No entanto, se as variaes na temperatura
provocadas por estes fatores forem da ordem de 5C, por exemplo, estas variaes
podero ser desprezadas, j que elas so muito pequenas em relao a faixa de valores
que a temperatura pode assumir no experimento, que neste caso igual a 300C. Mas
evidente que as avaliaes deste tipo iro depender das caractersticas do estudo que est
sendo realizado.
12
 Como a varivel resposta funo do erro , que a nica varivel aleatria na
expresso , tambm ser uma varivel aleatria. Isto , existe
uma distribuio de probabilidades para em cada valor fixado de .

Esta distribuio tem mdia

(2.13)

e varincia

(2.14)

Analisando a expresso (2.13), possvel notar que para um acrscimo de uma

unidade em , h um acrscimo de unidades na mdia de . Se os valores que
pode assumir incluem = 0, ento o intercepto a mdia de quando =
0. Caso contrrio, no tem interpretao prtica.

As funes e so denominadas estimadores de e antes de os pares

de valores ( i, i), ..., ( n, n) terem sido observados. Aps a observao destes

valores e o clculo de e , os dois nmeros resultantes passam a ser

denominados estimativas de e .

3. Anlise e Previses

O conjunto de valores estudados fazem parte do plano acionrio Ita 4. Tal

plano de aes so classificados como Preferenciais, mais conhecidas como PN, e se
caracterizam por no terem direito a voto nas assemblias da empresa ou, pelo menos,
restringem esse direito de alguma forma. Por outro lado, investidores possuidores de

13
aes PN tm preferncia no recebimento de dividendos e/ou outros proventos
distribudos pela empresa.
Em caso de liquidao (fechamento) da empresa, investidores possuidores
das aes PN tm, tambm, preferncia na repartio do patrimnio.
A base de dados que contm tais rendimentos foram tirados do software
Profitchart V.2.8.0.0. A interface do software apresentada na Figura 1:

Figura 1 - Viso Geral do Software Profitchart RT V.2.8.0

Fonte: Adaptado de Nelogica

Atravs do software Profitchart RT V.2.8.0.0, foi extrado os rendimentos

das aes do plano acionrio Ita 4, no modo semanal, do perodo de 1994 2008.
Como o rendimento semanal composto pelo mximo e mnimo valor alcanado pelas
aes, foi feita a mdia do rendimento acionrio semanal. Tais dados foram tratados no
MS-Excel, conforme Tabela 1.

14
Tabela 1 Tratamento dos Dados
Semana Rendimento Mnimo Rendimento Mximo Rendimento Mdio
(x) (R$) (R$) (y)
1 0,44 0,48 0,44
2 0,42 0,50 0,46
3 0,46 0,50 0,48
4 0,49 0,51 0,50
5 0,47 0,53 0,50
. . . .
. . . .
. . . .
237 2,25 2.50 2,38
Fonte: Organizado pelos Autores

Para a anlise de comportamento dos rendimentos das aes do plano

acionrio estudado, utilizou-se o mtodo de Regresso Linear Simples definido na seo
anterior. Este mtodo foi escolhido por apresentar o menor erro em relao s previses
futuras, objetivo deste trabalho. As informaes sobre a correlao entre as variveis
estudadas est evidenciada no Quadro 1.

Quadro 1 Correlao Encontrada nos Diferentes Mtodos de Regresso

Mtodo Erro (R2)
Regresso Polinomial de Ordem 1 (Linear) 0,891
Regresso Polinomial de Ordem 2 0,837
Regresso Polinomial de Ordem 3 0,839
Fonte: Organizado pelos Autores

15
 Conforme evidenciado no software Profitchart V.2.8.0.0 existia a indicao
da existncia de um relacionamento linear entre o horizonte de tempo (Semanas) e o
rendimento das aes. Para ajustar o modelo de Regresso Linear foi calculado, por meio

das etapas apresentadas a seguir, as estimativas de mnimos quadrados e .

Calcular e a partir dos dados

Calcular e

Calcular e

16
Portanto, a reta de regresso ajustada foi expressa por:

Esta equao indica que, em mdia, para cada evoluo no tempo de 1

semana o rendimento das cotaes das aes do plano estudado cresce em 0,0066%.
Como o rendimento das aes obteve ndices de crescimento, nunca evidenciando um

registro de cotao igual a R$0,00, o coeficiente = 0,3612 no tem interpretao

prtica.

A Figura 2 apresenta a reta , que foi ajustada

aos dados. Note que, como j era esperado, nesta figura os pontos esto distribudos
aleatoriamente em torno de reta de regresso, ou seja, nem todos os pontos esto sobre a
reta.
A Tabela 2 mostra a ordem de coleta das observaes ( ), os valores

observados ( i), os valores ajustados pela reta de regresso ( i) e os resduos i. Os

dados desta tabela foram utilizados para anlise posterior que sero apresentadas mais
adiante.

Figura 2 - Viso Geral do Software Profitchart RT V.2.8.0

Fonte: Organizado pelos Autores

17
18
Tabela 2 Ordem de Coleta de Observaes, Valores Observados e Ajustados e Resduo
Ordem de Coleta
Valor Observado Valor Ajustado Resduo
das Observaes

1 0,44 0,37681 -0,006

2 0,46 0,37876 -0,080
3 0,48 0,37888 -0,100
4 0,50 0,37897 -0,120
. . . .
. . . .
78 0,67 0,37999 -0,290
79 0,70 0,38020 -0,320
80 0,75 0,38050 -0,370
. . . .
. . . .
237 2,38 0,39768 -1.982
Fonte: Organizado pelos Autores

Neste ponto, aps ter realizado os clculos anteriores, importante destacar

algumas questes que usualmente ocorrem aps o ajuste da reta de regresso e que
necessitam ser avaliadas:

A reta ajustada est, de fato, representando de forma adequada o tipo de

relacionamento entre as variveis que est sendo evidenciado pelos dados?
O modelo til para a realizao das predies?
Algumas das suposies bsicas associadas ao modelo foi violada?

3.1 Intervalos de Confiana em Regresso Linear Simples

3.1.1 Intervalos de Confiana para os Estimadores e

Como objeto de estudo mais profundo dos rendimentos estudados optou-se

por realizar a anlise do intervalo de confiana para os estimadores encontrados.
19
 Alm das estimativas pontuais para a inclinao e o intercepto da reta de
regresso, tambm possvel obter intervalos de confiana para estes parmetros. Vale
ressaltar que os intervalos de confiana so muito mais informativos que as estimativas
pontuais, j que fornecem faixas dos possveis valores que os parmetros do modelo
podem assumir, com um nvel de confiana conhecido.

Se para o modelo de regresso vlida a suposio de que os so iid

N(0, ), ento um intervalo de 100(1 )% de confiana para a inclinao dado

por:

Dessa forma pode-se estabelecer que a um intervalo de confiana de 99% o

intervalo para o estimador de regresso est entre 0,004 e 0,008.

Ou seja,

0,004 0,008

Este intervalo indicou que, em mdia, para cada aumento de uma semana na
escala temporal dos rendimentos, a cotao das aes poderia aumentar entre 0,004% e
0,008%. conveniente fazer a observao de que a variao mxima nas medidas da

varivel constante, ou seja, exatamente iguais 1. Sendo assim mais apropriado

interpretar o coeficiente dizendo que, para cada aumento de 1 semana, o rendimento

mdio das aes aumenta entre 0,004% e 0,008%.

De modo anlogo, um intervalo de 100(1 )% de confiana para o

intercepto :

20
 Dessa forma pode-se estabelecer que a um intervalo de confiana de 99% o

intervalo para o estimador de regresso est entre 0,259 e 0,493.

Ou seja,

0,259 0,493

Lembrando que, como os rendimentos mdios no assumiro valor zero, o

intervalo de confiana para no possui interpretao prtica.

3.1.2 Predio de Novas Observaes

Com a equao de ajuste dos dados experimentais obtidas juntamente com o

intervalo de confiana dos estimadores pode-se fazer o estudo de predio de novas
observaes.
A predio de novos dados outro conceito muito til em Regresso Linear.
Ainda mais til o intervalo de predio o qual representa uma estimativa, por intervalo,

do valor da mdia de k futuras observaes da varivel resposta ( ), que ser obtida em

um valor particular da varivel regressora, que representada por . A Tabela 3 fornece

todos o resultado das predio utilizando o intervalo de confiana encontrado.

Tabela 3 Teste de Predio dos Rendimentos

21
 Predio dos Rendimentos

Intervalo para
Pela 0 e 1 assumindo o 0 e 1 assumindo o
X Y Erro estimativa do
Equao valor mnimo do valor mximo do
residual rendimento
de Ajuste intervalo de confiana intervalo de confiana
(yi yi) mdio da ao
(0=0,259 e 1=0,004) (0=0,493 e 1=0,008)
(em R$)

1 R$ 0,44 R$ 0,382 R$ 0,0577 R$ 0,303 R$ 0,501 0,303 y 0,501

2 R$ 0,42 R$ 0,390 R$ 0,030 R$ 0,267 R$ 0,509 0,267 y 0,509

3 R$ 0,46 R$ 0,394 R$ 0,0657 R$ 0,271 R$ 0,517 0,271 y 0,517

192 R$ 1,83 R$ 1,51 R$ 0,320 R$ 1,124 R$ 2,029 1,124 y 2,029

248 R$ 2,38 R$1,844 R$ 0,536 R$ 1,251 R$ 2,477 1,251 y 2,477

350 R$ 3,49 R$ 2,456 R$ 1,034 R$ 1,659 R$ 3,516 1,659 y 3,516

Fonte: Organizado pelos Autores

Fazendo uma anlise individual para melhor entendimento, ser analisado o

rendimento da semana 1.
Nesta semana o rendimento mdio foi de R$0,42. Se for utilizado a equao
de ajuste para predizer tal rendimento, a varivel de resposta chegar a um rendimento de
R$0,382, o que no corresponde ao rendimento obtido naquela semana. Porm se for
utilizado o intervalo de confiana com os valores encontrados para os estimadores de
regresso, pode-se observar que o rendimento na semana estudada estaria entre R$0,30 e
R$0,50, o que de fato corresponde o rendimento alcanado na semana 1. Essa mesma
anlise pode ser feita para todas as semanas, ressaltando que a partir da semana 235 as
previses sero de rendimentos futuros.

22
4 ESTUDO DE PREDIO UTILIZANDO REGRESSO LINEAR MLTIPLA
EM ATIVOS VARIVEIS

Neste captulo, ser analisada a influncia de fatores econmicos no retorno de

aes de uma companhia energtica estatal brasileira para o perodo de dezembro de
2005 fevereiro de 2008. O mtodo utilizado no trabalho a anlise de regresso
mltipla, sendo as variveis independentes os ndices I-Bovespa, o preo do petrleo, o
risco pas e o ndice de eficincia energtica; e a varivel dependente o retorno da ao.
Toda instituio privada ou estatal possui necessidade de fundos de
investimento para exercerem suas atividades financeiras/econmicas. Os recursos de que
elas necessitam podem ser captados por uma srie de meios dentro dos quais podemos
destacar os recursos gerados internamente ou aqueles captados externamente, fora da
organizao, atravs de emisso de aes. Qualquer que seja a deciso institucional a
cerca do mtodo de capitalizao ou da origem dos recursos de que necessitam, o
mercado de aes possui um propsito importante, uma vez que ele se torna uma opo
de fonte de financiamento para as corporaes alm de seus recursos prprios, do
governo e dos bancos.
O mercado de capitais brasileiro tem vividos situaes favorveis e viveis
para aplicaes. Em 2006 e 2007 o ndice Ibovespa, que mede o desempenho do mercado
de aes, bateu recordes de pontuao freqentes. Na verdade, o que ocorre quando se
tem elevadas pontuaes uma reao em cadeia: Primeiro as pessoas sentem confiana
em investir nos ttulos negociados. Uma vez que as bolsas de valores recebem novos
investidores o montante de valores a ser repassado s empresas torna-se maior. Segundo
Vechia, 2009 vale ressaltar que o capital vai para a organizao apenas no caso de oferta
primria, pois na oferta secundria so os correntistas os beneficiados.
Esse perodo de desenvolvimento do mercado acionrio do Brasil,
caracterizado pela constante valorizao dos ativos das empresas conseqncia do
desempenho satisfatrio da economia brasileira. Porm, este estudo tem como um de
seus objetivos, avaliar a real influncia dos fatores econmicos no rendimento das aes,
aqui representada por uma amostra representativa ao grupo das 50 aes mais negociadas
na Bolsa de Valores.
Para que se possa cumprir tal objetivo, torna-se necessrio investigar a
relao que h entre o desempenho das aes e um conjunto de variveis que poderiam

23
correlacionar-se e impactar no rendimento das mesmas. Os estudos realizados neste
captulo so estatsticos, utilizando como fonte de clculo e anlise os rendimentos
acionrios e os dados quantitativos de ndices da economia brasileira.
Levando-se em considerao a importncia com que a bolsa de valores
assume para as organizaes, este estudo busca estimar a influncia da economia
brasileira na precificao das aes da Companhia Energtica de Minas Gerais, como
amostra representativa do grupo das 50 aes mais negociadas atualmente. Para tanto,
ser analisado variveis, como risco pas, preo do petrleo, ndice de eficincia
energtica (IEE) e os ndice do mercado acionrio brasileiro, I-Bovespa.
Aps a compreenso da influncia dos fatores econmicos definidos na
pesquisa ter-se como elementos dos resultados deste trabalho, o poder de anlise da
sensibilidade dos diferentes setores ao desempenho econmico do pas.
Como mtodo de desenvolvimento deste trabalho, que tem por objetivo
essencial a anlise da influncia de variveis independentes no retorno das aes, ser
utilizado o mtodo estatstico de anlise de regresso mltipla. Esta anlise capaz de
estimar o quanto sensvel o retorno de um ativo ao desempenho das variveis
explicativas.
A relevncia deste estudo explicado pela aplicao do mtodo exposto
como meio de permitir uma maior compreenso da influncia do mercado econmico no
de capitais, tendo como os maiores beneficiados por estudo investidores, gestores e
interessados no mercado de capitais.

4.1. Retorno de Aes e Fatores de Risco

O desempenho do retorno das aes no dependente exclusivamente do

desempenho econmico da empresa em questo, mas tambm, das caractersticas como
tamanho, setor econmico, movimentao do mercado acionrio, da situao econmica
do pas, alm de um fator comportamental dos investidores.
Estudos que tem a pretenso de analisar o retorno dos ativos conforme o risco
ao que os mesmos esto expostos vem evoluindo desde a contribuio de Grinblatt
(2005) que criou instrumentos com o objetivo de montar carteiras, portflios eficientes,
que oferecessem otimizao da lucratividade para um dado nvel de risco.

24
 Para Grinblatt nas carteiras diversificadas o risco mdio poderia ser
minimizado, pois variveis aleatrias que no tm correlao podem ser anuladas com a
diversificao. importante ressaltar que quanto mais negativo for o coeficiente de
correlao menor ser o risco mdio, visto que quanto maior a correlao entre o retorno
dos ativos, menor a diversificao, o que significa que na ocorrncia de um evento
inesperado, grande parte das aes reagiria da mesma forma.
Rostagno (2004) desenvolveu o modelo precificao de ativos Capital Asset
Pricing Model CAPM, que concordando com Markowitz, parte do pressuposto de que
uma carteira bastante diversificada capaz de eliminar o risco especfico da firma, ou
seja, as variveis aleatrias no correlacionadas citadas por Markowitz, porm no o
risco de mercado, que o risco ao qual todas as aes reagem. Sendo o risco especfico
anulado pela diversificao, conclui-se que a carteira remunerada apenas pelo risco de
mercado, tambm chamado de sistmico.
No entanto, o modelo de precificao de ativos CAPM mostrou alguns
problemas quando posto em prtica, nem sempre os ativos que apresentavam maior
sensibilidade ao risco de sistmico, isto , que tinham maior volatilidade, tinham o maior
retorno assim como esperava a teoria, para qual valia a afirmativa de que quanto maior o
risco de um ativo, maior deveria ser seu retorno.
Ento, buscando sanar as deficincias do CAPM, Edwin & Gruber (2004)
desenvolveram o modelo Arbitrage Pricing Theory APT, que procurava incorporar as
vrias fontes de risco e no compreender o risco sistmico como apenas um nico fator
explicativo para o retorno das aes.
Estes modelos, CAPM e APT, esto voltados a correlacionar fatores de risco
e retorno da ao com objetivo de construir carteiras que resultem em minimizao do
risco e maximizao do retorno das aes, ou seja, so modelos de equilbrio e no de
anlise de variveis, diferente dos modelos fatoriais, que tm o objetivo de analisar a
influncia de fatores no retorno de aes. Por esse motivo ser abordada no prximo
tpico a explicao de modelos fatoriais.

4.2 Modelos Fatoriais

Os modelos fatoriais tm o objetivo de realizar anlises de risco, ou de

administrao de carteiras, so capazes de estimar como diversos fatores
25
macroeconmicos podem afetar o retorno dos ativos. Estes modelos que relacionam os
retornos de ttulos s variveis macroeconmicas, consideradas como variveis extra
mercado, tambm podem ser chamados de modelo de ndices mltiplos com dados
fundamentais.

4.2.1 Risco

O retorno dos ttulos dividido em dois conjuntos de fatores, um

determinado por um pequeno nmero de fatores comuns que influenciam o retorno da
maioria dos ativos, outro que afeta apenas alguns investimentos. Em carteiras
diversificadas esses fatores de risco especficos ao retorno das empresas podem ser
ignorados, pois o retorno da carteira resultado mais dos fatores de risco comuns a todos
os ativos do que aos eventos significantes a apenas algumas aes.
Segundo Fleuriet (2004), o risco de um investimento considerado como a
parcela do retorno no prevista, ou seja, resultante de eventos no antecipados, os quais
podem afetar apenas um grupo de empresas ou a sua totalidade.
Notcias de elevao da taxa bsica de juros pode ser um exemplo de
fenmeno capaz de afetar todo o mercado, enquanto que anncios de aumento de
impostos na importao de txteis afetam apenas o grupo de empresas que utilizam essa
matria-prima.
O risco classificado conforme a abrangncia de sua influncia. Os
acontecimentos que afetam grande grupo de ativos so chamados de risco sistemtico,
diversificvel, ou de mercado, j os eventos que afetam apenas algumas organizaes,
so denominados de risco no sistemtico, no diversificvel, ou de especfico.
Ainda que o risco sistemtico afete o retorno de grande parte dos ativos, nem
todos estes ativos so afetados da mesma maneira. Fleuriet (2004, p.100) afirma que o
grau de sensibilidade s flutuaes gerais do mercado de um dado papel conhecido
como coeficiente beta (o coeficiente estimado para as variveis independentes numa
equao de regresso). Ele mede em termos histricos o risco sistemtico de dado papel
com base nas comparaes entre flutuaes do preo do papel e as flutuaes do mercado
financeiro como um todo.
Grimblatt e Titman (2005) utiliza o termo betas do fator, ou sensibilidades
fatoriais, como semelhantes aos betas de mercado, ou seja, coeficientes beta, visto que os
26
ativos so afetados por um restrito grupo de fatores comuns, j que se houvesse apenas
um fator comum todos os ativos se comportariam da mesma forma.
Portanto, importante perceber que alm de haverem alguns fatores comuns
que afetam o retorno das aes, a reao a esses fatores diferente entre as empresas. Por
exemplo, pequenas empresas podem ser mais afetadas a determinados eventos do que
grandes organizaes, ou vice versa.
As variveis econmicas que so citadas por Grinblatt (2005, p. 181) como
fatores de risco so: produo industrial, inflao, taxas de juros, preos do petrleo,
produto interno bruto e volatilidade do preo da ao. A definio de fator comum
utilizada por este autor de que uma varivel econmica (ou retorno de carteira que
age como uma aproximao para uma varivel econmica) que tem um efeito
significativo nos retornos de ndices de mercado amplos, e no em ttulos sozinhos. Os
fatores comuns afetam retornos por meio da alterao das taxas de desconto ou das
perspectivas de ganhos, ou de ambas.
Os fatores comuns podem ser estimados de trs maneiras: uma utilizando
carteiras fatoriais, que na verdade so carteiras de ttulos escolhidas com o objetivo de
simular fatores, logo no so denominados os fatores, alm de ser um processo
puramente estatstico; outra optando por caractersticas das empresas para montar
carteiras que ajam como aproximaes para os fatores; e por fim, utilizando variveis
macroeconmicas como aproximaes para os fatores.
Os primeiros estudos realizados em que houve anlise da influncia de
mltiplos fatores no retorno das aes foram desenvolvidos por Rostagno & Kloeckner e
(2004). A evoluo destas pesquisas constatou que cinco variveis bastavam para
explicar os retornos dos ttulos, e ainda que, conforme Fleuriet (2004) no o valor
dessas variveis que afetam o retorno das aes, mas sim as mudanas inesperadas desses
valores.
Quando se trabalha com apenas um fator de risco, ou seja, o risco de
mercado, o coeficiente beta estimado como sendo o coeficiente de inclinao de uma
reta de regresso do retorno de uma ao com o retorno do mercado, dessa forma, a
expresso algbrica que representa essa reta de regresso a Equao 2.1.

(4.1)

27
 Nesta equao o retorno da ao (ri) decomposto entre duas variveis no
correlacionadas e exclusivas do ativo (, i, ) e a sensibilidade ao risco de mercado
(RM) que representada pelo coeficiente . Porm como no caso deste estudo esto
sendo considerados mais de um fator, a Equao 2.2 ser a utilizada para clculos.

(4.2)

Os diversos fatores, conforme pode ser percebido so representados por F1,

F2, F3 e F4. Dessa forma, para o caso do presente estudo, o clculo dos betas fatoriais
para a ao individualmente incidir na determinao da inclinao da reta de regresso
resultante da relao da variaes de retorno e de cada fator macroeconmico, por isso o
beta de cada fator indicar a sensibilidade de cada ao a variao de cada fator.
Para compreender melhor como so feitas como so elaboradas estas retas do
modelo multifatorial seria importante aprofundar o estudo de anlise de regresso. Por
isso a prxima seo tratar o tema anlise de regresso mltipla.

4.3 Anlise de Regresso Linear Mltipla

As variveis deste trabalho apresentam uma relao de dependncia

estatstica e no de dependncia determinstica ou funcional como no caso das leis da
fsica. Esse tipo de dependncia estudado na anlise de regresso, que segundo Gujarati
(1995) um estudo da dependncia de uma varivel dependente em relao a uma
varivel, ou mais, explicativa com o objetivo de estimar ou prever a mdia ou valor
mdio da varivel dependente provvel conforme o valor assumido pelas variveis
explicativas.
Quando est em questo apenas duas variveis a anlise de regresso ser
linear simples, enquanto que quando esto mais de duas variveis, como no caso deste
trabalho, a anlise de regresso ser linear mltipla. Na anlise de regresso simples
possvel colocar em um grfico os pontos de combinao entre a varivel dependente e
explicativa e traar a reta de regresso, que representa um padro de pontos.

28
 Conforme Downing e Clark (2000) o mtodo de clculo da reta de regresso
buscar encontrar uma reta em que o somatrio dos erros, distncia vertical entre o ponto
e a reta de regresso, seja minimizado.
O somatrio de quadrados dos desvios (desvios), mnimos quadrados, este
procedimento utilizado para obter as estimativas dos parmetros do modelo clssico de
regresso mltipla. O clculo implica que quadrados dos desvios.
Algumas vezes os pontos se ajustam quase que perfeitamente a reta de
regresso, j em outros, os pontos esto dispostos de forma bem diferente de uma reta.
A anlise de correlao tem o objetivo principal de medir a intensidade ou
grau de associao linear entre duas variveis. Gujarati (1995) trata as variveis da
anlise de regresso partindo do princpio de que uma, a varivel dependente, aleatria,
enquanto que, a outra, a explicativa, fixada e no estocstica, j na anlise de correlao
as duas variveis so consideradas aleatrias. Downing e Clark (2000) colocam que na
regresso linear mltipla a relao de dependncia entre a varivel dependente e as
explicativas, representada pela Equao 2.3, como exemplo de uma Equao de
Regresso Mltipla com quatro fatores.

(2.3)

Onde,

uma varivel aleatria normal com mdia zero, distribuio normal e

varincia desconhecida, chamada de termo de erro;
B1, B2, B3 e B4 so os coeficientes dos fatores (variveis explicativas) que
podem ser facilmente estimadas atravs de programas computacionais.

Os coeficientes dos fatores (B1, B2, B3 e B4) representam o efeito que uma
determinada varivel explicativa, x, tem sobre a varivel dependente, y, mantendo-se
constantes todas as demais variveis explicativas, isso implica que os efeitos das
variveis so aditivos.

29
 Tendo compreendido o que so modelos fatoriais e sabendo como feito o
clculo para anlise das diversas variveis econmicas, faz-se necessrio ento, fazer a
definio de quais variveis que sero utilizadas para este estudo.

4.4 Definio dos Fatores Econmicos

Os critrios utilizados para escolha dos fatores macroeconmicos a serem

analisados neste captulo so basicamente trs, primeiro, a observncia dos fatores que
outros autores constataram ser relevantes, outro, a observao do que jornais e peridicos
nacionais consideram importantes na precificao das aes no Brasil, e por fim, a
possibilidade de acesso aos dados para o perodo da pesquisa.
Nos estudos realizados por Downing e Clark (2000) os cinco fatores de risco
citados, em substituio ao nico fator de mercado utilizado no modelo CAPM so: o
risco de mudanas no atraso pagamento do prmio, risco de mudanas na taxa a termo de
juros, risco de inflao ou deflao no previstas, risco de mudanas nas taxas de
crescimento da economia, e o risco residual do mercado. Esse ltimo pode ser
mensurado por um ndice de mercado, como o Ibovespa.
Para o caso desta pesquisa os fatores a serem utilizados sero os seguintes:

a) I-Bovespa, representando o desempenho mdio do mercado acionrio brasileiro. Mede

o valor de uma carteira terica composta por aes que correspondem por mais de 80%
do nmero de negcios e do volume financeiro do mercado vista.
b) Preo do Petrleo, cotao do barril do petrleo na Bolsa;
c) Risco Pas, basicamente um indicador que busca determinar o grau de instabilidade
econmica de cada pas, sendo calculado por agncias de classificao de rentabilidade
garantida pelos bnus do Tesouro dos Estados Unidos, pas considerado de menor risco,
em relao a taxa de juros do pas em questo para uma aplicao
d) ndice de Eficincia Energtica, que leva em considerao a qualidade ou propriedade
da eficincia de energia. a razo entre a sada efetiva (ou til) e a entrada total de
qualquer sistema.
Ao analisar a influncia de fatores econmicos no desempenho do
rendimento das aes de uma companhia brasileira estatal. Entre outras anlises h a
pretenso de saber se o retorno dessas aes apresentam comportamento semelhante s
variaes da economia do pas.
30
 Para realizao deste estudo o respeito aos procedimentos de clculos
estatsticos ser primordial, visto que os dados coletados resultaro em informao
apenas aps a organizao dos mesmos atravs dos clculos estatsticos, isto , depois da
elaborao de retas de regresso entre as variaes do retorno das aes e variaes no
desempenho das variveis econmicas.
Para coleta de dados foram utilizadas as seguintes fontes: o software
Profitchart RT V. 2.8.0 para os valores das cotaes das aes, dos ndices I-bovespa e
cotao do barril de petrleo; o Portal do Brasil para a cotao do risco pas e ABEE para
o ndice de eficincia energtica.
Para a escolha do plano acionrio foi estudado alguns procedimentos. Em um
primeiro instante tinha-se a idia de se escolher um plano que fosse negociado na
BOVESPA. Para esta deciso foi utilizado o critrio de que as aes pertencessem ao
grupo dos ativos que compem a carteira do ndice IBrX 50, tendo em vista que o ndice
contm em seu portflio as 50 aes mais negociadas, o que garantiria que quase todas as
aes escolhidas apresentassem, sem excees, cotaes dirias. O segundo critrio
exigia que a ao tivesse cotaes para todos os dias do perodo de 2005 2008.
Foram coletados os valores dos fatores econmicos para o mesmo perodo,
resultando uma equivalncia em que para cada data houvesse uma cotao da ao e um
valor para cada fator econmico.
Depois de todos os dados serem coletados, registrados e armazenados,
iniciou-se um processo de transformao dos dados para que pudessem ser retiradas
informaes relevantes. Por ltimo foi calculada a equao de regresso considerando a
influncia de todos os fatores explicativos no retorno da ao. A Equao 3.1 representa
a equao de regresso das aes individualmente.

(4.3)

Onde:

Ri o retorno da ao;
b a varivel independente variao do ndice I-Bovespa, histrico dos
pontos est disponvel no software Profitchart V. 2.8.0;

31
 d a varivel independente variao na cotao do petrleo, disponvel no
software Profitchart V. 2.8.0;
p a varivel independente risco pas, disponvel no Portal Brasil;
s a varivel independente ndice de eficincia energtica, disponvel no site da
Associao Brasileira de Eficincia Energtica.
e o erro da regresso;

Para o clculo do retorno da ao que ser utilizada no processo de anlise de

regresso mltipla, sero utilizadas as cotaes da ao que esto disponveis no software
software Profitchart V. 2.8.0.
Aps calculadas todas as equaes de regresso sero feitas as anlises dos
resultados destas equaes, que podero ser agrupadas conforme os valores dos betas
fatoriais buscando ver se h semelhana no setor de atividade econmica dentro dos
grupos. Espera-se que nesta anlise as equaes de uma mesma atividade econmica
apresentem um comportamento semelhante s mudanas das variveis econmicas, isto
, da economia.

4.5 Anlise e Resultados

Primeiramente ser apresentada a varivel da pesquisa, isto , as aes da

amostra e os fatores econmicos. Depois esto os clculos de correlaes e inclinao do
retorno da ao com as variaes dos fatores econmicos, nesta etapa ser possvel
compreender a influncia dos fatores econmicos separadamente no retorno da ao. E
por fim, na segunda etapa ser exposta a equao de regresso multifatorial, quando
finalmente poder ser visto a influncia dos fatores econmicos atuando em conjunto no
retorno das aes.

4.6 Variveis da Pesquisa

Como j dito, o plano de aes escolhido para amostra da pesquisa foram as

que pertencem ao ndice IBRx 50, que mede o retorno de uma carteira terica com as 50
aes mais negociadas em termos de liquidez pois subentende-se que essas aes
atenderiam ao critrio de seleo definido no mtodo da pesquisa, o qual dizia que as
aes deveriam apresentar cotaes dirias.
32
 Das 50 aes que compem a carteira terica deste ndice foi utilizado apenas
um plano acionrio (CEMIG4) devido existncia de cotaes dirias, de possuir uma
tendncia de crescimento linear e pelas limitaes impostas a este estudo.
Buscando evitar que alguma das variveis explicativas utilizadas no estudo
fosse colinear, isto , tivessem um comportamento muito semelhante, fez-se ento um
clculo de correlao entre as variveis explicativas. Caso a correlao entre os fatores
econmicos resultasse em um valor maior do que 0,70, um destes fatores altamente
correlacionados deveria ser excludo da anlise de regresso, j que ambos teriam
praticamente o mesmo desempenho.
No entanto, o clculo de correlao mostrou que no havia necessidade de
excluir nenhuma das variveis explicativas, visto que todas as combinaes de variveis
resultaram em correlaes menores de 0,70. Conforme pode ser percebido pela Tabela
4.1 a maior correlao encontrada foi nas relaes entre I-Bovespa e Petrleo.

Tabela 4.1 Correlao entre as Variveis Explicativas

CORRELAO ENTRE AS VARIVEIS EXPLICATIVAS
Variveis I-Bovespa Petrleo Risco Pas IEE
I-Bovespa
Petrleo 0,70
Risco Pas -0,47 -0,33
IEE 0,35 0,02 -0,026
Fonte: Organizado pelos autores

Apesar de nenhum dos fatores ter sido excludo pelo seu grau de correlao,
vlido fazer duas colocaes, uma de que possivelmente a maior correlao existente
entre o I-Bovespa e o petrleo deve-se ao fato de que aes da empresa de explorao de
petrleo, Petrobrs, bastante representativa na carteira terica do I-Bovespa.
Aps este clculo de correlao entre as variveis explicativas, validando as
variveis da pesquisa, foram feitos os clculos de correlao e grau da reta de inclinao
entre a varivel dependente, ou seja, o retorno das aes.

4.7 Anlise de Correlao

33
 Analisando a correlao dos fatores econmicos separadamente no retorno
das aes pode ser visto que a correlao do I-Bovespa e do retorno da ao CEMIG4,
no sendo considerados os outros fatores econmicos do estudo, forte. Isso implica
dizer que o fator econmico I-Bovespa e os rendimentos do plano acionrio possui uma
tendncia de correlao fortemente positiva.
Ento, depois de realizados os clculos de correlao, portanto conhecendo-
se, para o perodo dos ltimos dois anos e para o caso das aes da amostra, os fatores
econmicos tm correlao com retorno da ao, os esto relacionados inversamente e os
que simplesmente no tm correlao alguma, passou-se para a etapa de clculo de grau
de inclinao entre o retorno das aes e os fatores econmicos.

4.8 Grau de Inclinao

Aps o clculo de grau de inclinao possvel visualizar a variao do

retorno da ao quando h uma variao de um por cento no valor do fator econmico.
Deste clculo observou-se que na relao entre o retorno da ao e o I-bovespa
A Tabela 4.2 apresenta o grau de inclinao entre as aes do plano CEMIG4
e os fatores econmicos analisados.

Tabela 4.2 Grau de Inclinao entre Varivel e Fatores Econmicos

Varivel I-Bovespa Petrleo Risco Pas IEE
CEMIG4 1,26 0,67 -0,38 0,01
Fonte: Organizado pelos autores

Na prxima seo sero expostas as equaes de regresso linear mltipla e

as concluses que podem se deduzidas a partir destas equaes.

4.9 Regresso Linear Mltipla

Na estatstica de regresso o valor de r quadrado indica quanto as variveis

independentes da equao de regresso explicam a varivel dependente. Conforme
demonstrado na Tabela 4.1 as aes da empresa CEMIG tem 86 % do seu retorno
explicado pelos fatores econmicos utilizados no estudo.

34
 A Equao 4.3 representa a expresso de regresso para o conjunto de aes
CEMIG4. A expresso foi gerada atravs do software MiniTab 14.0.

(4.3)

Onde:

RCEMIG4 a previso do retorno da ao CEMIG4;

0,57 o coeficiente de variao do ndice I-Bovespa;
0,26 o coeficiente de variao na cotao do petrleo;
0,45 o coeficiente de variao do risco pas
0,001 o coeficiente de variao no ndice de eficincia energtica
0,01 o erro residual
Como pode ser visto o ndice Bovespa a varivel mais significante da
equao. Abaixo tm-se os resultados extrados do software MiniTab V. 14.0 com a
memria dos clculos utilizados.

35
Tabela 3.1: Resultados de regresso gerados pelo software utilizado
Fonte: Organizado pelos autores

Abaixo, ser apresentado os grficos estatsticos para as aes CEMIG4.

Grfico 4.1: Cotao das Aes CEMIG4 (2005 a 2008)

Fonte: Organizado pelos autores

Grfico 4.2: Cotao do ndice I-Bovespa (2005 a 2008)

Fonte: Organizado pelos autores

Grfico 4.3: Cotao do Barril de Petrleo (2005 a 2008)

36
Fonte: Organizado pelos autores

Grfico 4.4: Cotao do Risco Pas (2005 a 2008)

Fonte: Organizado pelos autores

Grfico 4.5: Grfico de Disperso entre o Retorno da CEMIG4 e Variao do I-Bovespa

(2005 a 2008)

Fonte: Organizado pelos autores

37
Grfico 4.6: Grfico de Disperso entre o Retorno da CEMIG4 e Variao do Petrleo
(2005 a 2008)

Fonte: Organizado pelos autores

Grfico 4.7: Grfico de Disperso entre o Retorno da CEMIG4 e Variao do Risco Pas
(2005 a 2008)

Fonte: Organizado pelos autores

Grfico 4.8: Grfico de Disperso entre o Retorno da CEMIG4 e o ndice de Eficincia

Energtica (2005 a 2008)

38
Fonte: Organizado pelos autores

O estudo deste captulo conquistou seu objetivo maior de analisar a influncia

de fatores escolhidos, ndice I-Bovespa, petrleo, risco pas e ndice de eficincia
energtica. O retorno das aes puderam ser fortemente explicado pelos fatores
escolhidos atravs dos ndices de correlao demonstrados. Contudo, a principal
considerao que fica deste estudo de que outros fatores deveriam ser inseridos no
estudo e de que fatores que foram minimamente explicativos poderiam ser retirados da
anlise.
Com essa percepo surge um questionamento, quais seriam os novos fatores
que deveriam entrar no estudo para possibilitar maio explicao do retorno da ao.
Certamente que uma pesquisa mais avanada definiria estes novos fatores,
porm cabe aqui, j salientar a importncia de levar-se em conta fatores especficos da
empresa, os quais no foram utilizados neste estudo.
Alm dos fatores prprios da empresa, h ainda fatores econmicos que
poderiam ter sido utilizados no estudo, como evoluo do Produto Interno Bruto, saldo
da balana de pagamentos, ndices setoriais, variao da renda do consumidor e outras
variveis de mercado que nesta pesquisa no foram consideradas.
Podem ainda ser includas no grupo das variveis que este estudo no levou
em considerao os indicativos da prpria bolsa em que as aes esto inscritas, como
variao da quantidade de investidores negociando aes na Bovespa, volume investido
na bolsa, variaes no perfil de investidores, como estrangeiros ou nacionais, e outros
indicativos que deveria ser decididos atravs de uma pesquisa.

39
 No entanto, mesmo percebendo que muitos fatores deveriam ter sido
considerados na pesquisa para que as regresses mltiplas dos ativos tivessem um maior
poder de explicao, o estudo no pode ser desconsiderado. No deve ser minimizada a
relevncia dos clculos que foram capazes de mostrar a importncia do ndice I-Bovespa.
Investidores conservadores podem utilizar este estudo como argumento de
que aplicao no ativo CEMIG4 um investimento seguro, visto que sabendo como
esto comportando-se fatores econmicos, como principalmente o I-Bovespa, pode-se ter
uma previso bastante prxima da realidade do retorno desta ao.
Enfim, foi alcanado satisfatoriamente o objetivo principal que foi o de
analisar a influncia de determinados fatores econmicos no retorno das aes, sendo que
este estudo ficar disponvel como um exemplo de aplicao de anlise de regresso
mltipla podendo ser utilizada para motivar novos estudos.

5. Consideraes Finais

Conclui-se que o objetivo do emprego da tcnica de Regresso Linear

Simples em ativos foi alcanado. Tal tcnica estatstica pde responder questes
importantes no universo do comportamento dos rendimentos de tais ativos.
O modelo gerado foi capaz de explicar e quantificar a relao entre o
horizonte de tempo e os preos cotados e o percentual da variao dos preos negociados
em razo da variao no tempo. O estudo foi capaz de apontar erros de estimativa,
quando se deseja prever os rendimentos atravs da equao encontrada.
Quando se analisa o desempenho da tcnica nos preos das aes em longo
prazo, foi constatado que a tcnica adotada no foi capaz de fornecer predies pontuais
sobre os rendimentos das aes do plano estudado. A necessidade de se aplicar tcnica de
estatstica descritiva para se obter estimativas mais substanciais foi extremamente
necessria. Foram encontrados intervalos de confiana para os estimadores de confiana
da regresso, como meio de se obter resultados mais significantes. Calculando o intervalo
de confiana, com nvel de confiana de 99%, as predies dos rendimentos das aes
ficaram no intervalo de preos encontrados.
As previses obtidas indicaram o comportamento linear de tais rendimentos,
evidenciado mesmo que visualmente, quando se consulta atravs do software Profitchart

40
RT V.2.8.0.0 a base de dados que contm os rendimentos da estrutura acionria 'Ita4'. O
grfico gerado foi capaz de fornecer subsdios para que se possa analisar a disperso do
rendimento mdio das aes em relao linha de tendncia central gerada pela
regresso linear.
De uma forma geral, os resultados foram capazes de cumprir as finalidades
declaradas nos objetivos deste estudo e foram capazes de comprovar a funcionalidade do
mtodo dos mnimos quadrticos em casos de modelagem matemtica.

6 Referncias Bibliogrficas

FONTE, Cidlia Maria Parreira da Costa. Ajustamento de observaes utilizando o

mtodo dos mnimos quadrados . Universidade de Coimbra, 1994.

HOFFMAN, Rodolfo; VIEIRA, Snia. Anlise de Regresso: Uma Introduo

Econometria. So Paulo: Hucitec, 1998.

MILORE, Giuseppe; ANGELINI, Flvio. Estatstica Aplicada. So Paulo: Atlas, 1995.

MONTGOMERY, Douglas C; RUNGER, George C. Estatstica aplicada e

probabilidade para engenheiros. Rio de Janeiro: LTC, 2003.

Nelogica Profitchart. Disponvel em: <www.nelogica.com.br>. Acesso em 12 de mar.

2009.

WERKEMA, Maria Cristina Catarino. Anlise de Regresso: Como entender o

relacionamento entre as variveis de um processo. Belo Horizonte: Fundao
Christiano Ottoni, Escola de Engenharia da UFMG, 1996.
BANCO CENTRAL DO BRASIL, < http://www.bancocentral.gov.br/> Acessado em
mai/2010.

ASSOCIAO BRASILEIRA DE ENGENHEIROS ELETRICISTAS,

<http://www.abee.org.br/> Acessado em jun/2010.

41
DOWNING, Douglas. Estatstica Aplicada. So Paulo: Saraiva, 2000.

ELTON, Edwin J.; GRUBER, Martin J.. Moderna Teoria de Carteiras e Anlise de
Investimentos. Editora Atlas. So Paulo, 2004.

FLEURIET, Michel. A Arte e a Cincia das Finanas: uma introduo ao mercado

financeiro. Rio de Janeiro: Elsevier, 2004.

GRINBLATT, Mark. TITMAN, Sheridan. Mercados Financeiros & Estratgia

Corporativa. 2. ed. Porto Alegre: Bookman, 2005.

ROSTAGNO, Luciano Martin KLOECKNER, Gilberto de O.. Previsibilidade de

retorno das aes na Bovespa : um teste envolvendo o modelo de fator de
retorno esperado. In: Revista brasileira de finanas. V. 2, n. 2, p. 183-206, Dez. 2004.

42