Académique Documents
Professionnel Documents
Culture Documents
1 Introducao
A leitura recomendada para a materia desta nota de aula e Elton, Gruber, Brown, and Goetz-
mann (2003), captulos 7 e 8.
O numero de variaveis a serem estimadas depende do numero de ativos com risco que inclumos
na analise. Por exemplo, se:
Alguns modelos:
Modelos de ndices,
Modelos de agrupamento.
ri = ai + i rm , i = 1, . . . , n , (1)
onde:
rm e uma variavel aleatoria, que representa a taxa de retorno do mercado como um todo
(componente sistematico do retorno i);
A variavel aleateria ai pode ser representada como ai = Eai + ei , onde Eei = 0. Vamos denotar
a media de ai por i . Portanto, podemos reescrever a equacao (1) como:
ri = i + i rm + ei , i = 1, . . . , n . (2)
Entao rm e ei sao variaveis aleatorias, com Eei = 0. Vamos denotar o retorno esperado e a
2
variancia de mercado por Erm e m e a variancia de ei por e2i .
Observe que:
Eri = E (i + i rm + ei ) = i + i Erm ,
ou seja, o retorno esperado de i e dado por i mais o retorno esperado do mercado multiplicado
por i .
A variancia do ativo i e:
Ate agora nao fizemos nada demais, no sentido de que a decomposicao acima sempre e possvel.
Ela nao ajuda a simplificar a matriz de variancia e covariancia de modo a reduzir o numero
de parametros a serem estimados, como facilmente podemos notar na equacao acima para a
covariancia entre os retornos i e j. Precisamos impor mais restricoes na decomposicao (2) para
reduzir o numero de estimativas necessarias.
cov(ei , rm ) = 0 (ou seja, E(ei (rm Erm )) = 0), para todo ativo i;
Logo, a parte idiossincratica de cada ativo e totalmente idiossincratica a ele (comum apenas
aquele retorno).
i2 = i2 m
2
+ 2i m,ei + e2i = i2 m
2
+ e2i
Logo, a covariancia entre dois ativos quaisquer agora e totalmente determinada pelos betas dos
2
ativos e por m ). Isso simplifica enormemente a estimacao da matriz de variancia e covariancia:
Entao agora:
Estimativas de Erm e rm 2
No total, temos que estimar 3n + 2 variaveis. Observe que nao e necessario estimarmos Erm ,
logo podemos estimar apenas 3n + 1 variaveis.
Vimos como estimar a matriz de variancia e covariancia usando o modelo de ndice unico.
Mas o que ocorre com o retorno esperado e a variancia de carteiras de ativos? Considere uma
carteira de ativos p qualquer e a seguinte notacao:
n
X n
X
p = xi i e p = xi i
i=1 i=1
Como: ! !
n
X n
X n
X
Erp = xi (i + i Erm ) = xi i + xi i rm ,
i=1 i=1 i=1
entao
Erp = p + p Erm
Novamente, com as estimativas dos betas, das variancias individuais e do retorno de mercado,
podemos calcular a variancia de qualquer carteira.
Suponha que o investidor decida repartir a sua renda igualmente em cada ativo, de modo que
xi = 1/n. A variancia dessa carteira e:
n
!
2 2 2 1 X1 2
p = p m + ei p2 m
2
,
n i=1 n n
p2 p2 m
2
n
!
X
p p m = xi i m
i=1
A equacao acima para o desvio-padrao da carteira mostra que i mede a contribuicao do ativo
i ao risco da carteira, que depende tambem do peso do ativo na carteira.
O beta do ativo i mede a quantidade de risco nao diversificavel do ttulo i. Ele e a medida
correta de risco do ativo (e nao a variancia e2i ).
Para estimar esses parametros, podemos usar o metodo OLS. Vamos revisar esse metodo, em
que rodamos uma regressao linear, ou seja, minimizamos a soma dos erros ao quadrado:
T T T 2
X 2
X 2 X
(et ) = rit rit = rit i t
i rm
t=1 t=1 t=1
As CPO sao:
T
X
(i ) : 2 rit i t
i rm =0
t=1
XT
(i ) : 2 rit i t
i rm t
rm =0
t=1
Rearranjando,
T
X
(i ) : rit i i rm
t
= 0 T ri T i i T rm = 0,
t=1
XT
(i ) : rit i i rm
t t
rm =0
t=1
onde:
T T
1X t 1X t
ri = r e rm = r
T t=1 i T t=1 m
Logo, a CPO para i implica:
i = ri i rm
Logo, PT
(rit rmt
ri rm ) cov(r
c i , rm )
i = Pt=1
T 2 =
t
t=1 (rm ) rm
2 vd
ar(rm )
Portanto: PT
t=1 (rit ri ) (rm
t
rm )
i = PT 2
e i = ri i rm
t
t=1 (rm rm )
3.2 Correcoes
Podemos fazer correcoes ao mensurar betas historicos:
Dois artigos classicos sobre a precisao de betas historicos sao Blume (1970) e Levy (1971).
Esses artigos medem/verificam/investigam a associacao entre os betas em um perodo e os
betas em um perodo adjacente/proximo.
Blume: betas calculados para perodos de 7 anos/dados mensais. Calcula para dois perodos:
1 e 2 : perodo 1 e perodo 2, respectivamente. Obtem que:
Quando calcula o beta de carteiras: a correlacao entre os betas dos dois perodos e alta.
Quando calcula o beta de um unico ttulo: a correlacao entre os betas dos dois perodos
e em torno de 0,6.
1. Beta de cada perodo e obtido por meio de uma estimativa, e esse resultado pode ser
apenas um erro. Quanto maior o erro, maior a diferenca entre eles. Existem formas de
testar isso.
2. Beta de fato mudou de um perodo para outro, i.e., risco do ativo mudou no tempo.
De qualquer modo, betas historicos de carteiras (tem erro menor) representam previsoes me-
lhores dos betas futuros do que ocorre no caso de betas historicos de ativos individuais. Isso
significa que podemos melhorar a capacidade de previsao dos betas.
Regride 2 em 1 .
Obtem:
i2 = 0, 343 + 0, 677i1 ,
onde o perodo 2 e 1955-61 e o perodo 1 e 1948-64.
Por exemplo,
A tecnica de Vasicek:
A relacao entre os fundamentos da empresa e o seu beta foi estudada por diversos autores
(Beaver, Kettler, and Scholes (1970): 7 variaveis; Thompson II (1978): 43 variaveis; Rosemberg
and Guy (1976a, 1976b): 101 variaveis.)
i = a0 + a1 X1 + a2 X2 + + aN XN + ei ,
em que existem I observacoes (i indica um ativo qualquer) e Xj sao variaveis que (suposta-
mente) afetam beta.
4 Modelo de Mercado
O modelo de mercado e similar ao modelo de ndice unico, porem nao supoe a hipotese
cov(ei , ej ) = 0. Neste caso,
ri = i + i rm + ei ,
em que assumimos apenas:
Eei = 0 e cov(ei , rm ) = 0
O retorno esperado e a variancia de qualquer ativo i continuam iguais aos derivados no modelo
de ndice unico:
Eri = i + i Erm
i2 = E [(i + i rm + ei ) (i + i Erm )]2 = i2 m
2
+ E(e2i )
Porem, a covariancia entre os ativos passa a depender dos erros e nao e mais determinada
2
apenas pelos betas dos ativos e pela variancia de mercado (ij 6= i j m ):
ij = E [(i + i rm + ei ) (i + i Erm )] [(j + j rm + ej ) (j + j Erm )]
= E [i (rm Erm ) + ei ] [j (rm Erm ) + ej ]
2
= i j m + E(ei ej )
Suponha que:
ri = ai + bi1 I1 + bi2 I2 + + biL IL + ci ,
onde:
Ij : nvel observado do ndice j, j = 1, . . . , L.
bij : medida de sensibilidade do retorno do ativo i as variacoes no ndice j.
ai e ci : parte do retorno de i nao relacionado aos ndices.
ci : v.a. com Eci = 0 e c2i .
Vimos que:
ri = ai + bi1 I1 + bi2 I2 + + biL IL + ci ,
1. Defina I1 = I1 ;
2. Para I2 : Regredimos I2 em I1 :
I2 = 0 + 1 I1 + dz dz = I2 (0 + 1 I1 )
Definimos I2 = I2 (0 + 1 I1 ).
3. Para I3 : Regredimos I3 em I1 e I2 :
I3 = 1 + 2 I1 + 3 I2 + ei ei = I3 (1 + 2 I1 + 3 I2 )
Definimos I3 = I3 (1 + 2 I1 + 3 I2 ).
Logo:
ri = ai + bi1 I1 + bi2 (I2 + 0 + 1 I1 ) + bi3 (I3 + 1 + 2 I1 + 3 I2 ) + ci
Rearranjando:
ri = (ai + bi2 0 + bi3 1 ) + (bi1 + bi2 1 + bi3 2 )I1 + (bi2 + bi3 3 )I2 + bi3 I3 + ci
| {z } | {z } | {z } |{z}
=a1 =bi1 =bi2 =bi3
entao:
onde:
2. A variancia do ativo i e:
i2 = E (ri Eri )2
= E (bi1 (I1 EI1 ) + bi2 (I2 EI2 ) + + biL (IL EIL ) + ci )2
= b2i1 I1
2
+ b2i2 I2
2
+ + b2iL IL
2
+ c2i
Logo, precisamos de estimativas para ai , bik , c2i para cada ativo i, EIj e Ij
2
para todo j. No
total, temos (L + 2)N + 2L = 2N + 2L + N L estimativas a serem feitas. Por exemplo, se
n = 100, L = 5, entao 200 + 10 + 500 = 710 estimativas.
onde:
Im : ndice de mercado.
Mercado.
Componentes setoriais.
onde:
rjp : carteira obtida regredindo o fator nos varios payoffs existentes, e depois normalizada
de modo que resulte em um retorno.
Isso significa que podemos usar carteiras de ativos, o que soluciona o problema de frequencia
diferente dos dados. Podemos tambem usar tecnicas estatsticas para decompor a matriz de
variancia e covariancia em um modelo de ndices de carteiras (por exemplo, analise de com-
ponentes principais). Mas podemos cair em um problema de fishing for results (pescando
resultados).
Teste mais direto possvel para modelos de ndices e analisar quao bem o modelo estima a
matriz de variancia-covariancia futura. Dois tipos de testes nessa linha:
Testes de significancia;
Resumidamente, uma serie de artigos desde os anos 70 (ver Elton and Gruber (1971)) mostra
que adicionar outros ndices ao modelo de ndice unico do mercado:
Pior escolha de carteiras (nvel de retorno mais baixo para cada nvel de risco).
A evidencia deste fato e forte/robusta quando usamos tecnicas do tipo analise de componentes
principais.
Um resultado mais surpreendente e que o modelo de ndice unico costuma ter um desempenho
melhor do que a estimacao direta da matriz de variancia e covariancia, um resultado contra-
intuitivo (ver Cohen and Pogue (1967)). Ou seja, o modelo de ndice unico tambem parece ter
desempenho melhor (riscos menores/mais facil de implementar).
Referencias
Beaver, W., Kettler, P., & Scholes, M. (1970). The association between market determined
and accounting determined risk measures. The Accounting Review , 45 , 654-682.
Blume, M. (1970). Portfolio theory: A step toward its practical application. Journal of
Business, 43:2 , 152-173.
Blume, M. (1975). Betas and their regression tendencies. Journal of Finance, 30:3 , 785-795.
Cohen, K., & Pogue, J. (1967). An empirical evaluation of alternative portfolio-selection
models. Journal of Business, 40:2 , 166-193.
Elton, E., & Gruber, M. (1971). Improved forecasting through the design of homogeneous
groups. Journal of Business, 44:4 , 432-450.
Elton, E., Gruber, M., Brown, S., & Goetzmann, W. (2003). Moderna teoria de carteiras e
analise de investimentos. Editora Atlas.
King, B. (1966). Market and industry factors in stock price behavior. Journal of Business,
39:1 , 139-190.
Levy, R. (1971). On the short-term stationarity of beta coefficients. Financial Analysts Journal ,
27:6 , 55-62.
Rosemberg, B., & Guy, J. (1976a). Prediction of beta from investment fundamentals: Part
one. Financial Analysts Journal , 32:3 , 60-72.
Rosemberg, B., & Guy, J. (1976b). Prediction of beta from investment fundamentals, part
two. Financial Analysts Journal , 32:4 , 62-70.
Thompson II, D. (1978). Sources of systematic risk in common stocks. Journal of Business,
40:2 , 173-188.
Vasicek, O. (1973). A note on using cross-sectional information in bayesian estimation of
security betas. Journal of Finance, 28:5 , 1233-1239.