“a influÊncia do spread cdi-selic no retorno das...
TRANSCRIPT
FACULDADE DE ECONOMIA E FINANÇAS IBMEC PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM
ADMINISTRAÇÃO E ECONOMIA
DISSERTAÇÃO DE MESTRADO PROFISSIONAL EM ECONOMIA
“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETORNO DAS AÇÕES
DOS BANCOS BRASILEIROS”
MARCIO KENDI INAFUKU
ORIENTADOR: PROF. DR. JOSÉ VALENTIM MACHADO VICENTE
Rio de Janeiro, 17 de setembro de 2014.
2
“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETRORNO DAS AÇÕES DOS BANCOS BRASILEIROS”
MARCIO KENDI INAFUKU
Dissertação apresentada ao curso de Mestrado Profissional em Economia como requisito parcial para obtenção do Grau de Mestre em Economia. Área de Concentração: Finanças
ORIENTADOR: PROF. DR. JOSÉ VALENTIM MACHADO VICENTE
Rio de Janeiro, 17 de setembro de 2014.
3
“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETRORNO DAS AÇÕES DOS BANCOS BRASILEIROS”
MARCIO KENDI INAFUKU
Dissertação apresentada ao curso de Mestrado Profissional em Economia como requisito parcial para obtenção do Grau de Mestre em Economia.
Avaliação:
BANCA EXAMINADORA:
_____________________________________________________
Professor Dr. José Valentim Machado Vicente (Orientador) Instituição: Faculdade Ibmec - RJ _____________________________________________________
Professor Dr. Osmani Teixeira de Carvalho Guillén Instituição: Faculdade Ibmec - RJ _____________________________________________________
Dr. Rafael Chaves Santos Instituição: Banco Central do Brasil
Rio de Janeiro, 17 de setembro de 2014.
6
AGRADECIMENTOS
A minha esposa Fernanda, pelo apoio e compreensão nas longas horas dedicadas aos estudos
ao longo deste mestrado, e a meus pais Kazuo e Sadako, que sempre me ofereceram a melhor
educação possível sem medir esforços.
Ao BNDES por me conceder esta oportunidade, e aos meus amigos colegas que sempre se
disponibilizaram a me ajudar ao longo do curso das matérias e da execução da dissertação.
A todos os colaboradores do Ibmec-RJ, por compartilhar seu conhecimento e experiência, e
especialmente ao professor José Valentim pelas ricas aulas e pela valiosa orientação.
7
RESUMO
Este trabalho tem como objetivo testar a influência do spread CDI-Selic no retorno das ações
dos bancos brasileiros. Para isto, foi utilizado como base o modelo de três fatores de Fama &
French adicionado do spread CDI-Selic e seus três primeiros lags diários. Foram testados
dados diários e mensais para o período entre 01/08/2000 e 29/06/2012, além de três
segmentos identificados neste período (apenas para dados diários), para sete bancos cujas
ações são negociadas na BM&FBovespa. As regressões apresentaram raros resultados com
significância estatística para o spread CDI-Selic, distribuídos dispersamente entre as diversas
ações de bancos e lags, o que rejeitou a hipótese de que o spread CDI-Selic influencia o
retorno das ações dos bancos de forma consistente.
Palavras Chave: spread CDI-Selic / retornos de ações de bancos / modelo de Fama & French
8
ABSTRACT
This work aims to test the influence of the CDI-Selic spread on Brazilian banks stock returns.
In order to perform it we used the Fama & French three factor model added of the CDI-Selic
spread and its first three daily lags. We tested daily and monthly data for the 08/01/2000 to
06/29/2012 period, in addition to three segments identified in this period (only for daily data)
and for seven banks whose stocks are negotiated in the BM&FBovespa stock market. The
regressions presented sporadic results with statistical relevance for the CDI-Selic spread,
sparsely distributed among de different bank stocks and lags. This rejected the hypothesis that
the CDI-Selic spread consistently influences the stock returns of Brazilian banks.
Key Words: CDI-Selic spread / banks stock returns / Fama & French model
9
LISTA DE TABELAS
Tabela 1 – Maiores bancos do Brasil com ações listadas na BM&FBovespa. ......................... 25
Tabela 2 – Seleção de bancos dos estudo ................................................................................. 26
Tabela 3 - BBAS3: dados diários, 3 lags, não segmentado ...................................................... 30
Tabela 4 - BBAS3: dados diários, 3 lags, segmento 1 ............................................................. 31
Tabela 5 - BBAS3: dados diários, 3 lags, segmento 2 ............................................................. 32
Tabela 6 - BBAS3: dados diários, 3 lags, segmento 3 ............................................................. 33
Tabela 7 - BBAS3: dados mensais, 3 lags, não segmentado .................................................... 33
Tabela 8 - ITUB4: dados diários, 3 lags, não segmentado ....................................................... 34
Tabela 9 - ITUB4: dados diários, 3 lags, segmento 1 .............................................................. 35
Tabela 10 - ITUB4: dados diários, 3 lags, segmento 2 ............................................................ 36
Tabela 11 - ITUB4: dados diários, 3 lags, segmento 3 ............................................................ 36
Tabela 12 – ITUB4: dados mensais, 3 lags, não segmentado .................................................. 37
Tabela 13 – BBDC4: dados diários, 3 lags, não segmentado .................................................. 38
Tabela 14 - BBDC4: dados diários, 3 lags, segmento 1 ........................................................... 39
10
Tabela 15 - BBDC4: dados diários, 3 lags, segmento 2 ........................................................... 39
Tabela 16 - BBDC4: dados diários, 3 lags, segmento 3 ........................................................... 40
Tabela 17 - BBDC4: dados mensais, 3 lags, não segmentado ................................................. 41
Tabela 18 – BRSR6: dados diários, 3 lags, não segmentado ................................................... 41
Tabela 19 - BRSR6: dados diários, 3 lags, segmento 1 ........................................................... 42
Tabela 20 - BRSR6: dados diários, 3 lags, segmento 2 ........................................................... 43
Tabela 21 - BRSR6: dados diários, 3 lags, segmento 3 ........................................................... 44
Tabela 22 - BRSR6: dados mensais, 3 lags, não segmentado .................................................. 44
Tabela 23 – BPBM4: dados diários, 3 lags, não segmentado .................................................. 45
Tabela 24 - BPBM4: dados diários, 3 lags, segmento 1........................................................... 46
Tabela 25 - BPBM4: dados diários, 3 lags, segmento 2........................................................... 47
Tabela 26 - BPBM4: dados diários, 3 lags, segmento 3........................................................... 47
Tabela 27 - BPBM4: dados mensais, 3 lags, não segmentado ................................................. 48
Tabela 28 – ABCB4: dados diários, 3 lags, não segmentado .................................................. 49
Tabela 29 - ABCB4: dados diários, 3 lags, segmento 1 ........................................................... 50
Tabela 30 - ABCB4: dados diários, 3 lags, segmento 2 ........................................................... 51
Tabela 31 - ABCB4: dados diários, 3 lags, segmento 3 ........................................................... 51
Tabela 32 - ABCB4: dados mensais, 3 lags, não segmentado ................................................. 52
Tabela 33 – BICB4: dados diários, 3 lags, não segmentado .................................................... 53
Tabela 34 - BICB4: dados diários, 3 lags, segmento 1 ............................................................ 54
Tabela 35 - BICB4: dados diários, 3 lags, segmento 2 ............................................................ 54
Tabela 36 - BICB4: dados diários, 3 lags, segmento 3 ............................................................ 55
11
Tabela 37 - BICB4: dados mensais, 3 lags, não segmentado ................................................... 56
Tabela 38 – Resumo por dados diários e série não segmentada ............................................... 57
Tabela 39 – Resumo por dados diários e segmento 1............................................................... 57
Tabela 40 – Resumo por dados diários e segmento 2............................................................... 58
Tabela 41 – Resumo por dados diários e segmento 3............................................................... 58
Tabela 42 – Resumo por dados mensais e série não segmentada ............................................. 59
12
LISTA DE SIGLAS E ACRÔNIMOS
ARCH, modelo Modelo Autorregressivo de Heterocedasticidade Condicional
BMF&Bovespa Bolsa de Valores, Mercadorias e Futuros de São Paulo
CAPM Capital Asset Pricing Model
CDI Certificado de Depóstio Interbancário, ou a Taxa over a ele associada
Cetip Central de Custódia e Liquidação Financeira de Títulos
FIPE Fundação Instituto de Pesquisas Econômicas
FINBRAX Centro Brasileiro para Pesquisa em Economia Financeira
GARCH, modelo Modelo Autorregressivo de Heterocedasticidade Condicional
Generalizado
HML High-Minus-Low (terceiro fator de Fama & French)
LCA Letra de Crédito do Agronegócio
LCI Letra de Crédito Imobiliário
LFT Letra Financeira do Tesouro
�� � �� Excesso de retorno do mercado (primeiro fator de Fama & French)
13
Selic Sistema Especial de Liquidação e Custódia, ou as taxas Meta ou over a ele
associada
SMB Small-Minus-Big (segundo fator de Fama & French)
14
LISTA DE CÓDIGOS BM&FBOVESPA DAS AÇÕES DE BANCOS
ABCB4 Código das ações preferenciais do Banco ABC - Brasil na BMF&Bovespa
BBAS3 Código das ações ordinárias do Banco do Brasil na BMF&Bovespa
BBDC4 Código das ações preferenciais do Bradesco na BMF&Bovespa
BPNM4 Código das ações preferenciais do Banco Panamericano na BMF&Bovespa
BRSR6 Código das ações preferenciais do Banrisul na BMF&Bovespa
ITUB4 Código das ações preferenciais do Itaú Unibanco na BMF&Bovespa
PINE4 Código das ações preferenciais do Banco Pine na BMF&Bovespa
15
SUMÁRIO
1 INTRODUÇÃO ............................................................................................... 16
2 METODOLOGIA ....................................... ..................................................... 19
2.1 O MODELO DE três fatores de FAMA & FRENCH (1993) ............................................................ 20
2.2 O MODELO PROPOSTO ................................................................................................................... 21
2.3 PERIODICIDADE DE DADOS, LAGS e SEGMENTAÇÃO .......................................................... 22
2.4 DADOS ................................................................................................................................................... 23
2.4.1 Fatores ................................................................................................................................................ 23 2.4.2 Bancos ................................................................................................................................................ 24
3 ANÁLISE DOS RESULTADOS ............................ ......................................... 28
3.1 BANCO DO BRASIL – BBAS3 ........................................................................................................... 30
3.2 ITAÚ – ITUB4 ....................................................................................................................................... 34
3.3 BRADESCO – BBDC4 ......................................................................................................................... 38
3.4 BANRISUL – BRSR6 ........................................................................................................................... 41
3.5 PANAMERICANO – BPBM4 .............................................................................................................. 45
3.6 BANCO ABC – ABCB4 ........................................................................................................................ 49
3.7 BIC BANCO – BICB4 .......................................................................................................................... 53
3.8 ANÁLISE GERAL ................................................................................................................................ 57
4 CONCLUSÃO ......................................... ....................................................... 61
REFERÊNCIAS BIBLIOGRÁFICAS ........................ ................................................. 63
APÊNDICE A – TAXAS SELIC META, SELIC REAL E CDI ... ................................. 65
16
1 INTRODUÇÃO
No Brasil coexistem duas taxas diárias, a Selic over e a CDI over, que concorrem no papel de
referência dos juros da economia. Ambas são formadas a partir de empréstimos entre os
bancos no mercado interbancário pelo prazo de um dia, ou seja, tratam-se basicamente o
mesmo tipo operação. As operações que formam a Taxa Selic contam com lastro em (garantia
de) títulos públicos federais, ao passo que as operações que formam a Taxa CDI consistem
apenas em empréstimos mediante títulos privados.
É compreensível que, a partir de suas semelhanças, as duas taxas apresentem valor numérico
próximo, mas não iguais, devido às suas diferenças. Como as operações que formam a Taxa
Selic contam com risco de crédito menor devido à garantia associada, esta taxa deveria ter
cotação mais baixa do que a da Taxa CDI.
O que se observa na prática é exatamente o inverso: a cotação da Taxa Selic registra-se
historicamente acima daquela da Taxa CDI. Assim, a diferença positiva da Selic pela CDI,
chamada de spread CDI-Selic, é um paradoxo do ponto de vista do risco. Apesar de esta
diferença ser relativamente pequena, dificilmente superando 0,15% anualizados, o fato da
Taxa Selic ser superior à taxa CDI cria uma situação desconfortável.
17
Se, por um lado, a Taxa CDI tem sido formada por aproximadamente dez operações que tem
somado em torno de R$ 2 bilhões diariamente, por outro, a remuneração paga pelos bancos
nas principais alternativas de aplicação em títulos privados (como os CDBs, LCAs e LCIs),
cujo valor financeiro em estoque ficou em R$ 716 bilhões em 18/08/2014, é comumente
atrelada à própria Taxa CDI. No cenário resultante tem-se que poucas operações feitas entre
os bancos são a referência para balizar a remuneração que estes mesmos bancos pagam a seus
investidores em seus títulos, mas em volumes muito maiores.
Considerando ainda que os bancos tem acesso ao mercado de títulos do Tesouro Nacional,
cuja remuneração pode ser atrelada diretamente à Selic (como as LFTs), e que a remuneração
dos títulos bancários é comumente atrelada à Taxa CDI, o spread CDI-Selic pode ainda criar
uma oportunidade de arbitragem financeira. Isto porque, desconsiderando pequenos custos
envolvidos, a captação à Taxa CDI e aplicação à Taxa Selic garantiria lucro sem a assunção
de riscos.
Desta forma, o objetivo desta dissertação é testar a influência do spread CDI-Selic no retorno
das ações dos bancos brasileiros. A ideia é analisar se o spread é percebido pelo mercado
como um fator que influencia o lucro dos bancos. A importância deste estudo está na geração
de informações que auxiliem o entendimento do paradoxo do spread CDI-Selic.
Para realizar esta análise, o retorno diário da cotação das ações de bancos brasileiros foi
utilizado como uma proxy para medir a expectativa de lucros destes bancos. O excesso de
retorno das ações foi admitido como a variável dependente no modelo de três fatores de Fama
& French (1993), e foi adicionado um quarto fator: o spread CDI-Selic (e três lags). Buscou-
se verificar se o spread se mostrava significativo de forma consistente, ou seja, caso este fator
18
fosse relevante, o mercado teria expectativa de maiores lucros dos bancos com o aumento do
spread CDI-Selic, precificados nos retornos de suas ações.
As regressões, entretanto, apresentaram raros resultados com significância estatística,
distribuídos dispersamente entre as diversas ações de bancos e lags, o que rejeitou a hipótese
sugerida de que o spread CDI-Selic influencia o retorno das ações dos bancos de forma
consistente.
Este estudo está dividido em quatro capítulos. O primeiro consiste nesta introdução que busca
explicar brevemente a motivação para o estudo, assim como seus objetivos, e apresentar
brevemente os resultados. O segundo capítulo estabelece os critérios utilizados para a seleção
de dados e a metodologia de análise a eles aplicada. O terceiro capítulo apresenta os
resultados obtidos individualmente para os bancos, assim como uma análise geral. Por fim, o
quarto capítulo apresenta a conclusão do trabalho.
19
2 METODOLOGIA
Apesar das vantagens do tradicional e difundido Modelo de Precificação de Ativos
Financeiros – CAPM, de Sharpe (1964) / Lintner (1965) / Mossin (1966) / Treynor (1961),
como a facilidade de implementação e uma base teórica simples e clara, este modelo tem sido
considerado demasiado simplista por considerar apenas um único fator – a correlação do
ativo/carteira analisado com o mercado – para explicar o retorno dos ativos. Atualmente, há
modelos mais avançados que podem incorporar variâncias e covariâncias que se alteram ao
longo do tempo, além de poder contar com outros fatores além do beta do CAPM.
O modelo escolhido para o desenvolvimento deste trabalho foi o modelo de três fatores de
Fama & French (1993), que adiciona outros dois fatores que potencializam sua capacidade
explicativa em relação ao CAPM de único fator.
Málaga & Securato (2004) testaram este modelo para a previsão de retornos no Brasil e o
resultado confirma a superioridade e a significância dos três fatores. Mussa, Santos & Famá
(2007) testam o modelo de 4 fatores de Carhart1 (1997) e verificam que os três fatores de
1 O quarto fator é o momento, definido pelos autores como o desempenho acumulado dos retornos das ações.
20
Fama & French são significativos para a maioria das carteiras. Por fim, Lucena & Pinto
(2005) confirmaram a significância dos fatores de Fama & French e adaptam este modelo
com a incorporação de parâmetros dos modelos ARCH e GARCH.
2.1 O MODELO DE TRÊS FATORES DE FAMA & FRENCH (1993)
Fama & French propõem um modelo alternativo ao CAPM que explica melhor o retorno dos
ativos (além de ações, também títulos de renda fixa). Para o retorno de ações apenas, o
modelo proposto pelos autores abrange três fatores: ��� � ���, SMB e HML. Os outros
fatores se mostraram relevantes apenas para o modelo que contempla títulos de renda fixa,
sendo desconsiderados para fins desta dissertação.
Desta forma, o modelo proposto por Fama & French e adotado como base deste estudo é o
seguinte:
� � �� ���� � �� � ∗ ��� � ∗ ��� �
Onde: � : taxa de retorno esperado da carteira.
�� : taxa de retorno do ativo sem risco, admitida pelos autores do modelo como a taxa do treasury bill de um mês.
�� : taxa de retorno da carteira de mercado.
��� (Small market capitalization Minus Big): diferença do retorno de uma carteira com as menores empresas e o retorno de uma carteira com as maiores empresas do estudo.
HML (High book-to-market ratio Minus Low): diferença do retorno de uma carteira com as empresas de alto VPA/P e o retorno de uma carteira com as empresas de baixo VPA/P do estudo.
21
O coeficiente � corresponde ao mesmo conceito do do CAPM, ou seja, é o coeficiente
atrelado ao excesso de retorno do ativo, adicionado do índice “3” apenas para relacioná-lo ao
modelo de três fatores de Fama & French.
2.2 O MODELO PROPOSTO
O modelo proposto consiste na adição do spread CDI-Selic como um quarto fator ao modelo
de três fatores. Desta forma, temos:
� � �� ���� � �� � ∗ ��� � ∗ ��� �� ∗ ������ � �� � �
Para as análises apresentadas na dissertação, os termos considerados foram os seguintes:
r : taxa de retorno da ação.
R# : Taxa Selic over.
R$ : taxa de retorno da carteira de mercado definida de acordo com os critérios da FIPE/FINBRAX e por ela calculado e publicado.
SMB e HML: de acordo com os critérios da FIPE/FINBRAX e por ela calculados e publicados.
Selic e CDI: são taxas diárias (over) disponibilizadas pela Economática.
O coeficiente � corresponde ao mesmo conceito do do CAPM, ou seja, é o coeficiente
atrelado ao excesso de retorno do ativo, adicionado do índice “4” apenas para relacioná-lo ao
modelo de quatro fatores proposto.
Já o coeficiente �� é o coeficiente atrelado ao spread CDI-Selic, cuja significância estatística
será avaliada neste estudo.
22
2.3 PERIODICIDADE DE DADOS, LAGS E SEGMENTAÇÃO
As regressões foram feitas para dados diários das séries disponíveis, contando também com
três termos de defasagem (lags) do spread CDI-Selic. Os lags consistem simplesmente do
próprios registros do spread de um, dois e três dias anteriores à data de referência das Taxas
CDI e Selic e da cotação da ação analisada.
A adoção dos lags é uma tentativa de identificar se há um prazo para que o efeito do spread
seja repassado à cotação das ações. Com os lags adicionados ao modelo proposto, as
regressões contam a rigor com ao menos sete fatores, sendo os três de Fama & French, o
spread CDI-Selic proposto e os seus três lags.
Também foram feitas as mesmas regressões acima sobre três períodos segmentados a partir da
série completa, os quais foram identificados com base na análise de padrões de acordo com o
gráfico do spread CDI-Selic em termos anualizados.
Figura 1 - Spread CDI-Selic anualizado, Segmentação
-0,30
-0,20
-0,10
0,00
0,10
0,20
0,30
01/08/2000 01/08/2003 01/08/2006 01/08/2009
Segmento 1
Segmento 2
Segmento 3
23
Segmento 1: de 17/10/2003 a 17/09/2008, sem tendência.
Segmento 2: de 29/07/2009 a 18/10/2011, sem tendência.
Segmento 3: de 08/11/2011 a 14/05/2012, tendência ascendente.
Destaca-se que no segmento 3 foi identificada uma tendência ascendente no tempo. Desta
forma, para as regressões deste segmento, foi adicionado ainda um oitavo termo associado a
uma variável tempo com primeiro registro igual a 1 e incrementos unitários.
Por fim, foram feitas ainda regressões para séries compostas apenas pelos primeiros registros
de cada mês, como uma aproximação do impacto em termos mensais do spread CDI-Selic no
retorno das ações. Estas regressões também são acompanhadas dos três lags propostos e
foram feitas apenas nas séries completas, ou seja, não foram adotados os segmentos utilizados
para as regressões diárias.
2.4 DADOS
2.4.1 Fatores
O cálculo dos três fatores originais de Fama & French não pertence ao escopo desta
dissertação. Desta forma, foram utilizadas as séries de retornos diários disponibilizadas pelo
FINBRAX no site2 da FIPE. Quando da coleta de dados para análise, realizada em novembro
de 2013, as séries dos fatores disponíveis iniciavam em 01/08/2000 e terminavam em
29/06/2012.
Foi possível utilizar diretamente as séries dos retornos diários dos fatores SMB e HML. Por
outro lado, a série de retornos correspondente ao ativo livre de risco (risk free) somente é
2 http://www.fipe.org.br/web/index.asp?aspx=/web/finbrax/index.aspx
24
disponibilizada em bases mensais. Desta forma, alternativamente foi utilizada a série de
retornos diários calculada com base na variação do índice Selic acumulado disponibilizado
para a LFT, de acordo com dados da Economática.
Com o cálculo desta série foi possível fazer a subtração do retorno da carteira de mercado
(��) calculado pelo FINBRAX, formando a série do excesso de retorno do mercado (�� �
��� com dados diários. A série do retorno do ativo livre de risco também foi utilizada para
fazer a subtração do retorno do CDI, este também obtido a partir de dados da Economática, e
formar a série do spread CDI-Selic utilizado como quarto fator no modelo proposto.
2.4.2 Bancos
O objetivo desta dissertação é analisar a influência do spread CDI-Selic no retorno das ações
de bancos comerciais, pois estes poderiam obter ganhos a partir desta diferença, os quais
seriam percebidos pelo mercado e expressados por meio da valorização das ações.
Desta forma, a partir de informações disponibilizadas pelo Banco Central no mês de setembro
de 2013, foram pré-selecionados os 41 maiores bancos que atuam no Sistema Financeiro
Nacional, de acordo com seus ativos totais. Destes, apenas 18 possuíam ações negociadas na
BM&FBovespa, conforme a tabela abaixo.
Instituição Financeira Código BM&F Ativo Total [R$] Banco do Brasil BBAS3 1.179.180.588 Itaú ITUB4 1.011.197.822 Bradesco BBDC4 778.670.753 Santander Brasil SANB4 475.021.713 BTG Pactual BBTG11 119.583.327 Banrisul BRSR6 53.753.617 Panamericano BPNM4 21.447.454 ABC Brasil ABCB4 17.201.596 BIC BICB4 15.754.560
25
Daycoval DAYC4 14.519.006 Banestes BEES4 14.111.004 Mercantil do Brasil BMEB4 13.931.535 Alfa BRIV4 13.723.862 Da Amazônia BAZA3 11.264.438 Pine PINE4 10.673.844 Sofisa SFSA4 4.227.294 Indusval IDVL4 4.176.751
Tabela 1 – Maiores bancos do Brasil com ações listadas na BM&FBovespa.
A quantidade de registros disponíveis para cada banco apresentou grande variação, seja
porque as séries históricas se iniciam em datas distintas, seja porque ações menos líquidas
apresentaram dias em que não houve registros de negociação (não foram negociadas). De
qualquer forma, apenas foram aproveitáveis os registros para as datas nas quais há a
disponibilidade de dados das séries dos fatores de Fama & French pela FIPE/FINBRAX, ou
seja, entre 01/08/2000 e 29/06/2012. Para garantir a maior de robustez estatística dos dados,
apenas os bancos cujas ações apresentavam cotações disponíveis para ao menos 1.000 dias no
período acima estabelecido foram considerados.
Como a expectativa de lucros dos bancos foi medida pelo mercado acionário, foi considerado
interessante também que as ações deveriam ter uma liquidez mínima para que sua cotação
refletisse de forma eficiente a influência do spread CDI-Selic. A liquidez foi medida com
base em dois indicadores, o índice de disponibilidade e a média de negociações diárias.
O índice de disponibilidade foi definido como a relação percentual entre o número de
registros válidos de cotações de ações e o número de dias úteis totais de acordo com o
divulgado nas séries disponibilizadas pela Economática. Apenas os bancos cujo índice de
disponibilidade foi maior ou igual a 90% foram considerados.
26
A média de negociações diárias indica o número médio de negociações realizadas por dia em
que a cotação esteve disponível, ou seja, este indicador não considera os dias em que não
houve registro de negociação (foi admitido que os dias sem registros já estavam sendo
penalizados pelo indicador índice de disponibilidade). Apenas os bancos cuja média de
negociações por dia foi maior ou igual a 100 foram considerados.
Após a aplicação dos três critérios acima descritos, apenas sete bancos atenderam aos
requisitos mínimos do estudo, conforme a Tabela 2.
Instituição Financeira
Código BM&F
N° de Dados disponíveis
Índice de Disponibilidade
Média de Neg/Dia
Banco do Brasil* BBAS3 2949 94.9% 3159 Itaú* ITUB4 2952 95,0% 4233 Bradesco* BBDC4 2952 95,0% 3794 Santander Brasil SANB4 1819 58,5% 32 BTG Pactual BBTG11 46 95,8% 1727 Banrisul BRSR6 1193 94,7% 990 Panamericano BPNM4 1143 94,8% 378 ABC Brasil ABCB4 1178 91,4% 254 BIC BICB4 1156 93,8% 199 Daycoval DAYC4 1234 94,4% 66 Banestes BEES4 742 69,3% 7 Mercantil do Brasil BMEB4 2407 39,8% 9 Alfa BRIV4 2077 66,8% 7 Da Amazônia BAZA3 2474 79,6% 54 Pine PINE4 1300 94,8% 98 Sofisa SFSA4 1269 94,0% 48 Indusval IDVL4 1133 87,3% 24 * dealers do Tesouro Nacional
Tabela 2 – Seleção de bancos dos estudo
Todos os sete bancos selecionados disponibilizam a seus clientes opções de investimentos
referenciadas à Taxa CDI, seja por meio de CDBs, LCIs, LCAs ou mesmo Fundos-DI. Destes,
27
três são dealers3 credenciados pelo Tesouro Nacional com acesso ao mercado primário de
títulos públicos, de acordo com consulta4 em setembro de 2014.
Por fim, as séries dos retornos �(das ações destes bancos foram criadas a partir da cotação de
fechamento de cada ativo, disponibilizada nas bases de dados da Economática:
�( ��(
�()*
Em que:
�( : retorno da ação em t
�( : cotação da ação em t
3 Os dealers são instituições financeiras credenciadas pelo Tesouro Nacional e pelo Banco Central do Brasil com o objetivo de promover o desenvolvimento dos mercados primário e secundário de títulos públicos. 4 http://www.tesouro.fazenda.gov.br/dealers
28
3 ANÁLISE DOS RESULTADOS
O modelo proposto foi testado no software Eviews por meio de regressões pelo método de
mínimos quadrados ordinários para cada um dos sete bancos selecionados, e de acordo com a
periodicidade, lags e segmentação descritos no item 2.3. Reorganizando os termos do modelo
proposto no item 2.2, temos que a regressão foi feita sobre:
�� � ��� � ���� � �� � ∗ ��� � ∗ ��� �� ∗ ������ � �� � �
Para cada regressão, a influência do spread CDI-Selic (e seus lags) no retorno das ações foi
avaliada por meio da significância estatística do fator proposto. Caso o Valor-p fosse igual ou
menor que 5%, rejeitamos a hipótese nula de que o respectivo regressor fosse nulo. Caso o
Valor-p fosse maior do que 5%, não rejeitamos (aceitamos) a hipótese nula de que o
respectivo regressor fosse nulo.
Também foi feita a análise dos resíduos de cada regressão nos aspectos de autocorrelação e de
heterocedasticidade. Para a identificação de autocorrelação foi utilizado o teste de
multiplicador de Lagrange de Breusch-Godfrey, incluindo-se dois lags de resíduo. Caso o
Valor-p fosse menor que 5%, rejeitamos a hipótese nula de que não há autocorrelação. Caso o
29
Valor-p fosse maior que 5%, não rejeitamos (aceitamos) a hipótese nula de que não há
autocorrelação.
Para a identificação de heterocedasticidade foi utilizado o teste de White. Caso o Valor-p
fosse menor que 5%, rejeitamos a hipótese nula de que não há heterocedasticidade. Caso o
Valor-P fosse maior que 5%, não rejeitamos (aceitamos) a hipótese nula de que não há
heterocedasticidade.
No caso de identificação de autocorrelação ou de heterocedasticidade, alternativamente foi
feita a regressão utilizando-se o estimador de Newey-West, consistente para os casos de
heterocedasticidade e autocorrelação.
No caso de identificação de heterocedasticidade, foi feita também a regressão seguindo o
método GARCH – generalized autoregressive conditional heteroskedasticity, de Tim
Bollerslev (1986). O modelo utilizado foi o GARCH (1,1), ou seja, admitindo-se o termo
ARCH de primeira ordem e o termo GARCH também de primeira ordem na equação da
variância. Assim, a variância foi modelada como dependendo do quadrado do erro no período
anterior e também do quadrado de seu próprio valor no período anterior.
Destaca-se que os valores dos coeficientes apresentaram, independente de sua significância
estatística, elevada ordem de grandeza. Isto se deve ao fato de que o spread CDI-Selic e,
consequentemente, seus lags, foi utilizado em bases diárias. Por outro lado, o retorno diário
das ações dos bancos, medido pela sua variação percentual, corresponde a valores de ordem
de grandeza significativamente superior.
30
Assim, o excesso de retorno das ações dos bancos, variável dependente das regressões,
apresenta a mesma ordem de grandeza do próprio retorno dos bancos – muito maior do que a
ordem de grandeza das variáveis independentes propostas. De qualquer forma, a importância
das regressões apresentadas está concentrada mais na análise da significância estatística do
fator proposto (e seus lags) do que no valor dos coeficientes encontrados.
3.1 BANCO DO BRASIL – BBAS3
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banco do Brasil.
Tabela 3 - BBAS3: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (79,3%; 18,7%; 92,6% e
20,7%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, ambos com valores-P nulos. A utilização do
estimador de Newey-West não tornou significante o fator proposto nem seus lags (valores-P:
80,3%; 25,1%; 92,9% e 20,1%).
BBAS3
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -0,99 0,793 -0,99 0,803 -0,40 0,913
SPREAD(-1) 5.836.146,00 0,187 5.836.146,00 0,251 2.905.063,00 0,545
SPREAD(-2) -0,41 0,926 -0,41 0,929 2.732.681,00 0,581
SPREAD(-3) -4.794.371,00 0,207 -4.794.371,00 0,201 -5.817.866,00 0,169
Breusch-Godfrey 0,000
White 0,000
LS LS (Newey-West) GARCH
Heterocedasticidade não rejeitada
Autocorrelação não rejeitada
31
Admitida a possibilidade de existência de heterocedasticidade nos resíduos, foi feita a
regressão pelo método GARCH(1,1). Entretanto, nenhum dos regressores analisados
apresentou significância estatística (valores-P: 91,3%; 54,5%; 58,1% e 16,9%) com a
utilização deste modelo.
Tabela 4 - BBAS3: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o segundo e terceiro lags do spread CDI-Selic
apresentaram significância estatística com valor-P de 1,3% e 2,8% - probabilidades inferiores
ao valor de referência de 5%. O spread CDI-Selic e o primeiro lag não obtiveram
significância estatística (valores-P: 86,8% e 52,0%).
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P nulo. A utilização do estimador de Newey-West manteve significantes o segundo e
terceiro lags do spread CDI-Selic (valores-P: 1,2% e 3,3%).
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
5,1%.
BBAS3
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD -1.960.649,00 0,868 -1.960.649,00 0,869
SPREAD(-1) -9.576.230,00 0,520 -9.576.230,00 0,566
SPREAD(-2) 3.685.940,00 0,013 3.685.940,00 0,012
SPREAD(-3) -2.604.015,00 0,028 -2.604.015,00 0,033
Breusch-Godfrey 0,000
White 0,051
LS LS (Newey-West)
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
32
Tabela 5 - BBAS3: dados diários, 3 lags, segmento 2
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (82,3%; 24,2%; 37,0 e 81,8%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P de 4,4% e 2,9% respectivamente.
A utilização do estimador de Newey-West não tornou significante o fator proposto nem seus
lags (valores-P: 81,6%; 14,2%; 39,5% e 79,7%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Novamente, nenhum dos regressores analisados apresentou
significância estatística (valores-P: 72,9%; 28,2%; 58,9% e 82,9%) com a utilização deste
modelo.
BBAS3
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD 3.502.981,00 0,823 3.502.981,00 0,816 5.247.910,00 0,729
SPREAD(-1) 2.081.005,00 0,242 2.081.005,00 0,142 1.983.375,00 0,282
SPREAD(-2) -1.596.818,00 0,370 -1.596.818,00 0,395 -9.089.315,00 0,589
SPREAD(-3) 3.607.939,00 0,818 3.607.939,00 0,797 -3.550.518,00 0,829
Breusch-Godfrey 0,044
White 0,029
LS LS (Newey-West) GARCH
Autocorrelação não rejeitada
Heterocedasticidade não rejeitada
33
Tabela 6 - BBAS3: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para o segmento 3, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (43,8%; 99,3%; 40,9% e 26,0%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P nulo. A utilização do estimador de Newey-West manteve a não significância dos
regressores propostos (valores-P: 47,3%; 99,0%; 20,7% e 18,0%).
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
33,6%.
Tabela 7 - BBAS3: dados mensais, 3 lags, não segmentado
BBAS3
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD 0,01 0,438 0,01 0,473
SPREAD(-1) 0,00 0,993 0,00 0,990
SPREAD(-2) -0,01 0,409 -0,01 0,207
SPREAD(-3) -0,02 0,260 -0,02 0,180
Breusch-Godfrey 0,000
White 0,336
LS LS (Newey-West)
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
BBAS3
Variável Coeficiente Valor-P
SPREAD 1.472.220,00 0,352
SPREAD(-1) -5.718.700,00 0,735
SPREAD(-2) -6.424.599,00 0,702
SPREAD(-3) -5.959.985,00 0,710
Breusch-Godfrey 0,379
White 0,099
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
34
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags
não obtiveram significância estatística pois apresentaram valores-P (35,2%; 73,5%; 70,2% e
71,0%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 37,9% e 9,9% respectivamente.
3.2 ITAÚ – ITUB4
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banco Itaú.
Tabela 8 - ITUB4: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o segundo lag do spread CDI-Selic
apresentou significância estatística com valor-P de 1,2% - probabilidade inferior ao valor de
referência de 5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística
(valores-P: 32,4%; 89,2% e 26,1%).
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 6,6%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
ITUB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -2.805.850,00 0,324 -2.805.850,00 0,500 -4.475.635,00 0,084
SPREAD(-1) 0,45 0,892 0,45 0,916 3.804.475,00 0,240
SPREAD(-2) 8.292.896,00 0,012 8.292.896,00 0,031 7.621.754,00 0,026
SPREAD(-3) -3.197.283,00 0,261 -3.197.283,00 0,325 -6.713.661,00 0,012
Breusch-Godfrey 0,066
White 0,000
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
Heterocedasticidade não rejeitada
35
valor-P nulo. A utilização do estimador de Newey-West manteve a significância apenas do
segundo lag, com valor-P de 3,1%, enquanto os outros regressores apresentaram valores-P de
50,0%; 91,6% e 32,5%.
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo, além do segundo lag (valor-P de 2,6%), o terceiro lag
passou a ter significância estatística com valor-P de 1,2%. Os outros regressores apresentaram
valores-P de 8,4% e 24,0%.
Tabela 9 - ITUB4: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para a segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o segundo lag do spread CDI-Selic apresentou
significância estatística com valor-P de 4,5% - probabilidade inferior ao valor de referência de
5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística (valores-P:
16,7%; 72,1% e 75,7%).
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 43,2% e 7,0% respectivamente.
ITUB4
Variável Coeficiente Valor-P
SPREAD -1.102.439,00 0,167
SPREAD(-1) -3.588.066,00 0,721
SPREAD(-2) 2.017.018,00 0,045
SPREAD(-3) -2.465.951,00 0,757
Breusch-Godfrey 0,432
White 0,070
Autocorrelação rejeitada
Heterocedasticidade rejeitada
LS
36
Tabela 10 - ITUB4: dados diários, 3 lags, segmento 2
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (72,9%; 15,4%; 93,0% e 41,1%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 47,6% e 22,6%
respectivamente.
Tabela 11 - ITUB4: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para o segmento 3, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o segundo e terceiro lags do spread CDI-Selic
apresentaram significância estatística com valor-P de 0,9% e 2,6% - probabilidades inferiores
ITUB4
Variável Coeficiente Valor-P
SPREAD 4.729.714,00 0,729
SPREAD(-1) 2.208.369,00 0,154
SPREAD(-2) -1.367.089,00 0,930
SPREAD(-3) -1.122.981,00 0,411
Breusch-Godfrey 0,476
White 0,226
Autocorrelação rejeitada
Heterocedasticidade rejeitada
LS
ITUB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -4.473.450,00 0,805 -4.473.450,00 0,783 -4.476.899,00 0,818
SPREAD(-1) 1.103.933,00 0,960 1.103.933,00 0,952 1.101.139,00 0,962
SPREAD(-2) 5.937.186,00 0,009 5.937.186,00 0,129 5.936.434,00 0,013
SPREAD(-3) -4.226.942,00 0,026 -4.226.942,00 0,067 -4.227.044,00 0,025
Breusch-Godfrey 0,586
White 0,024
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
Heterocedasticidade não rejeitada
37
ao valor de referência de 5%. O spread CDI-Selic e o primeiro lag não obtiveram
significância estatística (valores-P: 80,5 e 96,0%).
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 58,6%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
valor-P de 2,4%. A utilização do estimador de Newey-West tornou estatisticamente
insignificantes todos os regressores (valores-P: 78,3%; 95,2%; 12,9% e 6,7%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo foram mantidos estatisticamente significantes o segundo
e terceiro lags da regressão original, com valores-P de 1,3% e 2,5%. Os outros regressores
apresentaram valores-P de 81,8% e 96,2%.
Tabela 12 – ITUB4: dados mensais, 3 lags, não segmentado
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags
não obtiveram significância estatística pois apresentaram valores-P (5,5%; 70,2%; 80,4% e
30,4%) maiores que o valor de referência de 5%.
ITUB4
Variável Coeficiente Valor-P
SPREAD -1.865.884,00 0,055
SPREAD(-1) 3.963.478,00 0,702
SPREAD(-2) -2.563.051,00 0,804
SPREAD(-3) 1.013.467,00 0,304
Breusch-Godfrey 0,168
White 0,078
Heterocedasticidade rejeitada
Autocorrelação rejeitada
LS
38
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 16,8% e 7,8% respectivamente.
3.3 BRADESCO – BBDC4
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banco Bradesco.
Tabela 13 – BBDC4: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (63,9%; 14,1%; 9,8% e
46,4%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P de 1,0% e 0,0% respectivamente.
A utilização do estimador de Newey-West tornou significante o segundo lag, o qual obteve
valor-P de 5,0%. Os outros regressores obtiveram valores-P de 66,5%; 12,8% e 50,2%.
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Entretanto, nenhum dos regressores analisados apresentou significância
estatística (valores-P: 57,4%; 48,5%; 38,4% e 23,0%) com a utilização deste modelo.
BBDC4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD 1.246.638,00 0,639 1.246.638,00 0,665 1.673.290,00 0,574
SPREAD(-1) -4.542.617,00 0,141 -4.542.617,00 0,128 -2.529.722,00 0,485
SPREAD(-2) 5.114.344,00 0,098 5.114.344,00 0,050 3.437.445,00 0,384
SPREAD(-3) -1.945.186,00 0,464 -1.945.186,00 0,502 -3.795.395,00 0,230
Breusch-Godfrey 0,010
White 0,000
Autocorrelação não rejeitada
Heterocedasticidade não rejeitada
LS LS (Newey-West) GARCH
39
Tabela 14 - BBDC4: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (24,1%; 69,7%; 30,5% e 81,3%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 20,3%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
valor-P de 0,6%. A utilização do estimador de Newey-West manteve estatisticamente
insignificantes todos os regressores (valores-P: 26,4%; 73,8%; 25,7% e 79,7%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo foram mantidos estatisticamente insignificantes todos os
regressores (valores-P: 22,9%; 99,8%; 46,5% e 99,3%).
Tabela 15 - BBDC4: dados diários, 3 lags, segmento 2
BBDC4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -9.428.483,00 0,241 -9.428.483,00 0,264 -9.203.857,00 0,229
SPREAD(-1) -3.937.108,00 0,697 -3.937.108,00 0,738 -0,02 0,998
SPREAD(-2) 1.036.859,00 0,305 1.036.859,00 0,257 7.047.796,00 0,465
SPREAD(-3) 1.903.685,00 0,813 1.903.685,00 0,797 -0,07 0,993
Breusch-Godfrey 0,203
White 0,006
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
Heterocedasticidade não rejeitada
BBDC4
Variável Coeficiente Valor-P
SPREAD 1.637.648,00 0,171
SPREAD(-1) 6.058.125,00 0,655
SPREAD(-2) -4.919.186,00 0,717
SPREAD(-3) -1.249.385,00 0,297
Breusch-Godfrey 0,273
White 0,984
Heterocedasticidade rejeitada
LS
Autocorrelação rejeitada
40
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (17,1%; 65,5%; 71,7% e 29,7%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 27,3% e 98,4%
respectivamente.
Tabela 16 - BBDC4: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para o segmento 3, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (70,4%; 54,7%; 16,1% e 16,5%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P de 0,7%. A utilização do estimador de Newey-West manteve a não significância dos
regressores propostos (valores-P: 64,0%; 54,1%; 22,5% e 6,0%). O teste de White rejeitou a
presença de heterocedasticidade nos resíduos com valor-P de 87,6%.
BBDC4
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD -5.798.120,00 0,704 -5.798.120,00 0,640
SPREAD(-1) 1.110.325,00 0,547 1.110.325,00 0,541
SPREAD(-2) 2.634.521,00 0,161 2.634.521,00 0,225
SPREAD(-3) -2.205.610,00 0,165 -2.205.610,00 0,060
Breusch-Godfrey 0,007
White 0,876
Heterocedasticidade rejeitada
LS LS (Newey-West)
Autocorrelação não rejeitada
41
Tabela 17 - BBDC4: dados mensais, 3 lags, não segmentado
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags
não obtiveram significância estatística pois apresentaram valores-P (23,8%; 92,3%; 94,1% e
62,8%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 21,0% e 68,9%
respectivamente.
3.4 BANRISUL – BRSR6
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banrisul.
Tabela 18 – BRSR6: dados diários, 3 lags, não segmentado
BBDC4
Variável Coeficiente Valor-P
SPREAD -1.185.016,00 0,238
SPREAD(-1) -1.040.612,00 0,923
SPREAD(-2) 0,79 0,941
SPREAD(-3) 4.940.025,00 0,628
Breusch-Godfrey 0,210
White 0,689
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
BRSR6
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -3.774.409,00 0,677 -3.774.409,00 0,661 -1.565.421,00 0,878
SPREAD(-1) 1.784.046,00 0,131 1.784.046,00 0,178 1.738.272,00 0,156
SPREAD(-2) -0,93 0,937 -0,93 0,950 -9.658.493,00 0,377
SPREAD(-3) -2.096.857,00 0,021 -2.096.857,00 0,053 -1.243.204,00 0,167
Breusch-Godfrey 0,001
White 0,046
LS LS (Newey-West) GARCH
Autocorrelação não rejeitada
Heterocedasticidade não rejeitada
42
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o terceiro lag do spread CDI-Selic
apresentou significância estatística com valor-P de 2,1% - probabilidade inferior ao valor de
referência de 5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística
(valores-P: 67,7%; 13,1% e 93,7%).
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P de 0,1% e 4,6% respectivamente.
A utilização do estimador de Newey-West apresentou insignificantes todos os regressores,
com valores-P de 66,1%; 17,8%; 95,0 e 5,3%.
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Entretanto, nenhum dos regressores analisados apresentou significância
estatística (valores-P: 87,8%; 15,6%; 37,7% e 16,7%) com a utilização deste modelo.
Tabela 19 - BRSR6: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (85,0%; 20,9%; 84,5% e 43,3%) maiores
que o valor de referência de 5%.
BRSR6
Variável Coeficiente Valor-P
SPREAD -6.575.699,00 0,850
SPREAD(-1) 4.983.112,00 0,209
SPREAD(-2) 7.709.173,00 0,845
SPREAD(-3) -2.571.433,00 0,433
Breusch-Godfrey 0,463
White 0,682
Heterocedasticidade rejeitada
LS
Autocorrelação rejeitada
43
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 46,3% e 68,2%
respectivamente.
Tabela 20 - BRSR6: dados diários, 3 lags, segmento 2
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (77,0%; 40,0%; 50,3% e 95,6%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P nulo. A utilização do estimador de Newey-West manteve a não significância dos
regressores propostos (valores-P: 72,8%; 40,4%; 46,4% e 96,2).
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
85,1%.
BRSR6
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD -8.352.374,00 0,770 -8.352.374,00 0,728
SPREAD(-1) 2.731.992,00 0,400 2.731.992,00 0,404
SPREAD(-2) -2.176.773,00 0,503 -2.176.773,00 0,464
SPREAD(-3) -1.589.497,00 0,956 -1.589.497,00 0,962
Breusch-Godfrey 0,000
White 0,851
LS LS (Newey-West)
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
44
Tabela 21 - BRSR6: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para o segmento 3, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (78,9%; 83,2%; 21,4% e 41,2%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 51,7%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
valor-P de 4,1%. A utilização do estimador de Newey-West manteve estatisticamente
insignificantes todos os regressores (valores-P: 75,7%; 80,9%; 28,7% e 46,0%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo foram mantidos estatisticamente insignificantes todos os
regressores (valores-P: 80,8%; 87,3%; 25,3% e 47,7%).
Tabela 22 - BRSR6: dados mensais, 3 lags, não segmentado
BRSR6
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD 8.720.767,00 0,789 8.720.767,00 0,757 8.807.410,00 0,808
SPREAD(-1) -8.317.894,00 0,832 -8.317.894,00 0,809 -8.311.760,00 0,873
SPREAD(-2) 4.967.050,00 0,214 4.967.050,00 0,287 4.977.191,00 0,253
SPREAD(-3) -2.764.197,00 0,412 -2.764.197,00 0,460 -2.763.854,00 0,477
Breusch-Godfrey 0,517
White 0,041
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
Heterocedasticidade não rejeitada
BRSR6
Variável Coeficiente Valor-P
SPREAD -1.560.763,00 0,545
SPREAD(-1) -4.754.265,00 0,191
SPREAD(-2) 5.599.256,00 0,125
SPREAD(-3) -3.010.799,00 0,290
Breusch-Godfrey 0,783
White 0,082
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
45
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags
não obtiveram significância estatística pois apresentaram valores-P (54,5%; 19,1%; 12,5% e
29,0%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 78,3% e 8,2% respectivamente.
3.5 PANAMERICANO – BPBM4
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banco
Panamericano.
Tabela 23 – BPBM4: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (9,1%; 19,3%; 67,3% e
97,3%) maiores que o valor de referência de 5%.
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 17,7%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
BPBM4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -1.825.963,00 0,091 -1.825.963,00 0,073 0,00 1,000
SPREAD(-1) 1.825.373,00 0,193 1.825.373,00 0,112 1.379.240,00 0,327
SPREAD(-2) -5.919.935,00 0,673 -5.919.935,00 0,591 -1.162.493,00 0,349
SPREAD(-3) 0,36 0,973 0,36 0,965 -5.352.732,00 0,533
Breusch-Godfrey 0,177
White 0,003
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
Heterocedasticidade não rejeitada
46
valor-P de 0,3%. A utilização do estimador de Newey-West manteve estatisticamente
insignificantes todos os regressores (valores-P: 7,3%; 11,2%; 59,1% e 96,5%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo foram mantidos estatisticamente insignificantes todos os
regressores (valores-P: 100,0%; 32,7%; 34,9% e 53,3%).
Tabela 24 - BPBM4: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (55,3%; 15,5%; 43,3% e 47,0%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 46,5% e 67,2%
respectivamente.
BPBM4
Variável Coeficiente Valor-P
SPREAD 2.114.345,00 0,553
SPREAD(-1) -5.704.568,00 0,155
SPREAD(-2) 3.161.667,00 0,433
SPREAD(-3) 2.590.428,00 0,470
Breusch-Godfrey 0,465
White 0,672
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
47
Tabela 25 - BPBM4: dados diários, 3 lags, segmento 2
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (51,5%; 9,2%; 64,4% e 82,5%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P de 0,2%. A utilização do estimador de Newey-West tornou significante o primeiro
lag, o qual obteve valor-P de 1,5%. Os outros regressores obtiveram valores-P de 48,8%;
64,8% e 80,3%.
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
99,8%.
Tabela 26 - BPBM4: dados diários, 3 lags, segmento 3
BPBM4
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD -2.352.569,00 0,515 -2.352.569,00 0,488
SPREAD(-1) 6.911.217,00 0,092 6.911.217,00 0,015
SPREAD(-2) 1.894.310,00 0,644 1.894.310,00 0,648
SPREAD(-3) 8.006.890,00 0,825 8.006.890,00 0,803
Breusch-Godfrey 0,002
White 0,998
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
LS LS (Newey-West)
BPBM4
Variável Coeficiente Valor-P
SPREAD 4.605.220,00 0,107
SPREAD(-1) -2.122.379,00 0,536
SPREAD(-2) 3.765.716,00 0,279
SPREAD(-3) -0,59 0,984
Breusch-Godfrey 0,566
White 0,445
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
48
Na regressão com dados diários e três lags, para o segmento 3, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (10,7%; 53,6%; 27,9% e 98,4%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 56,6% e 44,5%
respectivamente.
Tabela 27 - BPBM4: dados mensais, 3 lags, não segmentado
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags
não obtiveram significância estatística pois apresentaram valores-P (46,2%; 75,9%; 44,3% e
79,7%) maiores que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P de 4,4%. A utilização do estimador de Newey-West tornou significante o segundo
lag, o qual obteve valor-P de 2,1%. Os outros regressores obtiveram valores-P de 61,5%;
63,8% e 51,9%.
BPBM4
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD 1.320.962,00 0,462 1.320.962,00 0,615
SPREAD(-1) -6.573.677,00 0,759 -6.573.677,00 0,638
SPREAD(-2) -1.559.958,00 0,443 -1.559.958,00 0,021
SPREAD(-3) 4.628.714,00 0,797 4.628.714,00 0,519
Breusch-Godfrey 0,044
White 0,698
LS LS (Newey-West)
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
49
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
69,8%.
3.6 BANCO ABC – ABCB4
Seguem abaixo as tabelas com os resultados das regressões para as ações do Banco ABC
Brasil.
Tabela 28 – ABCB4: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (66,5%; 90,3%; 63,2 e 70,3%)
maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P nulos. A utilização do estimador
de Newey-West não tornou significante o fator proposto nem seus lags (valores-P: 71,6%;
90,9%; 65,0% e 72,6%).
ABCB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -4.057.212,00 0,665 -4.057.212,00 0,716 2.015.475,00 0,846
SPREAD(-1) -1.485.063,00 0,903 -1.485.063,00 0,909 5.710.347,00 0,649
SPREAD(-2) 5.809.529,00 0,632 5.809.529,00 0,650 -4.585.237,00 0,696
SPREAD(-3) -3.562.076,00 0,703 -3.562.076,00 0,726 -9.102.681,00 0,286
Breusch-Godfrey 0,000
White 0,000
LS LS (Newey-West) GARCH
Autocorrelação não rejeitada
Heterocedasticidade não rejeitada
50
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Entretanto, nenhum dos regressores analisados apresentou significância
estatística (valores-P: 84,6%; 64,9%; 69,6% e 28,5%) com a utilização deste modelo.
Tabela 29 - ABCB4: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (84,1%; 66,7%; 33,2% e 79,9%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P de 2,3%. A utilização do estimador de Newey-West não tornou significante o fator
proposto nem seus lags (valores-P: 83,5%; 67,2%; 38,0% e 75,9%).
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
31,2%.
ABCB4
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD -5.427.709,00 0,841 -5.427.709,00 0,835
SPREAD(-1) -1.308.106,00 0,667 -1.308.106,00 0,672
SPREAD(-2) 2.955.239,00 0,332 2.955.239,00 0,380
SPREAD(-3) 6.859.132,00 0,799 6.859.132,00 0,759
Breusch-Godfrey 0,023
White 0,312
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
LS LS (Newey-West)
51
Tabela 30 - ABCB4: dados diários, 3 lags, segmento 2
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (53,4%; 19,9%; 70,9% e 18,3%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 42,6% e 90,0%
respectivamente.
Tabela 31 - ABCB4: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
ABCB4
Variável Coeficiente Valor-P
SPREAD 1.750.720,00 0,534
SPREAD(-1) 4.106.811,00 0,199
SPREAD(-2) 1.193.087,00 0,709
SPREAD(-3) -3.753.086,00 0,183
Breusch-Godfrey 0,426
White 0,900
LS
Autocorrelação rejeitada
Heterocedasticidade rejeitada
ABCB4
Variável Coeficiente Valor-P Coeficiente Valor-P
SPREAD 1.116.673,00 0,707 1.116.673,00 0,667
SPREAD(-1) -0,22 0,995 -0,22 0,995
SPREAD(-2) -1.763.940,00 0,628 -1.763.940,00 0,505
SPREAD(-3) -2.955.540,00 0,338 -2.955.540,00 0,234
Breusch-Godfrey 0,041
White 0,141
Autocorrelação não rejeitada
Heterocedasticidade rejeitada
LS LS (Newey-West)
52
significância estatística pois apresentaram valores-P (70,7%; 99,5%; 62,8% e 33,8%) maiores
que o valor de referência de 5%.
O teste de Breusch-Godfrey não rejeitou a presença de autocorrelação nos resíduos com
valor-P de 4,1%. A utilização do estimador de Newey-West não tornou significante o fator
proposto nem seus lags (valores-P: 66,7%; 99,5%; 50,5% e 23,4%).
O teste de White rejeitou a presença de heterocedasticidade nos resíduos com valor-P de
14,1%.
Tabela 32 - ABCB4: dados mensais, 3 lags, não segmentado
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic apresentou
significância estatística com valor-P de 1,9% - probabilidade inferior ao valor de referência de
5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística (valores-P:
9,5%; 10,6% e 17,5%).
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 81,8% e 99,0%
respectivamente.
ABCB4
Variável Coeficiente Valor-P
SPREAD -3.591.208,00 0,019
SPREAD(-1) 2.299.768,00 0,095
SPREAD(-2) -2.108.030,00 0,106
SPREAD(-3) 1.704.659,00 0,175
Breusch-Godfrey 0,818
White 0,990
Heterocedasticidade rejeitada
LS
Autocorrelação rejeitada
53
3.7 BIC BANCO – BICB4
Seguem abaixo as tabelas com os resultados das regressões para as ações do Bic Banco.
Tabela 33 – BICB4: dados diários, 3 lags, não segmentado
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (51,7%; 80,8%; 99,3% e
62,1%) maiores que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P de 1,5% e 0,0%. A utilização do
estimador de Newey-West não tornou significante o fator proposto nem seus lags (valores-P:
66,8%; 77,8%; 99,2% e 61,7%).
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Entretanto, nenhum dos regressores analisados apresentou significância
estatística (valores-P: 65,3%; 58,9%; 96,0% e 89,2%) com a utilização deste modelo.
BICB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -6.512.647,00 0,517 -6.512.647,00 0,668 -4.677.477,00 0,653
SPREAD(-1) 3.187.561,00 0,808 3.187.561,00 0,778 6.458.145,00 0,589
SPREAD(-2) -0,12 0,993 -0,12 0,992 -0,59 0,960
SPREAD(-3) 4.984.198,00 0,621 4.984.198,00 0,617 -1.401.468,00 0,892
Breusch-Godfrey 0,015
White 0,000
Heterocedasticidade não rejeitada
LS LS (Newey-West) GARCH
Autocorrelação não rejeitada
54
Tabela 34 - BICB4: dados diários, 3 lags, segmento 1
Na regressão com dados diários e três lags, para o segmento 1, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o terceiro lag do spread CDI-Selic apresentou
significância estatística com valor-P de 0,8% - probabilidade inferior ao valor de referência de
5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística (valores-P:
71,3%; 81,4% e 8,0%).
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 98,6% e 12,9%
respectivamente.
Tabela 35 - BICB4: dados diários, 3 lags, segmento 2
BICB4
Variável Coeficiente Valor-p
SPREAD 1.148.097,00 0,713
SPREAD(-1) -8.299.170,00 0,814
SPREAD(-2) -6.262.393,00 0,080
SPREAD(-3) 8.507.679,00 0,008
Breusch-Godfrey 0,986
White 0,129
Heterocedasticidade rejeitada
LS
Autocorrelação rejeitada
BICB4
Variável Coeficiente Valor-p
SPREAD 1.762.310,00 0,478
SPREAD(-1) 2.053.129,00 0,466
SPREAD(-2) -2.230.375,00 0,937
SPREAD(-3) -1.138.193,00 0,647
Breusch-Godfrey 0,240
White 0,070
Autocorrelação rejeitada
Heterocedasticidade rejeitada
LS
55
Na regressão com dados diários e três lags, para o segmento 2, observa-se que, pelo método
dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não obtiveram
significância estatística pois apresentaram valores-P (47,8%; 46,6%; 93,7% e 64,7%) maiores
que o valor de referência de 5%.
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a
presença destas características nos resíduos, com valores-P de 24,0% e 7,0% respectivamente.
Tabela 36 - BICB4: dados diários, 3 lags, segmento 3
Na regressão com dados diários e três lags, para a série não segmentada, observa-se que, pelo
método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic e seus lags não
obtiveram significância estatística pois apresentaram valores-P (8,3%; 50,9%; 30,4% e
24,4%) maiores que o valor de referência de 5%.
O teste de Breusch-Godfrey rejeitou a presença de autocorrelação nos resíduos com valor-P
de 13,9%. Já o teste de White não rejeitou a presença de heterocedasticidade nos resíduos com
valor-P de 4,5%. A utilização do estimador de Newey-West manteve estatisticamente
insignificantes todos os regressores (valores-P: 5,5%; 48,4%; 27,5% e 13,5%).
BICB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD 6.164.471,00 0,083 6.164.471,00 0,055 4.429.381,00 0,197
SPREAD(-1) -2.816.470,00 0,509 -2.816.470,00 0,484 -0,05 0,999
SPREAD(-2) 4.452.160,00 0,304 4.452.160,00 0,275 1.912.569,00 0,729
SPREAD(-3) -4.266.677,00 0,244 -4.266.677,00 0,135 -4.089.471,00 0,293
Breusch-Godfrey 0,139
White 0,045
Heterocedasticidade não rejeitada
LS LS (Newey-West) GARCH
Autocorrelação rejeitada
56
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo foram mantidos estatisticamente insignificantes todos os
regressores (valores-P: 19,7%; 99,9%; 72,9% e 29,3%).
Tabela 37 - BICB4: dados mensais, 3 lags, não segmentado
Na regressão com dados mensais e três lags, para a série não segmentada, observa-se que,
pelo método dos mínimos quadrados (LS – Least Squares), o primeiro lag do spread CDI-
Selic apresentou significância estatística com valor-P nulo - probabilidade inferior ao valor de
referência de 5%. O spread CDI-Selic e os outros lags não obtiveram significância estatística
(valores-P: 65,7%; 99,5% e 41,3%).
Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) não rejeitaram a
presença destas características nos resíduos, com valores-P de 2,0% e 0,0% respectivamente.
A utilização do estimador de Newey-West manteve significante o primeiro lag, o qual obteve
valor-P de 2,0%. Os outros regressores obtiveram valores-P de 70,7%; 99,5% e 45,3%.
Admitida a possibilidade de existência de heterocedasticidade, foi feita a regressão pelo
método GARCH(1,1). Neste modelo, além do primeiro lag (valor-P nulo), o terceiro lag
passou a ter significância estatística com valor-P de 0,9%. Os outros regressores apresentaram
valores-P de 51,7% e 99,1%.
BICB4
Variável Coeficiente Valor-P Coeficiente Valor-P Coeficiente Valor-P
SPREAD -7.800.437,00 0,657 -7.800.437,00 0,707 -7.800.512,00 0,517
SPREAD(-1) 8.515.342,00 0,000 8.515.342,00 0,020 8.515.310,00 0,000
SPREAD(-2) -0,13 0,995 -0,13 0,995 -0,13 0,991
SPREAD(-3) -1.461.205,00 0,413 -1.461.205,00 0,453 -1.461.159,00 0,009
Breusch-Godfrey 0,020
White 0,000
LS LS (Newey-West) GARCH
Autocorrelação não rejeitada
Heterocedasticidade não rejeitada
57
3.8 ANÁLISE GERAL
De uma maneira geral, as regressões não mostraram significância estatística consistente para o
spread CDI-Selic e seus lags. Nas tabelas abaixo, as frações correspondem à proporção de
vezes que as regressões indicaram coeficiente estatisticamente significante em relação ao total
de métodos de regressão utilizados (mínimos quadrados, mínimos quadrados com estimador
de Newey-West e GARCH) de acordo com os testes de autocorrelação e heterocedasticidade.
Tabela 38 – Resumo por dados diários e série não segmentada
Para as regressões com dados diários e série não segmentada, quatro categorias indicaram
significância estatística, com destaque para o segundo lag para o Itaú que contou com um
“3/3”. Entretanto, além do Itaú, o segundo lag somente apresentou significância estatística de
“1/3” para o Bradesco.
Tabela 39 – Resumo por dados diários e segmento 1
Ação SPREAD SPREAD(-1) SPREAD(-2) SPREAD(-3)
BBAS3 0/3 0/3 0/3 0/3
ITUB4 0/3 0/3 3/3 1/3
BBDC4 0/3 0/3 1/3 0/3
BRSR6 0/3 0/3 0/3 1/3
BPBM4 0/3 0/3 0/3 0/3
ABCB4 0/3 0/3 0/3 0/3
BICB4 0/3 0/3 0/3 0/3
Ação SPREAD SPREAD(-1) SPREAD(-2) SPREAD(-3)
BBAS3 0/2 0/2 2/2 2/2
ITUB4 0/1 0/1 1/1 0/1
BBDC4 0/3 0/3 0/3 0/3
BRSR6 0/1 0/1 0/1 0/1
BPBM4 0/1 0/1 0/1 0/1
ABCB4 0/2 0/2 0/2 0/2
BICB4 0/1 0/1 0/1 1/1
58
Para as regressões com dados diários e o segmento 1, três categorias indicaram significância
estatística, com destaque para o Banco do Brasil que contou com “2/2” para seus segundo e
terceiro lags. Apesar de o Itaú contar com uma fração de “1/1” para o segundo lag, os demais
bancos não obtiveram frações favoráveis que confirmassem a influência destes lags no
retorno das ações no segmento 1.
Tabela 40 – Resumo por dados diários e segmento 2.
Para as regressões com dados diários e o segmento 2, apenas o primeiro lag para o
Panamericano indicou significância estatística, ainda assim sendo um “1/2”. Este resultado
não contribui para associação do spread CDI-Selic ao retorno das ações no segmento 2.
Tabela 41 – Resumo por dados diários e segmento 3
Para as regressões com dados diários e o segmento 3, apenas o segundo e terceiro lags para o
Itaú apresentaram significância estatística – ambos com razoáveis “2/3”. Apesar disso, como
Ação SPREAD SPREAD(-1) SPREAD(-2) SPREAD(-3)
BBAS3 0/3 0/3 0/3 0/3
ITUB4 0/1 0/1 0/1 0/1
BBDC4 0/1 0/1 0/1 0/1
BRSR6 0/2 0/2 0/2 0/2
BPBM4 0/2 1/2 0/2 0/2
ABCB4 0/1 0/1 0/1 0/1
BICB4 0/1 0/1 0/1 0/1
Ação SPREAD SPREAD(-1) SPREAD(-2) SPREAD(-3)
BBAS3 0/2 0/2 0/2 0/2
ITUB4 0/3 0/3 2/3 2/3
BBDC4 0/2 0/2 0/2 0/2
BRSR6 0/3 0/3 0/3 0/3
BPBM4 0/1 0/1 0/1 0/1
ABCB4 0/2 0/2 0/2 0/2
BICB4 0/3 0/3 0/3 0/3
59
nenhum outro banco apresentou frações não nulas, não se pode concluir que estes lags de
spread CDI-Selic influenciem de forma consistente o retorno das ações dos bancos de uma
forma geral no segmento 3.
Tabela 42 – Resumo por dados mensais e série não segmentada
Para as regressões com dados mensais e série não segmentada, quatro categorias indicaram
significância estatística. Entretanto, apesar da boa fração encontrada no primeiro spread para
o Bic Banco (“3/3”), os resultados se apresentam dispersas em diferentes bancos e lags, o que
dificulta a interpretação de que os spreads influenciariam o retorno das ações dos bancos em
bases mensais.
Por fim, conforme apresentado nas tabelas, de uma forma geral as regressões sob diferentes
métodos, periodicidade e segmentos apresentaram raros coeficientes estatisticamente
significativos. Mesmo os resultados que não foram rejeitados pela análise estatística
ocorreram de forma dispersa entre diferentes ações de bancos e lags.
Ação SPREAD SPREAD(-1) SPREAD(-2) SPREAD(-3)
BBAS3 0/1 0/1 0/1 0/1
ITUB4 0/1 0/1 0/1 0/1
BBDC4 0/1 0/1 0/1 0/1
BRSR6 0/1 0/1 0/1 0/1
BPBM4 0/2 0/2 1/2 0/2
ABCB4 1/1 0/1 0/1 0/1
BICB4 0/3 3/3 0/3 1/3
60
Desta forma, a rara significância estatística dos termos propostos nas regressões e a falta de
consistência destes resultados não traz indícios de que o spread CDI-Selic influencie o retorno
das ações dos bancos.
61
4 CONCLUSÃO
O objetivo desta dissertação foi testar a influência do spread CDI-Selic no retorno das ações
dos bancos brasileiros. A ideia é analisar se o spread é percebido pelo mercado como um fator
que influencia o lucro dos bancos. O retorno diário sobre a cotação das ações de bancos
brasileiros foi utilizado como uma proxy para medir a expectativa de lucros destes bancos.
Para a realização desta análise foi utilizado o modelo de três fatores de Fama & French (1993)
adicionado do próprio spread CDI-Selic e seus três primeiros lags. Foram selecionados sete
bancos brasileiros cujas ações são negociadas na BM&FBovespa para a criação das séries de
excesso de retorno de ações utilizadas como variável dependente do modelo. As séries dos
fatores de Fama & French foram obtidas do site da FIPE/FINBRAX e complementadas com
dados obtidos na Economática.
Foram testadas séries com dados diários para a série completa (01/08/2000 a 29/06/2012) e
para três segmentos identificados a partir do gráfico do spread CDI-Selic (dois períodos
estáveis e um com tendência), além de séries com dados mensais. Além disso, de acordo com
os testes de autocorrelação e heterocedasticidade, além do método de mínimos quadrados
ordinários padrão, foram utilizados o método de mínimos quadrados com estimador de
Newey-West e o método que utiliza o modelo Garch(1,1).
62
As regressões apresentaram raros resultados com significância estatística, distribuídos
dispersamente entre diversas ações de bancos e lags, o que não traz indícios de que o spread
CDI-Selic influencie o retorno das ações dos bancos de forma consistente.
Por fim, como sugestão para a continuação da pesquisa no assunto, sugere-se a aplicação de
modelos alternativos de previsão do retorno de ações adicionados do fator de spread CDI-
Selic, ou mesmo a utilização dos fatores de Fama & French calculados especificamente a
partir de carteiras de ações bancárias.
63
REFERÊNCIAS BIBLIOGRÁFICAS
Black, F. S., Jensen, M. C., & Scholes, M. S. (1972). The capital asset pricing model: some empirical tests. In M. C. Jensen, Studies in the theory of capital markets (pp. 79-121).
Bonomo, M., & Garcia, R. (2002). Estimando e testando o CAPM condicional com efeitos ARCH para o mercado acionário brasileiro. In M. Bonomo, Finanças aplicadas ao Brasil (pp. 41-52). Rio de Janeiro: Editora FGV.
Carhart, M. M. (1997, Mar). On Persistence in Mutual Fund Performance. Journal of Finance, v. 52, n. 1, pp. 57-82.
Fama, E. F., & French, K. F. (Junho de 1992). The cross-section of expected returns. Journal of Finance, pp. 427-465.
Fama, E. F., & French, K. F. (1993). Common risk factors in the returns on stock and bonds. Journal of Financial Economics, pp. 3-56.
Gujarati, D. N. (2000). Econometria Básica 3a Edição. São Paulo: Pearson Makron Books.
Lintner, J. V. (1965). The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. Review of Economics and Statistics nº 47 (1), pp. 13-37.
Lucena, P., & Pinto, A. F. (2005). Estudo de anomalias no mercado brasileiro de ações através de uma modificação no modelo de Fama e French. In Encontro Anual da Associação Nacional de Programas de Pós-Graduação em Administração, 29. Brasília: ANPAD, 2005: Anais...
Malaga, F. K., & Securato, J. R. (2004). Estudo de anomalias no mercado brasileiro de ações através de uma modificação no modelo de Fama e French. In Encontro Anual da Associação Naciona lde Programas de Pós-Graduação em Administração, 28. Curitiba: ANPAD, 2004: Anais...
64
Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, Vol. 34, No. 4, pp. 768–783.
Mussa, A., Santos, J. O., & Famá, R. (2007). Adição do Fator de Risco Momento ao Modelo de Precifi cação de Ativos dos Três Fatores de Fama & French, Aplicado ao Mercado Acionário Brasileiro. In In: Congresso USP de Controladoria e Contabilidade, 7. São Paulo: USP, 2007: São Paulo.
Rayes, A. R., & Barbedo, C. D. (2011). O modelo de três fatores de Fama e French ainda explica os retornos no mercado acionário brasileiro? Revista Alcance, 52-61.
Ribenboim, G. (2002). Testes de versões do modelo CAPM no Brasil. In M. Bonomo, Finanças aplicadas ao Brasil. Rio de Janeiro: FGV Editora.
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium under conditions of risk. Journal of Finance nº 19 (3), pp. 425–442.
Stock, J. H., & Watson, M. W. (2010). Introduction to econometrics 3a edição. Pearson.
Tambosi Filho, E., da Costa Júnior, N. C., & Rosseto, J. (2006). Testando o CAPM condicional nos mercados brasileiro e norte-americano. Revista de Administração Contemporânea v.10 n.4, 153-168.
Treynor, J. L. (1961). Market Value, Time, and Risk. Manuscrito não publicado.
Treynor, J. L. (1962). Toward a Theory of Market Value of Risky Assets. Manuscrito não publicado.
Vicente, J. M., & Guillen, O. T. (Outubro de 2010). Do inflation-linked bonds contain information about future inflation. Working Paper Series, Banco Central do Brasil.
65
APÊNDICE A – TAXAS SELIC META, SELIC REAL E CDI
No Brasil, a principal ferramenta de política monetária utilizada pelo Banco Central5 em sua
atribuição de defender a estabilidade do poder de compra da moeda é a definição da taxa Selic
Meta. Esta taxa, que referencia todas as taxas de juros da economia brasileira, pode ser
admitida como o custo ou o preço base do dinheiro no mercado nacional.
Desta forma, de uma maneira geral, pode-se interpretar a relação do custo do dinheiro com o
poder de compra da moeda de duas formas simples. A primeira forma é admitir que uma
pessoa possui dinheiro para consumir agora: quanto maior a taxa de juros, maior será a
propensão de ela aplicar seu dinheiro para render juros e adiar sua decisão de compra – o que
reduz a demanda de bens na economia e, consequentemente, diminui a inflação e mantém o
poder de compra da moeda. A segunda forma é admitir que a pessoa não possui o dinheiro:
quanto maior a taxa de juros, menor será a propensão de ela tomar um empréstimo para o
consumo imediato, o que também reduz a demanda, diminui a inflação e mantém o poder de
compra da moeda.
As duas formas de pensar caminham no mesmo sentido de que o aumento das taxas de juros
reduz a inflação, mas este aumento possui outro efeito na economia, inibindo o seu
5 Missão do Banco Central do Brasil: Assegurar a estabilidade do poder de compra da moeda e um sistema financeiro sólido e eficiente. (www.bcb.gov.br)
66
crescimento – pois além de reduzir a expectativa de demanda por bens e serviços, torna mais
caro o investimento por parte das empresas.
Assim, cabe ao Banco Central, mais precisamente ao Comitê de Política Monetária –
COPOM, em suas reuniões a cada 45 dias – decidir qual dosagem do remédio, ou seja, qual a
taxa de juros ideal para que a inflação seja mantida dentro dos limites6 tolerados sem que o
crescimento da economia seja demasiadamente limitado.
Uma vez definida a meta da Selic, o Banco Central irá operar para trazer a taxa Selic Real
para o mesmo patamar da Selic Meta. Isto é feito por meio da compra/venda de títulos
públicos do Tesouro em posse dos dealers no mercado aberto (open market), o que leva à
expansão/contração da base monetária e à alteração do preço e da taxa de juros dos títulos.
Estes títulos públicos podem ser utilizados como lastro no mercado interbancário, isto é,
podem ser dados em garantia nos empréstimos entre os bancos em operações de um dia
(overnight). Desta forma, um banco compra títulos de outro com a garantia de que este irá
recomprá-los no dia seguinte com juros.
Este tipo de operação normalmente é feito entre os bancos ao final do dia para equilibrar suas
reservas junto ao Banco Central. Os bancos cujos saldos estão abaixo do mínimo determinado
buscam recursos com bancos cujos saldos ficaram acima do seu mínimo determinado para
fazer este ajuste, que dura apenas até o dia seguinte.
6 A determinação numérica da meta da inflação e dos intervalos de tolerância são definidos anualmente pelo Conselho Monetário Nacional, de acordo com o Decreto Presidencial n° 3088, de21/06/1999.
67
Quando a operação no mercado interbancário possui o lastro em títulos públicos federais, ela
é registrada no Selic – Sistema Especial de Liquidação e Custódia, que é um sistema
informatizado que se destina à custódia de títulos escriturais de emissão do Tesouro Nacional,
bem como ao registro e liquidação de operações com estes títulos. Assim, a média ponderada
pelo volume das operações de financiamento por um dia, lastreadas em títulos públicos
federais e realizadas no Selic, na forma de operações compromissadas, corresponde à
chamada taxa Selic Over ou Selic Real. Trata-se de uma taxa diária (overnight), mas que, por
ser numericamente pequena, é comumente expressa de forma anualizada. Mais precisamente,
de acordo com o Banco Central do Brasil, o conceito de taxa Selic é:
“Define-se Taxa Selic como a taxa média ajustada dos financiamentos diários apurados no
Sistema Especial de Liquidação e de Custódia (Selic) para títulos federais. Para fins de
cálculo da taxa, são considerados os financiamentos diários relativos às operações registradas
e liquidadas no próprio Selic e em sistemas operados por câmaras ou prestadores de serviços
de compensação e de liquidação (art. 1° da Circular n° 2.900, de 24 de junho de 1999, com a
alteração introduzida pelo art. 1° da Circular n° 3.119, de 18 de abril de 2002).”
Quando a operação não possui lastro nos títulos públicos, ela é feita por meio de CDIs –
Certificados de Depósito Interbancário ou Interfinanceiro, cujo registro é feito na Cetip –
Central de Custódia e Liquidação Financeira de Títulos. A Cetip, por sua vez, calcula7 e
divulga a Taxa DI Over ou CDI Over (Extra-Grupo) – que é a média ponderada de todas8 as
taxas e transações efetuadas na Cetip entre instituições de conglomerados diferentes. De
acordo com a Cetip:
7 A metodologia de cálculo da Taxa DI sofreu ajustes em 07/10/2013. 8 Além do CDI, outros títulos privados são negociados e registrados no Cetip, em menor escala, tais como CDBs, debêntures e outros.
68
“As estatísticas do ativo Taxa DI-Cetip Over (Extra-Grupo) são calculadas e divulgadas pela
Cetip, apuradas com base nas operações de emissão de Depósitos Interfinanceiros pré-fixados,
pactuadas por um dia útil e registradas e liquidadas pelo sistema Cetip, conforme
determinação do Banco Central do Brasil. No universo do mercado interbancário são
selecionadas as operações de 1 (um) dia útil de prazo (over), considerando apenas as
operações realizadas entre instituições de conglomerados diferentes (Extra-grupo),
desprezando-se as demais (Intra-Grupo).”