anÁlise da matriz de correlaÇÃo de aÇÕes na bolsa de ... · a bolsa de valores de são paulo,...
Post on 04-Oct-2018
214 Views
Preview:
TRANSCRIPT
1
ANÁLISE DA MATRIZ DE CORRELAÇÃO
DE AÇÕES NA BOLSA DE VALORES DE
SÃO PAULO EM PERÍODO DE CRISE
Eloa Tessaroli (UNESP )
eloatessaroli@hotmail.com
Antonio Fernando Crepaldi (UNESP )
crepaldi@feb.unesp.br
A grande complexidade da estrutura e da dinâmica dos sistemas
econômicos faz com que pesquisadores dediquem esforços para criação de
modelos matemáticos que possam descrever as características dessa
dinâmica. Como um desses modelos tem-se aa Matriz de Correlação, que
aplicada ao setor financeiro, é capaz de medir o grau de relacionamento
entre ações, e este grau, se elevado, é capaz de revelar alguma tendência
de mercado. O objetivo deste trabalho é calcular o grau de correlação
entre diferentes ações da Bolsa de Valores de São Paulo, no período que
corresponde à última crise financeira mundial, denominada Subprime,
assim como no período que antecede e sucede.
Palavras-chaves: Matriz de Correlação, Crise do Subprime, Estrutura e
Dinâmica Financeira.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
2
1. Introdução
Nos últimos anos tem crescido o interesse de profissionais da Física no estudo de sistemas
econômicos (PLEROU et al., 2000). Surge então a econofísica: métodos e conceitos da Física
aplicados em estudos sobre o setor financeiro, desenvolvendo assim diferentes modelos e
abordagens teóricas para descrever as características da dinâmica financeira. Propriedades
estatísticas de preço, flutuações e correlações entre diferentes ações podem ser estudadas, não
apenas para entendimento de sua complexa estrutura e dinâmica, mas também para facilitar a
prática de alocação de ativos, e estimativa de risco da carteira (MANTEGNA; STANLEY, 2000).
A presença de correlações e anticorrelações entre pares de ações é conhecida a muito tempo e
representa um importante papel na seleção do portfólio mais eficiente de ações, por isso a
importância de se saber a quantidade de sincronização presente na sua dinâmica. Para isso, deve-
se considerar estudos que visam detectar o número de fatores econômicos afetando a dinâmica
dos preços das ações em um mercado financeiro, como o desenrolar de uma crise financeira, por
exemplo (SANDOVAL; FRANCA, 2011).
Neste artigo, será analisado como as ações brasileiras se comportaram durante a última crise
financeira mundial, denominada Crise do Subprime. A análise será feita mediante a apresentação
da Matriz de Correlação das 16 ações mais significativas, em termos de composição do
IBOVESPA, de modo a observar essa variável no período que envolve os reflexos da crise do
Subprime no mercado brasileiro, bem como os períodos em sua vizinhança, compreendendo,
portanto, o período de Julho/2007 a Dezembro/2010. Essas 16 ações foram escolhidas de modo
que representassem diferentes setores da economia brasileira. Busca-se observar se existe alguma
alteração significativa na Matriz de Correlação no período justamente anterior a crise, de tal
maneira a antecipar os comportamentos subsequentes.
2. Fundamentação teórica
2.1 A econofísica
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
3
Economistas e matemáticos são os pesquisadores com mais tradição quando se trata de sistemas
financeiros. Porém, recentemente um crescente número de físicos está dedicando esforços para
analisar o sistema econômico, contribuindo com estudos sobre o mercado financeiro a partir de
ferramentas e metodologias desenvolvidas em física estatística. A física estatística descreve
sistemas complexos como sendo um grande número de unidades interagindo entre si.
Analogamente, sistemas econômicos, como mercados financeiros, são compostos de um grande
número de agentes econômicos: os participantes do mercado que compram e vendem ativos a fim
de realizar suas negociações e decisões de investimento. Esses agentes são pessoas que interagem
umas com as outras, influenciados pelo clima econômico no qual estão inseridos, tentados a
comprar quando o clima está bom, e vender quando o clima está ruim. O fluxo sobreposto de
todas as ordens individuais submetidas ao sistema de negociação de bolsas pelos participantes do
mercado, e, é claro, a sua mudança no tempo, gera um sistema complexo com propriedades
semelhantes aos sistemas físicos. Sendo assim, mercados financeiros são sistemas complexos
evoluídos, que são continuamente monitorados e onde cada transação econômica é arquivada
(PREIS; STANLEY, 2010). A evolução de uma variedade de mercados financeiros é aleatória,
assim como o movimento de partículas em um movimento Browniano, e são ambas governadas
por leis probabilisticas. Por esse motivo, o mercado financeiro tornou-se um campo atrativo e
desafiador para esses pesquisadores (PLEROU et al., 2000).
Uma atividade chave de instituições financeiras é a gestão de riscos. Trata-se de uma tarefa
complexa que se beneficia de uma aproximação multidisciplinar. As aproximações feitas por
físicos são complementares àquelas feitas por disciplinas tradicionais da Economia. De acordo
com Mantegna (2000), isso faz aumentarem as chances de se obter sucesso da forma mais
eficiente em um ambiente competitivo. Nasce então a econofísica: termo criado por H.E. Stanley
nos anos 90 para denotar as atividades de físicos que estão trabalhando em problemas
econômicos para testar uma variedade de novas aproximações conceituais derivadas da ciência
física. Trata-se de um campo de pesquisa multidisciplinar, que aplica as teorias e métodos da
física no campo da economia, a fim de resolver problemas que incluem incertezas, como os
mercados financeiros. Alguns modelos da física que foram agregados à econofísica incluem a
teoria cinética dos gases, modelos de percolação, modelos caóticos, mecânica estatística e teoria
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
4
da matriz aleatória. Esta última pode ser usada para identificar ruídos em matrizes de correlação
entre ativos financeiros, podendo otimizar o desempenho das carteiras (MANTEGNA;
STANLEY, 2000).
2.2 Crise do subprime
A Crise do Subprime surgiu em 2006 como uma crise imobiliária e no mercado de hipotecas nos
Estados Unidos, conhecido com mercado de Subprime. Nos anos que se antecederam a crise, o
preço dos imóveis norte-americanos estava em alta, assim como a liquidez no mercado
internacional, fazendo com que bancos e financeiras dos Estados Unidos emprestassem mais
dinheiro para credores com histórico de crédito ruim e sem renda comprovada. Como esses
empréstimos para pessoas com histórico de inadimplência embutem maior risco, eles têm juros
maiores, tornando-os mais atrativos para gestores de fundos e bancos em busca de retornos
melhores. Após atingir um pico em 2006, o preço dos imóveis passou a cair. Como os juros eram
muito altos, a inadimplência cresceu e o temor de calotes fez o crédito sofrer uma desaceleração
expressiva no país, desaquecendo a maior economia do planeta (BROOKS, 2008). A crise só foi
revelada ao público em fevereiro de 2007, e segundo economistas, seria a mais grave desde a
crise de 1929 (PEREIRA, 2008).
A crise alcançou seu pico em setembro de 2008, com a queda de cinco grandes bancos de
investimento dos EUA, influenciando a liquidez dos empréstimos interbancários e afetando assim
o mercado de dinheiro, repercutindo fortemente sobre as bolsas de valores de todo o mundo.
Como reflexo dessa crise, a maioria das economias mundiais se retraiu, o fluxo de exportação
caiu, empresas foram à falência, algumas entraram em recesso. A Bolsa de Valores de São Paulo,
que é a terceira maior do mundo em valor de mercado, chegou a cair 10,16% no segundo
semestre de 2007 e teve suas operações interrompidas (PEREIRA, 2008).
Todas as fases da crise coincidiram com as reações dos mercados de ações. Assim, não é muito
difícil motivar a necessidade de um modelo de mercado financeiro realista. A capacidade de
compreender falhas econômicas e outros grandes riscos seria de utilidade óbvia para a política e a
pesquisa (PREIS, 2011).
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
5
2.3 Matriz de correlação
Uma forma bastante útil de se analisar simultaneamente a associação entre variáveis aleatórias é
obter a Matriz de Correlação. Correlação, também chamada de coeficiente de relação, mede a
força e a direção do relacionamento linear entre duas variáveis aleatórias (SIMOHYL;
MIRANDA, 2007). Correlacionar significa estabelecer relação mútua entre dois termos. Quando
se estuda a relação entre duas variáveis X e Y, deve-se entender o conceito de covariância. Se a
variância é uma estatística por meio da qual chegamos ao desvio-padrão, que é uma medida de
dispersão, da mesma forma a covariância é uma estatística por meio da qual chegamos ao
coeficiente de correlação, que mede o grau de associação “linear” entre duas variáveis aleatórias
X e Y. A matriz de correlação calcula a correlação entre todas as variáveis, logo é uma matriz
simétrica e na diagonal sempre terá o valor 1, uma vez que se trata da correlação da variável com
ela mesma, e cada interseção linha (i) e coluna (j) mostra a correlação das variáveis Xi e Xj
(SIMOHYL; MIRANDA, 2007).
A matriz abaixo generaliza uma matriz de correlação entre as variáveis,
A correlação nunca pode ser maior do que 1 ou menor do que -1. Uma correlação próxima à zero
indica que as duas variáveis não estão relacionadas. Uma correlação positiva indica que as duas
variáveis movem juntas, e a relação é mais forte quando a correlação se aproxima a 1.Uma
correlação negativa indica que as duas variáveis movem-se em direções opostas, e que a relação
fica mais forte quanto mais próxima de -1. Duas variáveis que estão perfeitamente
correlacionadas positivamente movem-se essencialmente em perfeita proporção na mesma
direção, enquanto dois conjuntos que estão perfeitamente correlacionados negativamente movem-
se em perfeita proporção em direções opostas (SIMOHYL; MIRANDA, 2007).
2.3.1 Matriz de correlação aplicada a pares de ações
(1)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
6
No mercado financeiro muitas ações são tratadas simultaneamente. Uma maneira de detectar
similaridades e diferenças entre pares de ações numa evolução temporal simultânea é estudando o
coeficiente de correlação ρij entre mudanças logarítmicas diárias no preço de duas ações i e j.
Generalizando, nós podemos definir o valor do retorno para a ação i como:
Então,
Aqui, Yi é o preço de fechamento diário da ação i no tempo t, e Si é a variação logarítmica diária
do preço da ação i. Os colchetes angulares indicam a média ao longo do tempo de todos os dias
de negociação dentro do período investigado. Com essas definições, o coeficiente de correlação
ρij pode assumir valores variando entre -1 e 1, com três valores em especial:
Onde:
1: indica ações completamente correlacionadas;
0: indica ações não correlacionadas;
-1: indica ações completamente anticorrelacionadas.
2.3.2 Estudo sobre o portfólio Dow-Jones
O estudo a seguir, feito por Rosario N. Mantegna e H. Eugene Stanley no início dos anos 2000, é
um exemplo da utilização da matriz de correlação no mercado de ativos (MANTEGNA;
STANLEY, 2000).
Foi realizada a investigação do ρij nas 30 ações da Bolsa de Valores de Nova York usadas para
computar o índice Dow-Jones. Para as 30 ações do DJIA (Down-Jones Industrial Average),
temos (30 x 29)/2 = 435 diferentes ρij. Todos os ρij são calculados para cada período investigado.
A tabela 1 sumariza os valores mínimos e máximos de ρij. Da tabela 1 é evidente que o típico
(2)
(3)
(4)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
7
valor máximo de ρij é acima de 0,5, então nesse portfólio existe correlação positiva entre os pares
de ações. O valor mínimo típico é próximo de zero, então o grau de anticorrelação é baixo.
Tabela 1- Mínimos e máximos valores de correlação observados nas 30 ações do Índice Down-
Jones
Período Mínimo Máximo
1990 0,02 0,73
1991 -0,01 0,63
1992 -0,10 0,63
1993 -0,16 0,63
1994 -0,06 0,51
Fonte: MANTEGNA, Rosario N.; STANLEY, Eugene. Introduction to econophysics correlation and complexity
in finance
3. Metodologia da pesquisa
Primeiramente, foi necessário verificar quais ações seriam interessantes para este estudo. Para
isso, obteve-se uma lista contendo a participação de cada uma das principais ações brasileiras
para Maio a Agosto de 2007, e depois novamente para Setembro a Dezembro de 2010
(BMF&BOVESPA, 2013). As ações que permaneceram com significativa participação foram
separadas.
Depois de separar quais permaneceram significativas por todo o período, as 16 ações foram
escolhidas de modo que pudessem representar diferentes setores da economia. Essas ações estão
listadas na Tabela 2:
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
8
Tabela 2 - Lista das 16 ações escolhidas
Ambev (AMBV4) Itau S/A (ITSA4)
Banco do Brasil (BBAS3) Klabin (KLBN4)
Bradesco (BBDC4) Lojas Renner (LREN3)
Cemig (CMIG4) Petrobrás PN (PETR4)
Comgas (CGAS5) Petrobrás ON (PETR3)
Cyrela (CYRE3) Siderúrgica Nacional (CSNA3)
Gerdau (GGBR4) Telemar (TNLP4)
Gol (GOLL4) Usiminas (USIM5)
Fonte: BMF Bovespa- Índices
Para obtenção do banco de dados, foram analisados os valores de fechamento diários das 16
ações escolhidas, no período entre 2 de Julho de 2007 a 31 de Dezembro de 2010,
correspondendo a um total de 897 dias (BMF&BOVESPA, 2013; YAHOO! FINANÇAS, 2013). Se o
preço de uma ação estivesse faltando em um dos dias, este era assumido como o mesmo do dia
anterior. Depois de realizado esse procedimento, todas as ações tiveram seus valores plotados, e
estes gráficos foram comparados com os gráficos do “Yahoo! Finanças” e da “Uol Economia”,
para verificar a confiabilidade dos dados (YAHOO! FINANÇAS, 2013; UOL Economia, 2013).
Foi observado que alguns gráficos apresentavam comportamento diferente do esperado, e isso
ocorria devido ao grande número de desdobramentos da ação no período (split). Para eliminar
esse erro, dividiu-se o valor das ações, a partir do desdobramento, pelo número de ações que cada
unidade de ação anterior passou a representar.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
9
Com todos os valores avaliados e corrigidos, fez-se o cálculo para obtenção do valor do retorno
das ações. Para calcular a variação dos preços, ou seja, o retorno, em termos diários, utilizou-se a
diferença entre os logarítimos dos preços:
r (t) = ln S(t+Δt) – ln S(t),
sendo r o retorno, S o preço, t o tempo, e Δt o incremento temporal. Como se trata de um índice
diário, o Δt utilizado foi igual a 1.
A escolha da forma de cálculo, a partir do logaritmo, se deve a sua facilidade de desconto de
qualquer tipo de deflação (constante) que possa ter sido gerada no intervalo de tempo entre os
dois períodos, sem que este valor tenha que ser previamente conhecido. Além disso, a variação
por logaritmo se aproxima muito da variação percentual (CREPALDI, 2007).
Assim, para início de estudo, toda a série de preços foi transformada em série de retorno. Esses
cálculos, assim como todos os outros cálculos e gráficos gerados, encontram-se em anexo, e
foram feitos utilizando o software de computação algébrica MATLAB.
Depois de obtido o retorno, foi feito um programa que calculava a correlação entre todos os
ativos, separando-os por períodos de 20 dias, o que corresponde aproximadamente ao número de
dias úteis em um mês. Obteve-se, assim, 44 períodos de 20 dias, que, em seguida, foram
transformados em figuras, para possibilitar melhor visualização e interpretação dos resultados.
4. Resultados obtidos
Depois de realizados e testados todos os programas para manipulação dos dados, obteve-se como
resposta um total de 44 gráficos, cada um representando um mês do período analisado. Cada
gráfico continha pontos representando os valores das correlações entre as 16 ações no período de
20 dias.
Para possibilitar a visualização e consequente interpretação dos gráficos, cada ponto foi colorido
de acordo com a seguinte legenda, mostrada na Tabela 3:
Tabela 3 - Legenda de cores dos gráficos
(5)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
10
Cor Correlação
Preto de -1 a - 0,5
Azul de - 0,5 a 0
Verde de 0 a 0,5
Vermelho de 0,5 a 1
Fonte: Autor
Desse modo, pontos pretos representam forte anticorrelação, e pontos vermelhos são valores
fortemente correlacionados. Os pontos azuis e verdes possuem correlação de média a fraca, tanto
positivamente como negativamente.
Todos os gráficos encontram-se no anexo IV. Na figura 1 segue um exemplo:
Figura 1 - Exemplo de gráfico de correlação
Fonte: Autor
Neste mês, escolhido aleatoriamente, encontramos pontos vermelhos, verdes e azuis, com
predominância de pontos vermelhos. Portanto, pode-se dizer que se trata de um mês onde os
retornos das ações estavam, de um modo geral, fortemente correlacionados.
Também foram gerados gráficos para mostrar as quantidades de cada um dos pontos (vermelhos,
verdes, azuis) que apareceram durante os 44 gráficos. Não houve o aparecimento de nenhum
ponto. O resultado está apresentado nos gráficos 2, 3, 4:
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
11
Figura 2 - Gráfico Quantidade x Tempo dos pontos vermelhos (0,5≤≤1)
Fonte: Autor
No gráfico 2, as oscilações das quantidades de pontos vermelhos ocorrem em torno do valor
médio de 55, e não há uma tendência ou alteração de comportamento devido à proximidade da
crise ou ao afastamento em relação a ela.
Figura 3 - Gráfico Quantidade x Tempo dos pontos verdes (0≤≤0,5)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
12
Fonte: Autor
No gráfico 3, as quantidades de pontos verdes também oscilam em torno de uma média alta, de
aproximadamente 60, e, assim como no anterior, não há uma tendência ou alteração de
comportamento com a aproximação ou afastamento da crise.
Figura 4 - Gráfico Quantidade x Tempo dos pontos azuis (-0,5≤≤0)
Fonte: Autor
Agora, apesar de as quantidades oscilarem em torno de uma média mais baixa, de 10,25, observa-
se o mesmo comportamento dos gráficos anteriores, não apresentando tendências significativas
com o passar do tempo.
A ausência de pontos pretos indica que não houve anticorrelação acentuada em todo o período
analisado.
5. Conclusão
A princípio, como hipótese, que não foi colocada explicitamente no trabalho, por tratar-se de
pesquisa exploratória, esperava-se que houvesse alguma formação de padrão da correlação
próxima ao início da crise e que ela desapareceria após essa. Caso a alteração de padrão não fosse
abrupta, haveria possibilidade de, em estudos futuros, aprofundar a análise com o objetivo de
sugerir uma medida de antecipação da crise.
Porém, o comportamento da correlação entre as ações parece não seguir algo como um campo
magnético aplicado a um conjunto de spins, a fim de alinhá-los. Observou-se que, apesar de
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
13
alterações até significativas de intensidade, há um comportamento de alternância temporal, em
relação à média, do número de empresas que possuem uma determinada faixa de valores para a
correlação. Esse padrão foi verificado em todas as faixas, com exceção da faixa de maior
anticorrelação. Portanto, a medida de correlação é inócua para fins de estabelecer alterações
temporais significativas, devido a um processo de crise econômica, para um conjunto de ações
que representam diversos setores da economia.
Como sugestão para investigações posteriores pode-se pensar em varrer o espectro de frequência
com que se tomam os dados, por exemplo, utilizar a frequência semanal, para o estudo. É
evidente que para robustez de argumentação se faz necessário observar o padrão de
comportamento da correlação em diversas situações de crise e em diversos países a fim de buscar
um grau de generalização.
REFERÊNCIAS
BMF&BOVESPA. Índices. Disponível em: http://www.bmfbovespa.com.br/indices.
BRESSER, Pereira L.C. Dominação financeira e sua crise no quadro do capitalism do conhecimento e do estado
democrático social. Revista Estudos Avançados, 2008.
BROOKS, Mick. World economy in crisis – The financial panic: where are we now? Jan 2008.
CREPALDI, A. F. Abordagem de Modelos Baseados em Agentes no Estudo de Séries Temporais Financeiras.
São Paulo, 2007. 106p. Tese (Doutorado em Física) - Universidade Estadual Paulista.
MANTEGNA, Rosario N.; STANLEY, H. Eugene. An Introduction to Econophysics Correlation and
Complexity in Finance, Cambridge University Press, Cambridge, 2000.
PLEROU, Vasiliki; GOPIKRISHNAN, Parameswaran; RESENOW, Bemd; AMARAL, Luis A.N.; STANLEY,
Eugene. Econophysics: Financial Time Series From a Statistical Physics Point of View, 2000.
PREIS, Tobias. Econophysics – complex correlations and trend switchings in financial time series, 2011.
PREIS, Tobias; STANLEY, H. Eugene. Switching Phenomena in a System with No Switches, 2010.
SAMOHYL, Robert; SOUZA, Gueibi P.; MIRANDA R.G. Introdução à Estatística e Métodos de Previsão em
Séries Temporais: Teoria Aprofundada e Prática Simplificada, Capítulo 3 – correlação, 2007.
SANDOVAL, Leonidas; FRANCA, Italo P. Correlation of financial markets in time of crisis, Insper: 2011.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
14
UOL Economia. Cotações. Disponível em: http://economia.uol.com.br.
YAHOO! FINANÇAS. Índices. Disponível em: http://br.financas.yahoo.com.
ANEXO I
Programa para eliminar os erros devido aos desdobramentos, inverter ordem da matriz e calcular
o retorno:
clc
clear all
load todos2.txt
load bb_ajust_2.txt
load gerd.txt
load csn.txt
y=todos2(:,:);
u=bb_ajust_2(:,:);
m=gerd(:,:);
r=csn(:,:);
lin=size (y,1);
col=size(y,2);
a=[y(1:8,1);(1/25*y(9:874,1));(1/25*1/10*y(875:lin,1))];
n=[y(1:697,3); (1/1.542*y(698:lin,3))];
b=[y(1:831,5);(1/1000*y(832:lin,5))];
c=[y(1:682,12);(1/2*y(683:lin,12))];
g=[y(1:682,13);(1/2*y(683:lin,13))];
d=[y(1:64,16);(1/2*y(65:680,16));(1/2*100/150*y(681:lin,16))];
p=[a(:,:) u(:,:) n(:,:) y(:,4) b(:,:) y(:,6) m(:,:) y(:,8:11) c(:,:) g(:,:) r(:,:) y(:,15) d(:,:)];
%inverter ordem das linhas em uma matriz
for j=1:col
for i=1:lin
w((lin+1-i),j)=p(i,j);
end
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
15
end
%cálculo do retorno
for j=1:col
for i=1:(lin-1)
f(i,j)=log(w(i+1,j))-log(w(i,j));
end
end
ANEXO II
Programa para cálculo da correlação entre os ativos agrupados em períodos de 20 dias:
m=f;
[a,b]=size(m);
w=20; %período de analise de 20 dias
l=fix(a/w); %número de janelas
s=1;
n=b;
c=factorial(n)/(factorial(n-2)*factorial(2));%combinação de n objetos 2 a 2, o que dará o número
de correlações a serem executadas entre os n ativos
%k=1;
j=1;
for i=1:l
for j=1:(b-1)
for k=j:b
%for i=1:l
V((((j-1)*l)+i),k)=corr(m(s:(s-1+w),j),m(s:(s-1+w),(k)));
end
end
%k=k+1;
s=s+w;
end
z=1;
for z=1:44
for l=1:15
S((z-1)*15+l,:)=V((l-1)*44+z,1:16);
end
end
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
16
ANEXO III
Programa para criação dos gráficos de correlação:
z=1;
for k=1:44
N(1,1:16)=zeros;
B=S(((k-1)*15+z):(15*k),1:16);
C=[B;N];
figure(k)
[l,c]=find(C>-1.0 & C<-0.5);
preto(k)=length(l);
plot(l,c,'k*')
[l2,c2]=find(C>-0.5 & C<0);
azul(k)=length(l2);
hold on
plot(l2,c2,'b+')
[l3,c3]=find(C>0 & C<0.5);
verde(k)=length(l3);
hold on
plot(l3,c3,'g*')
[l4,c4]=find(C>0.5 & C<1.0);
vermelho(k)=length(l4);
hold on
plot(l4,c4,'r+')
end
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
17
ANEXO IV
Gráficos de correlação:
Figura 1
18
Figura 2
Figura 3
Figura 4
Figura 5
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
19
Figura 6
Figura 7
Figura 8
Figura 9
Figura 10
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
20
Figura 11
Figura 12
Figura 13
Figura 14
Figura 15
Figura 16
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
21
Figura 17
Figura 18
Figura 19
Figura 20
Figura 21
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
22
Figura 22
Figura 23
Figura 24
Figura 25
Figura 26
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
23
Figura 27
Figura 28
Figura 29
Figura 30
Figura 31
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
24
Figura 32
Figura 33
Figura 34
Figura 35
Figura 36
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
25
Figura 37
Figura 38
Figura 39
Figura 40
Figura 41
Figura 42
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
26
Figura 43
Figura 44
27
top related