universidade de brasÍlia - biblioteca digital da produção...
TRANSCRIPT
UNIVERSIDADE DE BRASÍLIA
DEPARTAMENTO DE ECONOMIA
LUIZ FELIPE DANTAS GUIMARÃES
Nível de Informação e a Reação dos Agentes a Notícias: Uma Análise sob a Perspectiva de Ações
Brasília 2015
LUIZ FELIPE DANTAS GUIMARÃES
Nível de Informação e a Reação dos Agentes a Notícias: Uma Análise sob a Perspectiva de Ações
Monografia apresentada ao Curso de Graduação em Ciências Econômicas, Departamento de Economia, Universidade de Brasília, como requisito parcial para obtenção do grau de Bacharel em Ciências Econômicas Orientador: Professor José Guilherme de Lara Resende
Brasília 2015
RESUMO
A busca por modelos preditivos guia os estudos em finanças com o objetivo
de alcançar maiores retornos. Em finanças comportamentais, essas análises são
feitas dando atenção especial aos pensamentos dos agentes. Nas finanças
comportamentais, Kahneman e Tversky (1972) contribuíram com o conceito de
heurística de representatividade. Em nosso estudo, mostramos a ligação entre
heurística de representatividade e análise técnica, e utilizamos análise técnica
como proxy para determinar o nível de informação de um agente. Com isso,
podemos analisar a influência do nível de informação na reação a notícias. Ao
final, concluímos que menores níveis de informação estão ligados a variações
mais intensas de preços, após notícias.
ABSTRACT
The search for predictive models has motivated financial studies aiming to
reach greater returns. In behavioral finance, special attention is given to the ways
the agents think. Contributing to the behavioral finance literature, Kahneman and
Tversky (1972) introduced the concept of representativeness heuristic. In the
present study, we show the connection between representativeness and
technical analysis in order to use technical analysis as a proxy for level of
information. We were then able to determine the influence of the level of
information in an agent’s reaction to news. Finally, we are able to conclude that
lower levels of information lead to greater price variations following news.
Sumário
1 - INTRODUÇÃO..................................................................................................................................5
2-FINANÇASCOMPORTAMENTAISEAPRECIFICAÇÃODEATIVOS.....................................7
2.1. PSICOLOGIA E FINANÇAS..........................................................................................................................7
2.1.1. HEURÍSTICA DA REPRESENTATIVIDADE E O PARALELO COM ANÁLISE TÉCNICA.............9
2.2. PREVISÃO DE RETORNO.........................................................................................................................11
3 – MÉTODOS E PROCEDIMENTOS...........................................................................................15
4 – ANÁLISE EMPÍRICA...................................................................................................................20
5 – CONCLUSÃO................................................................................................................................22
REFERÊNCIAS BIBLIOGRÁFICAS..............................................................................................24
Lista de Tabelas TABELA 1 - CORRELAÇÃO DE PEARSON 1..........................................................................................................................22
TABELA 2 - CORRELAÇÃO DE SPEARMAN 1.......................................................................................................................22
5
1 - Introdução
Em economia, a busca por maior bem-estar guia as decisões dos agentes.
Em finanças, essa premissa se mantém e pode ser vista na busca incansável
por fórmulas que possam aumentar o ganho em mercados de capitais, tais como
a bolsa de valores, por meio de modelos preditivos.
Dentro dessa perspectiva de busca por ganhos, é desenvolvida a teoria
moderna de portfólios em Markowitz (1952) que trata da importância da
diversificação de um portfólio para retornos maiores. É introduzida uma análise
sobre os preços relativos de uma carteira, considerando risco e retornos
esperados. Resumidamente, a carteira ideal é definida a partir da melhor relação
risco-retorno, considerando que o agente é avesso ao risco.
Com modelos como o CAPM e o de três fatores de Fama e French como
base, os conceitos de precificação de ativos evoluem na vertente
fundamentalista, que busca, nos fundamentos das empresas, formas de traçar
as expectativas para o futuro. As análises técnicas, que buscam padrões nos
preços que possam gerar expectativas futuras, também evoluem
matematicamente, determinando padrões de atuação dos agentes por meio de
padrões numéricos e gráficos. Paralelamente, torna-se cada vez mais
importante determinar os padrões psicológicos dos agentes como critério de
previsão de retorno esperado.
Nessa vertente, Zhang (2006) conclui que maior incerteza das informações
leva a retornos futuros mais baixos após notícias ruins e retornos futuros mais
altos após notícias boas, contrastando ativos com menor incerteza de
informações. Para isso, Zhang (2006) utiliza cinco variáveis proxy para incerteza
de informação: idade da firma, cobertura de analistas, dispersão nas análises
dos especialistas, volatilidade da ação e volatilidade do fluxo de caixa. Com
isso, tem-se uma contribuição para estudar o papel da notícia e da informação
na precificação.
6
Por outro lado, Li e Yu (2012) propõem a utilização do Dow 52-Week High e
no Historical High como ferramentas de predição analisando seus efeitos de
sub-reação e reação exagerada, que possibilitam grande poder de previsão dos
retornos excedentes do mercado no curto prazo (1 ano) superando, inclusive,
indicadores macroeconômicos mais usados. Além disso, Li e Yu (2012)
produzem um incremento para o estudo de como o viés de comportamento pode
afetar os retornos do mercado ao incorporar essas duas variáveis de viés de
comportamento, o Dow 52-Week High e o Historical High.
Embora a complexidade de mercado impeça que todas as variáveis que
influenciam o preço de um ativo financeiro sejam consideradas em um mesmo
modelo, existem formas de abordar as informações sobre o mercado que
avançam cada vez mais na direção de melhor prever as movimentações do
mercado. Com o aprofundamento dos estudos, fatores mais abstratos e mais
difíceis de serem mensurados passam a ser analisados.
Isso nos leva ao ponto focal de nosso trabalho. A capacidade de estimar
como o mercado reagirá, por exemplo, a notícias pode oferecer uma vantagem
importante na hora de decidir sobre a compra ou a venda de um ativo. Um
modelo simples o bastante para ser implementado rapidamente pode fornecer
importante fonte de previsão para o investidor formar sua posição.
Com isso e dadas as evidências em finanças comportamentais, decidimos
analisar como o nível de informação afeta a reação a notícias. Desenvolvemos o
estudo nessa linha para investigar se menos informação leva a reações mais
fortes após notícias. Ao final, o resultado e a conclusão nos darão também uma
noção de como essa informação pode ser usada para aumentar retornos.
7
2 - Finanças comportamentais e a precificação de ativos
Para abordarmos a percepção dos agentes a eventos e suas reações, é
necessário explicar, primeiramente, a base e o conceito de finanças
comportamentais. O conceito de finanças comportamentais surge da crítica a
uma simplificação da economia que considera os agentes racionais. Dessa
simplificação, os modelos tiram suas conclusões, estabelecendo padrões de
tomada de decisão uniformes e genéricos. As finanças comportamentais
buscam, essencialmente, uma forma mais fiel de representar a tomada de
decisão dos agentes e, para isso, incorporam ao estudo das finanças conceitos
de psicologia.
Um marco na história das finanças comportamentais é Simon (1955), em
que são discutidos os parâmetros sob os quais um agente pode ser considerado
racional, trazendo assim uma nova concepção sobre o curso da tomada de
decisão dos agentes, estática e dinamicamente. Muth (1961), por outro lado,
discute o conceito de expectativas racionais e a teoria do movimento dos preços.
Eventualmente, chega-se a Tversky e Kahneman (1974), que discutem
heurísticas, ou seja, simplificações que viesam a tomada de decisão. Essas
heurísticas incorporam conceitos importantes que serão abordados na subseção
2.1, de onde um conceito específico será extraído, heurística de
representatividade, e utilizado em 2.1.1.
2.1. Psicologia e Finanças
O conceito de heurística é chave para o desenvolvimento das finanças
comportamentais. A heurística é definida como uma forma de encontrar
respostas da maneira mais fácil. Representa a simplificação de um problema
para que a resposta possa ser encontrada ou, como Shefrin (2008) define de
forma mais simples, uma “rule of thumb” ou regra de bolso: “A grande
8
importância do conceito de heurística advém da percepção da psicologia de que
pessoas tomam decisões com base em heurísticas, que viesam a decisão e
levam a erros sistemáticos” Shefrin (2008), página 17.
Dentro do conceito de heurística há uma extensa e diversificada gama de
ramificações que compreendem diversos padrões psicológicos de tomada de
decisão. Não cabe a esse trabalho tratar de todas eles. Dessa forma, nos
restringiremos a algumas com maior destaque, em especial a de
representatividade. Kahneman e Tversky (1974) definem três tipos de heurística:
de disponibilidade; de representatividade; e de ancoragem e ajustamento.
Kahneman e Tversky (1974) argumentam que as pessoas utilizam o
número de exemplos que conseguem lembrar para inferir as frequências de um
dado evento. A esse fenômeno, os autores dão o nome de heurística de
disponibilidade. De maneira simples, quer dizer que as pessoas confiam nas
informações que têm disponíveis em suas memórias e lhes atribuem maior peso,
acreditando subconscientemente que exemplos que são lembrados devem
possuir maior importância que os exemplos não lembrados. Sendo assim, esse
fenômeno em geral privilegia ideias mais recentes por serem mais facilmente
relembradas. Como o acontecimento é mais recente, a memória perdura na
mente do indivíduo que, por sua vez, atribui grande ou maior importância a ele.
O conceito de heurística de ancoragem e ajustamento, por sua vez,
acontece quando uma pessoas ajusta suas decisões a partir de uma “âncora”.
Quando muita atenção e importância é creditada a uma informação inicial, diz-se
que esta é uma “âncora”, definindo a ancoragem. No ajustamento, o indivíduo
guia suas ações posteriores baseadas na âncora estabelecida. Em
microeconomia, a prática de ancoragem é utilizada em negociações, quando
uma das partes inicia o processo propondo um preço muito alto (caso esteja
vendendo) ou muito baixo (caso esteja comprando). Subconscientemente, a
outra parte tende a tomar este preço estabelecido como âncora e ajusta suas
propostas posteriores a partir da âncora.
Por fim, o conceito de heurística de representatividade é definido por
9
Kahneman e Tversky (1972) como “a probabilidade subjetiva de um evento é
determinada pelo grau em que: (i) é similar à população em suas características
essenciais; e (ii) reflete as características salientes do processo pelo qual foi
gerado.” Representatividade é então uma comparação de uma situação com
outras de que se tem conhecimento. Dessa comparação o agente pode tirar
suas conclusões o que, no entanto, pode incorrer numa má interpretação das
probabilidades dos eventos.
Por gerar um viés na tomada de decisão, a heurística, em qualquer uma de
suas formas, pode gerar conclusões erradas. Diferentes conceitos de heurística
podem e são utilizados em finanças comportamentais, mas focaremos aqui a
heurística de representatividade. Com isso será possível concluir sobre nível de
informação dos agentes utilizando um conceito amplo, o de análise técnica. Será
dada atenção especial a esse assunto na subseção 2.1.1. a seguir.
2.1.1. Heurística da representatividade e o paralelo com análise técnica
No conceito de heurística de representatividade, busca-se uma similaridade
entre um evento em que se deseja tomar uma decisão e outros eventos que já
ocorreram. O paralelo é traçado e a decisão parte dessa análise. Em outras
palavras, busca-se um padrão no que já ocorreu semelhante ao que vem
ocorrendo, para entender o que pode ser esperado.
Por outros lado, análises técnicas se baseiam em acontecimentos
passados para detectar padrões que podem guiar as decisões futuras
acreditando na repetição desses padrões. Sendo assim, como destacado por
Sewell (2007), análise técnica é representatividade. Imagine, por exemplo, a
ferramenta de análise conhecida como suporte e resistência, amplamente
conhecida e discutida, como em Thomsett (1999) . A recorrência do evento em
que a variação do preço do ativo muda de direção em um determinado patamar
determina um suporte ou uma resistência. Dessa forma, a análise indica que
esses eventos são representativos e que, portanto, quando um suporte
10
(resistência) for alcançado, deve-se esperar que o preço suba (caia). Ou seja, a
análise técnica incorpora as características de representatividade estabelecidas
por Kahneman e Tversky (1972) ao buscar em eventos significativos um padrão
para a interpretação de eventos futuros.
Kahneman e Tversky (1972) expõem que a heurística de representatividade
na tomada de decisão distorce a visão dos fatos e, em geral, é contrastada pelo
Teorema de Bayes:
𝑃 𝐴 𝐵 = ! ! ! ! !! !
,
onde P(A|B) é a probabilidade de acontecimento do evento A dado que o evento
B aconteceu.
Nesse caso, um agente cuja decisão é tomada tendo como base
essencialmente o conceito psicológico supracitado, incorrerá, na maioria dos
casos, numa análise equivocada das probabilidades dos acontecimentos
considerando iguais as probabilidades:
𝑃 𝐴 𝐵 = 𝑃(𝐵|𝐴)
Ou seja, a probabilidade de acontecer A dado que B aconteceu é igual à
probabilidade de acontecer B dado que A aconteceu. Isso ocorre porque o
indivíduo passa a considerar que a ordem dos acontecimentos não altera a
probabilidade final, o que só ocorre de fato quando 𝑃(𝐴) = 𝑃(𝐵).
Por outro lado, considerando que os indivíduos que compram ou vendem
ações buscam maximizar seus ganhos, podemos considerar que eles usam as
informações que possuem sobre o ativo da melhor forma possível. Portanto, ele
busca melhor conhecimento sobre as probabilidades de eventos para melhor
estimar o retorno esperado. Isso significa que o investidor não é
deliberadamente influenciado pela representatividade, sabendo que esta
11
distorce as probabilidades e portanto comprometem a possibilidade de ganho ao
atrapalharem as previsões de retorno. Ou seja, aqueles que são mais
influenciados pela representatividade, são os que possuem menos informação.
Dessa forma, a influência de análises técnicas mais simples, que são proxy para
representatividade, pode ser uma proxy para nível de informação.
É coerente esperar então que notícias tenham maior peso na decisão de
agentes com menor nível de informação. Isto é intuitivo na medida em que as
pessoas distribuem pesos para as informações que possuem. Se alguma
informação é retirada, o peso que ela ocupava é redistribuído entre as que
permaneceram.
Consequentemente, espera-se uma relação entre a heurística de
representatividade, traduzida nas análises técnicas utilizadas, e o impacto das
notícias na tomada de decisão, traduzida na variação do preço do ativo. Então,
pelo que retratamos, é esperado que menor nível de informação, medido pela
influência das análises técnicas, leve a variações maiores do preço.
2.2. Previsão de Retorno
Em geral, um agente racional busca sempre a alternativa que maximiza sua
utilidade. No mercado de capitais, o agente racional procura a opção que
maximiza seu retorno dado certo nível de risco. Essa visão pode ser
generalizada mesmo para o caso em que há assimetria de informação, onde o
agente busca o que lhe parece melhor dado o conjunto de informações que
possui. Em finanças essa ideia guia a busca por modelos e análises capazes de
prever o preço futuro. Com isso, pode-se então aumentar o retorno esperado
operando com base nos modelos e análises.
No contexto histórico de precificação de ativos, um marco inicial se dá com
o modelo CAPM (Capital Asset Pricing Model) desenvolvido por Treynor (1961),
Sharpe (1964), Litner (1965) e Mossin (1966), de modo independente. O CAPM
12
relaciona o retorno esperado com o risco do ativo, utilizando o ativo livre de risco
do mercado, do seguinte modo:
𝐸 𝑅! = 𝑅! + 𝛽!(𝐸(𝑅!)− 𝑅!),
onde 𝐸 𝑅! é o retorno esperado do ativo; 𝑅! é o retorno do ativo livre de risco;
𝑅! é o retorno do mercado; e 𝛽!, dado por,
𝛽! =𝐶𝑜𝑣(𝑅! ,𝑅!)𝑉𝑎𝑟(𝑅!)
mede o risco do ativo 𝑖.
Por meio do CAPM, a análise sobre a previsão de retorno ganha suporte
técnico, servindo de base para modelos subsequentes. De importância teórica
inquestionável, o CAPM fornece uma análise de relativamente simples aplicação
mas capaz de guiar os investimentos dos agentes que o utilizam. Partindo da
moldura deixada por esse modelo, Fama e French (1993) elaboram o modelo
três fatores.
Fama e French (1993) preservam a estrutura do modelo CAPM original
incorporando ao cálculo do retorno esperado as variáveis de capitalização de
mercado (SMB - small minus big) e de razão entre preço de mercado e preço
contábil (HML - high minus low). Fama e French (1996) analisam e explicam que
muitas das anomalias existentes no modelo CAPM tradicional são relacionadas
e podem ser capturadas pelo seu modelo de três fatores.
A equação do modelo de três fatores de Fama e French é:
𝐸 𝑅! − 𝑅! = 𝑏! 𝐸 𝑅! − 𝑅! + 𝑠!𝐸 𝑆𝑀𝐵 + ℎ!𝐸(𝐻𝑀𝐿),
13
onde 𝑏! , 𝑠! e ℎ! são medidas de risco obtidas pela regressão de séries
temporais.
O modelo de três fatores trouxe um ganho expressivo no poder de predição
com relação ao modelo CAPM. O modelo fornece uma alternativa melhor para a
tomada de decisão da compra ou venda do ativo, dado um período de tempo
determinado pelo agente.
Os avanços nos estudos sobre retorno levaram à incorporação de
conceitos de psicologia para explicar a forma como os agentes reagem no
mercado. Dado que o preço é resultado de interações entre os compradores e
os vendedores, é natural depreender que o preço reflete as intenções e escolhas
dos indivíduos. Daí, entender como os indivíduos tomam suas decisões torna-se
ferramenta especial para prever preços e retornos.
Nesse contexto, conceitos como overreaction e underreaction são
desenvolvidos em Barberis, Shleifer, e Vishny (1998), Daniel, Hirshleifer, e
Subrahmanyam (1998), e Fama (1998). Overreaction se refere a uma reação
desproporcionalmente grande após um evento. O próprio nome sugere que uma
reação exagerada ocorreu como resposta a um acontecimento anterior. De
forma análoga, underreaction indica uma reação de intensidade muito menor do
que o esperado após um dado evento.
Estas ideias foram extensivamente incorporadas aos estudos de reação de
agentes a fatores externos, como notícias. Estes, por sua vez, criaram a
fundação para estudos sobre os impactos de notícias nas decisões dos agentes.
Em especial, Zhang (2006) avalia a ambiguidade de informação como proxy
para a incerteza do investidor e mostra evidências de que essa incerteza
acentua o efeito das notícias, com retornos menores após notícias ruins e
maiores após notícias boas.
Em termos de notícias, uma importante contribuição é feita por Nikkinen et.
al. (2006) ao estudarem o impacto da divulgação de indicadores
macroeconômicos americanos nas bolsas mundiais. Levando em conta a
classificação do Bureau of Labor Statistics, os autores concluem a respeito da
14
importância de: consumer confidence (CC), consumer price index (CPI),
employment cost index (ECI), employment situation (ES), gross domestic
product (GDP), import and export price indices (IEPI), NAPM: manufacturing
(NAPM) e non-manufacturing (NONNAPM), producer price index (PPI) e retail
sales (RS). Por esse motivo, restringimos a busca por notícias para apenas
esses indicadores, que além da importância estudada, facilitam a utilização de
notícias por serem eventos cujo histórico é mais facilmente encontrado. Além
disso, evitamos excesso de notícias, podendo ser seletivos quanto ao conteúdo,
assim como possível sensacionalismo midiático, que não está presente na
divulgação desses indicadores.
15
3 – Métodos e Procedimentos
Primeiramente, por ser o cerne do presente estudo, precisamos definir o
nível de informação. Para definir o nível de informação de um grupo de pessoas
usamos uma proxy que partirá dos conceitos de análise técnica e da heurística
da representatividade, como abordado anteriormente. Esta proxy foi formada
calculando o nível de influência de ferramentas de análise técnica em uma
determinada ação. Assim, aqueles que possuem menos informação, são mais
influenciados pelos indicadores técnicos.
Dado que o preço é resultado de constante transações entre pessoas
vendendo e pessoas comprando, uma variação no preço reflete a dominância,
naquele instante, de algum dos grupos. Sendo assim, uma ação cujo preço
variar mais, seguindo o previsto pelas ferramentas de análise técnica, será uma
ação em que as pessoas que utilizaram as análises técnicas possuem mais
força naquele momento. Em outras palavras, há uma predominância dessas
pessoas operando a ação naquele momento e, portanto, predominância de
pessoas com pouca informação. Como aqueles que possuem menos informação
são mais influenciados pelos indicadores técnicos, a interpretação depende da
relação entre diferentes ações em diferentes dias, de forma que haja uma escala
de comparação entre nível de informação e reação à notícia.
Para essa análise, foram obtidos dados do Yahoo Finance para o mercado
americano, por meio de software desenvolvido em linguagem C#, sobre as
empresas que constituíam o índice S&P 500 em setembro de 2015. Foram
utilizados dados históricos com valores diários a partir de 1985. O uso de dados
diários é devido ao fato de análises técnicas e análises fundamentalistas terem
impacto predominante em espaços de tempo diferentes. Portanto, valores
diários têm o objetivo de aumentar a influência de análise técnica. Deve ser
ressaltado que a lista de ações não necessariamente constituía o índice S&P
500 durante todo o período considerado, uma vez que a lista teve seus
componentes fixados no momento em que foram baixados os dados. Além
16
disso, em alguns casos o número de observações de duas ações pode ser
diferente. Isso ocorreu porque algumas ações não possuem dados desde o
início do período citado.
A análise das bases de dados foi feita no R Studio utilizando o pacote
Technical Trading Rules (TTR), que possui o código para algumas análises
técnicas e outras ferramentas de análise. Com isso, a análise foi dividida em:
análise técnica, interpretação e comparação.
Foram utilizadas 9 análises técnicas: RSI (Relative Strength Index), STOCH
(Stochastics), STOCHRSI (combinação entre STOCH e RSI), MACD (Moving
Average Convergence Divergence), ADX (Average Directional Index), Williams
%R, CCI (Commodity Chanel Index), Ultimate Oscillator e ROC (Rate of
Change). Estas foram baseadas no site Investing.com e são bastante comuns e
utilizadas abertamente, garantindo que é conhecimento acessível para
praticamente qualquer nível de informação e portanto básico o bastante. É
importante que as ferramentas sejam simples e amplamente difundidas pois
análises mais complexas ou até algoritmos de análise técnica são utilizados por
instituições financeiras de grande porte, que para todos os efeitos possuem um
alto nível informacional. O cálculo dessas análises pode ser encontrada no site
stockcharts.com.
Com os dados de preço, as 9 análises foram rodadas no software para
indicar a conclusão quanto à compra ou à venda do ativo para cada dia, levando
em consideração as interpretações decorrentes de cada análise. Para as
interpretações, utilizamos as também as informações encontradas no site
stockcharts.com, que apresenta as interpretações mais triviais e comumente
utilizadas. Focamos os sinais de overbought/oversold e os estudos das
divergências. De forma resumida, as divergências acontecem quando os valores
da análise técnica se movem em direção oposta a dos preços, indicando uma
perspectiva de aumento (diminuição) nos preços quando ocorre um lower low
(higher high) no preço da ação mas um higher low (lower high) no valor do
indicador técnico. Brevemente, higher high considera os pontos máximos locais
17
e indica uma alta com valor acima das altas locais. Os outros conceitos são
análogos a este.
As informações de compra ou venda referentes a cada ferramenta e para
os diferentes ativos, permitiram comparar as variações de preços para o mesmo
período. Isso, por sua vez, nos permite analisar o sentido e a dimensão da
variação percentual do preço, evidenciando a reação e influência das análises
técnicas.
Com essa informação, estudamos alguns pontos em que tenham ocorrido
notícias. Para o nosso estudo, utilizamos dados do Yahoo! que apresentam
datas de divulgação de dados macroeconômicos. Nikkinen et. al. (2006)
apontam as divulgações macroeconômicas que têm o papel mais importante nos
mercados mundiais e utilizamos então as datas de divulgações desses
componentes macroeconômicos como pontos que a variação de preço será
analisada
Após rodar as análises técnicas especificadas, obtivemos uma tabela para
cada ativo, contendo informações sobre o preço do ativo e os valores obtidos
após terem sido realizadas as análises técnicas. Em seguida, utilizando as
formas de interpretação descritas no site http://stockcharts.com, cada
interpretação retorna um valor +1 (para compra) ou -1 (para venda). Esses
valores foram então somados para constituírem a coluna chamada “sinal”. Esta
coluna nos fornece o valor agregado que serve de sinalizador de convergência
das análises técnicas, ou seja, quando maior, em módulo, o valor do sinal, maior
o número de análises técnicas que estão apresentando a mesma previsão. Além
disso, somas negativas indicam venda e positivas indicam compra. Este
conceito será necessário e utilizado posteriormente.
Em seguida, geramos valores que correspondem à variação dos preços
antes de depois da notícia. A variação do preço antes da notícia é fundamental
para englobar o impacto das análises técnicas. Como estamos usando um valor
de n igual a 1, buscamos os preços um dia antes da data de divulgação das
notícias. Nesse ponto, pegamos a variação percentual do preço nesse intervalo
18
de tempo para que as ações sejam mais facilmente comparáveis entre elas
mesmas. Como diferentes ativos possuem diferentes valores de cotação por
ação, o uso da variação percentual evita problemas de dimensionamento entre
os ativos, tornando a comparação entre elas possível.
A variação dos preços após as notícias expressa o ponto focal de nossa
análise. É este valor que demonstra a reação dos agentes às notícias e também
foi calculado como a variação percentual do preço, pelos mesmos motivos
citados acima. As duas variações, ou dimensões, como foram denominadas nas
tabelas do estudo, são estudadas em módulo. Como não é feito nenhum estudo
sobre direcionamento das notícias, que não é o foco desse estudo, o sentido da
variação do preço não importa, mas sim a sua amplitude.
A última coluna incorporada a cada uma das tabelas foi denominada
“sentido”. Esta coluna é resultado da multiplicação da dimensão1 (variação do
preço antes da notícia) pelo sinal (resultado da soma das previsões das análises
técnicas). Esta coluna é essencialmente um marcador que mostra se a ação
teve variação de preço no mesmo sentido do previsto pelas análises técnicas.
Ou seja, números positivos demonstram preços e análises técnicas que variam
no mesmo sentido e, consequentemente, números negativos demonstram
variação em sentidos opostos. Em outras palavras, um valor positivo na coluna
“sentido” indica que o agregado das análises técnicas acertou no período
estudado. Por isso, o valor em “sentido” não tem uso no nosso estudo, apenas o
seu sinal.
Com esses valores estabelecidos, agregamos essas três colunas de cada
ativo em uma única tabela e retiramos o valores nestas iguais a 0, que
representam pontos em que não houve divulgação de notícias. Em seguida,
separamos em duas tabelas, uma contendo as linhas com valores positivos e a
outra com os valores negativos para a coluna “sentido”.
Finalmente, podemos calcular a correlação entre dimensão1 e dimensão2
para cada uma das tabelas. Neste ponto, podemos obter valores diferentes para
o nível de tolerância que adotamos para o “sinal” da tabela. Sendo assim,
19
podemos analisar o “sinal” em módulo para estudar a sua dimensão ao invés do
sentido. Vale então destacar que para valores mais distantes de 0 há uma maior
convergência das previsões das análises técnicas, o que é interessante para o
nosso estudo. O estudo das correlações obtidas nos mostrará o grau com que
as análises técnicas, que indicam pessoas com menos informação, influenciam
a variação dos preços no momento em que a notícia é liberada.
Por exemplo, no dia 16/01/2014, foram divulgados resultados do CPI
(consumer price index). Para Yahoo! ( de símbolo YHOO), o sinal um dia antes,
que mostra a previsão das análises técnicas no momento em que a primeira
variação de preço será considerada, foi igual a -1. Isso indica que a
interpretação das análises retornou uma indicação de venda a mais do que o
número de indicações de compra, resultando numa soma -1. A dimensao1, que
mostra a variação percentual do preço 1 dia antes da notícia, foi igual a 0.00100.
A dimensao2, que mostra a variação percentual do preço 1 dia após a notícia, foi
igual a -0.00133. Sendo assim, o sentido, que consiste na multiplicação do sinal
pela dimensao1 foi igual a -0.00100, significando que o sentido de variação do
preço foi contrário (sentido < 0) ao previsto pelas análises técnicas.
Realizando esse mesmo processo para todas as ações e em todos os dias
que houveram notícias é o que nos levará à matriz que usaremos para calcular
as correlações cujos resultados foram expostos a seguir.
20
4 – Análise Empírica
Em nossa análise empírica, estudamos, como mencionado acima, o
comportamento das ações que compõem o índice S&P 500 com relação à
divulgação de notícias macroeconômicas americanas como destacadas em
Nikkinen et. al. (2006).
Nos resultados das tabelas 1 e 2, vemos os valores que são obtidos
quando se considera “sinal” > 3, “sinal” > 4 e “sinal” > 5, respectivamente. A
Tabela 1 apresenta os resultados obtidos com a correlação de Pearson, que é
paramétrica. A Tabela 2 apresenta os resultados encontrados para a correlação
de Spearman, que é não-paramétrica.
Para o caso de “sinal” > 3, o primeiro resultado foi obtido para os valores
positivos em “sentido”, ou seja, os pontos que as análises técnicas acertaram
suas previsões. O segundo, por outro lado, foi obtido para os valores negativos
em “sentido”, ou seja, os pontos em que as análises técnicas erraram suas
previsões. Observamos que os dois apresentaram correlação positiva, mas que
a correlação é maior para o “sentido” positivo. Além disso, ambos são
significativos a 5%.
Os valores seguintes foram obtidos para “sinal” > 4 e seguem a mesma
ordem do anterior, com “sentido” > 0 seguido de “sentido” < 0. Novamente, os
dois valores obtidos ainda são significativos a 5%, no entanto, a diferença entre
as duas correlações aumentou, ainda que as duas tenham permanecido
positivas. Por fim, para “sinal” > 5 os dois valores continuam positivos, mas
agora apresentam uma distância muito menor do que as observadas nos outros
dois casos. Mais uma vez, os resultados são significativos a 5%.
Para enriquecer a nossa análise, utilizamos em seguida o método de
Spearman para calcular a correlação entre as variáveis dimensao1 e dimensao1.
Por se tratar de um teste não-paramétrico baseado em ranks, o teste de
Spearman é robusto, aumentando a confiabilidade dos resultados. Ainda assim,
o rho, que indica correlação, permanece mais alto para “sentido” > 0, em todos
21
os casos. Além disso, o fato de todos serem significativos a 5% demonstra sua
forte significância e serve para reforçar os resultados obtidos usando a
correlação de Pearson.
A interpretação desses valores é intuitiva. Na nossa hipótese central,
menor nível de informação leva a uma reação mais forte a uma dada notícia.
Como nossa proxy de nível de informação é o nível de influência de análises
técnicas, temos que quando uma análise técnica prevê corretamente a variação
de preços antes da notícia (“sentido” > 0), uma maior variação de preços antes
da notícia deveria implicar uma maior variação depois da notícia. Para o caso de
“sentido” < 0, o raciocínio é análogo.
De forma pura, essa consideração implicaria esperar uma alta correlação
positiva para o primeiro caso e uma correlação negativa para o segundo caso e
que também fosse grande em módulo. No entanto, como existem outros fatores
envolvidos na variação de preços e que tornam a análise mais complexa, além
do escopo desse estudo, as correlações apresentam valores relativamente
próximos e com valores positivos para ambos os casos.
Podemos concluir com base nesses resultados e considerando a
complexidade de mercado que de fato diferentes níveis de informação levam a
diferentes níveis de reação dos agentes à notícia. Esse resultado é evidenciado
pelo valor mais alto de correlação para “sentido” > 0 nos três casos
considerados e para os dois testes aplicados.
22
Tabela 1 - Correlação de Pearson 1
Correlação de Pearson correlação t p-valor
sinal>3sentido>0 0.158588 38.79 < 2.2e-16
sentido<0 0.1119537 28.592 < 2.2e-16
sinal>4sentido>0 0.25766 58.575 < 2.2e-16
sentido<0 0.1054813 24.075 < 2.2e-16
sinal>5sentido>0 0.2857281 53.645 < 2.2e-16
sentido<0 0.2424022 44.185 < 2.2e-16
*hipótesenuladecorrelaçãoiguala0
Tabela 2 - Correlação de Spearman 1
Correlação de Spearman rho p-valor
sinal>3 sentido>0 0.2112927 < 2.2e-16 sentido<0 0.1900036 < 2.2e-16
sinal>4 sentido>0 0.2148217 < 2.2e-16 sentido<0 0.1887267 < 2.2e-16
sinal>5sentido>0 0.2222268 < 2.2e-16 sentido<0 0.2019105 < 2.2e-16 *hipótesenuladerhoiguala0
23
5 – Conclusão
Nessa monografia analisamos a forma como pessoas com diferentes níveis
de informação reagem a notícias, utilizando o conceito de heurística de
representatividade introduzido por Kahneman e Tversky (1972). Utilizamos tal
conceito para conectar o nível de informação com análises técnicas, sendo estas
uma forma de heurística de representatividade.
Baseando-nos na conexão desses dois conceitos, seguimos com a
suposição de que maior influência de análises técnicas significaria menor nível
de informação. A partir daí pudemos rodar correlações que nos levaram a
conclusão de que essa hipótese se verifica, onde ações com grande influência
de pessoas com menos informação mostraram uma maior variação de preços
após a divulgação de notícias macroeconômicas.
Ressaltamos que outros fatores como permanência de preços, por
exemplo, e outras complexidades do mercado podem ter minimizado as
distâncias entre as correlações, que ainda assim corroboram o esperado pela
nossa análise teórica. Dessa forma, percebemos que o nível de informação pode
ser entendido como um fator impactante nos preços mas que, no entanto, tem
seu impacto diminuído por outros fatores não estudados.
Ainda, o fato de a análise empírica demonstrar a relação esperada abre
portas para outros estudos que podem ser feitos nessa linha. Estudos que
incluam a análise do conteúdo das notícias e incorporem outros fatores de
mercado podem se beneficiar dos resultados e da metodologia desse estudo
para avançar nessa análise de finanças comportamentais.
Por fim, uma variável de nível de informação do ativo pode ser agregada a
modelos de precificação no curto prazo ou a estratégias de curto prazo para
determinar o nível de variação esperada de preço. Com isso, avançamos a
literatura sobre retorno de ações e deixamos espaço para melhorias nas
limitações desse estudo.
24
Referências Bibliográficas
BARBERIS, N., SHLEIFER, A. e VISHNY, R., A model of investor sentiment. Journal of Financial Economics, v. 49, p.307-343, 1998.
DANIEL, K., HIRSHLEIFER, D. e SUBRAHMANYAM, A. Investors, psychology and security market under- and overreactions. Journal of
Finance, v. 53, p.1839-1885, 1998
DOUKAS, J.A. e LI, M. Asymmetric Asset Price Reaction to News and Arbitrage Risk. Review of Behavioral Finance, v. 1(1-2), p. 23-43, 2009.
FAMA, E.F. Market efficiency, long-term returns, and behavioral finance. Journal of Financial Economics, v. 49, p.283-306, 1998
FAMA, E.F. e FRENCH, K.R. Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, v. 33(1), p. 3-56, 1993.
FAMA, E.F. e FRENCH, K.R. Multifactor explanation of asset pricing anomalies. The Journal of Finance, v. 51(1), p. 55-84, 1996.
KAHNEMAN, D. e TVERSKY, A. Subjective probability: A judgment of representativeness. Cognitive Psychology, v. 3(3), p. 430-454, 1972.
LI, J. e YU, J. Investor attention, psychological anchors, and stock return predictability. Journal of Financial Economics, v. 104(2), p. 401-419,
2012.
25
LITNER, J. The valuation of risk assets and the selection of risky investments in stock portfolios and capital budgets. Review of Economics
and Statistics, v. 47(1), p. 13-37, 1965.
MARKOWITZ, H. Portfolio Selection. The Journal of Finance, v. 7(1), p.
77-91, 1952.
MOSSIN, J. Equilibrium in a Capital Asset Market. Econometrica, v.
34(4), p. 768–783, 1966.
MUTH, J. F. Rational Expectations and the Theory of Price Movements. Econometrica, v. 29(3), p. 315-335, 1961.
NIKKINEN, J., OMRAN, M., SAHLSTROM, P. e AIJO, J. Global stock market reactions to scheduled U.S. macroeconomic news announcements. Global Finance Journal, v.17, p. 92-100, 2006.
REESE, J. e FOREHAND, J. The guru investor: how to beat the market using history’s best investment strategies. Wiley, 2009.
SEWEL, M. Technical Analysis. http://www.technicalanalysis.org.uk/
(2001)
SCHAWRZ, N., BLESS, H., STRACK, F., KLUMPP, G., RITTENAUER-
SCHATKA, H. e SIMONS, A. Ease of retrieval as information: Another look at
26
the availability heuristic. Journal of Personality and Social Psychology, v.61(2), p. 195-202, (1991).
SHARPE, W.F. Capital asset prices: a theory of market equilibrium under conditions of risk. Journal of Finance, v. 19, p. 425-442, 1964.
SHEFRIN, H. A Behavioral Approach to Asset Pricing. Elsevier, 2008.
SIMON, H. A Behavioral Model of Rational Choice. Quarterly Journal of
Economics v. 69(1) p.99-118, 1955.
TREYNOR, J. L. Market Value, Time, and Risk. Unpublished, 1961
THOMSETT, M. C. Mastering Technical Analysis. Kaplan Business. 1999
ZHANG, X.F. Information Uncertainty and Stock Returns. The Journal of
Finance, v. 61(1), p. 105-137, 2006.
Sites:
http://stockcharts.com
http://www.investing.com