“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETORNO DAS...

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”


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


3

“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETRORNO DAS AÇÕES DOS BANCOS BRASILEIROS”


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


5

DEDICATÓRIA

Dedico este trabalho à minha esposa Fernanda e a meus pais Kazuo e Sadako.

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 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 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 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 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 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



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 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


White 0,051

LS LS (Newey-West)


Heterocedasticidade rejeitada

32



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%.


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


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


White 0,029




33




significância estatística pois apresentaram valores-P (43,8%; 99,3%; 40,9% e 26,0%) maiores



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%).


33,6%.

Tabela 7 - BBAS3: dados mensais, 3 lags, não segmentado

BBAS3


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


White 0,336

LS LS (Newey-West)



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


White 0,099

LS

Autocorrelação 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


Os testes de autocorrelação (Breusch-Godfrey) e heterocedasticidade (White) rejeitaram a


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


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


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


White 0,000




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%.


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%).



ITUB4


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


White 0,070



LS

36







presença destas características nos resíduos, com valores-P de 47,6% e 22,6%

respectivamente.



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


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


White 0,226



LS

ITUB4


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


White 0,024




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%).



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%).


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





ITUB4


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


White 0,078



LS

38



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







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%.


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


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


White 0,000




39

Tabela 14 - BBDC4: dados diários, 3 lags, segmento 1







valor-P de 0,6%. A utilização do estimador de Newey-West manteve estatisticamente



método GARCH(1,1). Neste modelo foram mantidos estatisticamente insignificantes todos os

regressores (valores-P: 22,9%; 99,8%; 46,5% e 99,3%).


BBDC4


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


White 0,006




BBDC4


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


White 0,984


LS


40







respectivamente.







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


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


White 0,876


LS LS (Newey-West)


41

Tabela 17 - BBDC4: dados mensais, 3 lags, não segmentado







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


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


White 0,689

LS



BRSR6


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


White 0,046




42


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


(valores-P: 67,7%; 13,1% e 93,7%).



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%.




Tabela 19 - BRSR6: dados diários, 3 lags, segmento 1





BRSR6


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


White 0,682


LS


43



respectivamente.







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).


85,1%.

BRSR6


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


White 0,851

LS LS (Newey-West)



44













Tabela 22 - BRSR6: dados mensais, 3 lags, não segmentado

BRSR6


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


White 0,041




BRSR6


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


White 0,082

LS



45







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







BPBM4


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


White 0,003




46






Tabela 24 - BPBM4: dados diários, 3 lags, segmento 1







respectivamente.

BPBM4


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


White 0,672

LS



47







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%.


99,8%.


BPBM4


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


White 0,998



LS LS (Newey-West)

BPBM4


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


White 0,445

LS



48







respectivamente.

Tabela 27 - BPBM4: dados mensais, 3 lags, não segmentado






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


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


White 0,698

LS LS (Newey-West)



49


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



obtiveram significância estatística pois apresentaram valores-P (66,5%; 90,3%; 63,2 e 70,3%)

maiores que o valor de referência de 5%.


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


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


White 0,000




50




Tabela 29 - ABCB4: dados diários, 3 lags, segmento 1






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%).


31,2%.

ABCB4


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


White 0,312



LS LS (Newey-West)

51








respectivamente.




ABCB4


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


White 0,900

LS



ABCB4


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


White 0,141



LS LS (Newey-West)

52




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%).


14,1%.

Tabela 32 - ABCB4: dados mensais, 3 lags, não segmentado


pelo método dos mínimos quadrados (LS – Least Squares), o spread CDI-Selic apresentou



9,5%; 10,6% e 17,5%).



respectivamente.

ABCB4


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


White 0,990


LS


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






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%).




BICB4


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


White 0,000




54

Tabela 34 - BICB4: dados diários, 3 lags, segmento 1


dos mínimos quadrados (LS – Least Squares), o terceiro lag do spread CDI-Selic apresentou



71,3%; 81,4% e 8,0%).



respectivamente.


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


White 0,129


LS


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


White 0,070



LS

55
















BICB4


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


White 0,045




56




Tabela 37 - BICB4: dados mensais, 3 lags, não segmentado


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


(valores-P: 65,7%; 99,5% e 41,3%).



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%.


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


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


White 0,000




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


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


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


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.


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).”

“A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETORNO DAS...

Documents

Transcript of “A INFLUÊNCIA DO SPREAD CDI-SELIC NO RETORNO DAS...