análise do impacto da divulgação de notícias na liquidez de ações ...
55
ANÁLISE DO IMPACTO DA DIVULGAÇÃO DE NOTÍCIAS NA LIQUIDEZ DE AÇÕES DO MERCADO BRASILEIRO Amannda Ecard Dacache Isabelle Dutra Letouzé Projeto de Graduação apresentado ao Curso de Engenharia de Produção da Escola Politécnica, Universidade Federal do Rio de Janeiro, como parte dos requisitos necessários à obtenção do título de Engenheiro. Orientador: André Assis de Salles Rio de Janeiro Agosto 2014
-
Upload
truongkhanh -
Category
Documents
-
view
216 -
download
0
Transcript of análise do impacto da divulgação de notícias na liquidez de ações ...
ANÁLISE DO IMPACTO DA DIVULGAÇÃO DE NOTÍCIAS
NA LIQUIDEZ DE AÇÕES DO MERCADO BRASILEIRO
Amannda Ecard Dacache
Isabelle Dutra Letouzé
Projeto de Graduação
apresentado ao Curso de Engenharia
de Produção da Escola Politécnica,
Universidade Federal do Rio de
Janeiro, como parte dos requisitos
necessários à obtenção do título de
Engenheiro.
Orientador: André Assis de Salles
Rio de Janeiro
Agosto 2014
ii
ANÁLISE DO IMPACTO DA DIVULGAÇÃO DE NOTÍCIAS
NA LIQUIDEZ DE AÇÕES DO MERCADO BRASILEIRO
Amannda Ecard Dacache
Isabelle Dutra Letouzé
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO
CURSO DE ENGENHARIA DE PRODUÇÃO DA ESCOLA POLITÉCNICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS
REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
ENGENHEIRO DE PRODUÇÃO.
Examinada por:
_________________________________________
Dr. Prof. André Assis de Salles
_________________________________________
Dra. Profa. Rosemarie Bröker Bone
_________________________________________
Dr. Prof. José Roberto Ribas
RIO DE JANEIRO, RJ - BRASIL
AGOSTO de 2014
iii
Dacache, Amannda Ecard
Letouzé, Isabelle Dutra
Análise do impacto da divulgação de notícias na liquidez de
ações do mercado brasileiro/Amannda Ecard Dacache e Isabelle
Dutra Letouzé. – Rio de Janeiro: UFRJ/Escola Politécnica, 2014.
XI, 44 p.: il.; 29,7 cm.
Orientador: André Assis de Salles
Projeto de Graduação – UFRJ/Escola Politécnica/Curso de
Engenharia de Produção, 2014.
Referências Bibliográficas: p. 41-43.
1. Heurística da Disponibilidade 2. Liquidez de Ações.
3. Divulgação de Notícias. 4. Análise Estatística.
I. Salles, André de Assis. II. Universidade Federal do
Rio de Janeiro, Escola Politécnica, Curso de Engenharia
De Produção. III. Análise do impacto da divulgação de
notícias na liquidez de ações do mercado brasileiro.
iv
Resumo do Projeto de Graduação apresentado à Escola Politécnica/UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro de Produção.
Análise do impacto da divulgação de notícias na liquidez de ações do mercado
brasileiro
Amannda Ecard Dacache
Isabelle Dutra Letouzé
Agosto/2014
Orientador: André de Assis Salles
Curso: Engenharia de Produção
O trabalho proposto é fundamentado em estudos sobre vieses no julgamento e
tomada de decisão dos indivíduos, mais precisamente a Heurística da Disponibilidade,
na qual as pessoas subestimam ou superestimam a probabilidade de eventos por atribuir
maior peso às informações mais recentes e de rápido acesso na memória. Sendo assim,
com base nos dados de liquidez das ações das principais empresas do mercado de ações
brasileiro e no levantamento de notícias publicadas sobre tais empresas, foi realizada
uma análise estatística de dados e da associação das notícias com a liquidez de cada
uma das ações selecionadas para este trabalho. Como proposta, esta análise procurou
testar a hipótese de existência de vieses no julgamento e tomada de decisão associados à
negociação de ações, tendo como base a heurística da disponibilidade. Testes de
correlação e regressão mostraram que existe significância estatística dos resultados, mas
que os coeficientes encontrados não são tão fortes quanto o previsto, sugerindo que os
modelos selecionados podem ser aprimorados. A hipótese não foi rejeitada, mas ainda
há muito espaço para aprofundar o estudo, ampliando e diferenciando a metodologia de
pesquisa e análises estatísticas.
Palavras-chaves: Heurística da Disponibilidade, Liquidez, Divulgação de Notícias,
Mercado de Ações Brasileiro.
v
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Engineer.
LIQUIDITY ANALYSIS: THE IMPACT OF NEWS PUBLISHMENT ON SHARE’S
LIQUIDY IN THE BRAZILIAN STOCK MARKETTÍTULO DO PG EM INGLÊS
Amannda Ecard Dacache
Isabelle Dutra Letouzé
Agosto/2014
Advisor: André de Assis Salles
Course: Manufacturing/Industrial Engineering
The present work is based on studies concerning biases in judgment and decision
making, specifically the Availability Heuristics, in which people underestimate or
overestimate the probability of events by heavily weighting recent information that
easily comes to mind. Hence, considering the share’s liquidity data of the leading
companies in Brazil's stock market and on their published news in the same period, an
statistical analysis of these data and the association between published news and
liquidity of each share selected here will be made. This analysis aims to test the
hypothesis of the existence of biases in judgment and decision making related to
trading, based on the availability heuristics. Correlation and regression tests report that
the results are statistically significant, but the coefficients founded are not strong
enough, suggesting that the models selected can be improved. The hypothesis hasn’t
been rejected, but there is still space for further analysis, expanding and diversifying the
research methodology and statistical tests.
Keywords: Availability Heuristic, Liquidity, News Publishment, Brazilian Stock Market.
vi
Às nossas mães.
vii
Eu, Amannda Ecard Dacache, agradeço, primeiramente, à minha família. Aos
meus pais, por terem sempre priorizado a minha educação, e pelo apoio e carinho
durante toda a minha trajetória, se sacrificando para me dar nada menos que o melhor.
Aos meus irmãos, pelo companheirismo, e aos meus avós, pela admiração, preocupação
e amor incondicional. Meu agradecimento especial vai à minha avó Mariná Dacache, in
memoriam, que com certeza esteve comigo todo esse tempo.
Ao Vitor, que esteve ao meu lado nos últimos anos, pela amizade, carinho,
paciência e incentivo. Obrigada por me fazer querer ser sempre melhor e partilhar dos
mesmos sonhos e ideias. Sem sua inspiração, este trabalho não seria o mesmo.
À Isabelle, a amiga-irmã que eu ganhei na Engenharia de Produção e que passou
por todo esse caminho ao meu lado. Aquela com quem eu posso partilhar tudo, sabendo
que serei entendida, e que permanecerá para sempre em minha vida como colega de
turma, companheira de estudos, amiga e dupla do projeto de graduação.
Aos bons professores que marcaram minha vida. Os conhecimentos e exemplos
passados foram muito além da sala de aula e, hoje, sou uma pessoa melhor graças a isso.
Eu, Isabelle Dutra Letouzé, agradeço à minha mãe, que me tornou a pessoa eu
eu sou hoje através dos seus ensinamentos e educação. Obrigada por ser sempre o meu
porto seguro, mas, principalmente, por ser a “engenheira de produção” dos meus
sonhos, me impulsionando a correr atrás deles e cada vez querer mais.
Ao meu pai, por me mostrar a força que eu possuo, tudo que eu sou capaz,
mesmo quando tudo parece estar dando errado. As minhas avós, vovó, in memoriam, e
mémé, pelas histórias de exemplo, os mimos, as risadas e os momentos doces, que me
fizeram entender que a vida é feita de obstáculos, mas que todos podem ser
ultrapassados, serei o seu eterno “tesouro” e sua eterna “petit fille”.
À minha amada família: meus padrinhos, sempre presentes com suas palavras
sábias e sensatas , palavras desafiadoras, além de algumas muitos puxões de orelha, bem
dados; minhas primas, ou irmãs mais velhas, Ana e Patricia, que em um momento
crucial de decisão, me proporcionaram palavras de orientação e conselho.
viii
À minha “segunda família”, aquela que eu escolhi, que me acolheu e que me deu
dois irmãos, Fábio e Thiago, para implicar, brincar, brigar e rir, principalmente das
brigas.
À minha dupla do PG e PCP2, minha entidade, Amannda, por suas inúmeras
virtudes. Entre elas, paciência, determinação, foco, inteligência, responsabilidade e
amizade. Amizade essa que pretendo levar para a vida.
Ao meu maior companheiro nessa jornada de 6 anos, Moysés. Obrigada por ser
meu melhor amigo, por ter compartilhado de todas as minhas neuras e dificultades e
também das minhas conquistas. Você consegue extrair uma risada na minha tristeza, me
acalmar no meu desespero e clarear as minhas dúvidas.
E por último, mas não menos importante, gostaria de agradecer aos meus
amigos, os que desde o colégio sempre acreditaram no meu potencial, Ju, Bela, Helô,
Lopes, Stern, Jéssica e Anne; as que desde o trote e a primeira semana de aula eu divido
as risadas e compartilho desabafos, Ana e Roberta; os que vivenciaram ao meu lado um
dos anos mais incríveis e desafiadores da minha vida, Thompy, Maury, Fê, Thais e
Julia; e a que apesar de estarem fisicamente no outro extremo do planeta, nunca esteve
tåo próxima de mim, Lailla. Sem o apoio de vocês, cada um a sua maneira, não teria
sido tão bem sucedida nessa empreitada.
Em conjunto, agradecemos ao nosso professor e orientador André de Assis
Salles, por acreditar em nossa ideia e torná-la realidade. Sua orientação, dedicação e
disponibilidade foram indispensáveis para que esse trabalho fosse realizado.
Admiramos não só sua competência, mas também sua camaradagem.
Aos nossos amigos e colegas de turma, agradecemos pela amizade, estudos,
viagens, companheirismo e lealdade. Sem suas presenças, nossa passagem pela UFRJ
não teria sido tão marcante e divertida.
A Universidade Federal do Rio de Janeiro, pela oportunidade de estudar em uma
das melhores universidades do Brasil e, principalmente, pelo espaço de aprendizado,
professores e todos os que contribuíram nesses cinco anos de graduação.
A Deus.
ix
"Para enxergar claramente,
basta mudar a direção do olhar."
Antoine de Saint-Exupéry
x
Sumário
1. INTRODUÇÃO ........................................................................................ 1
2. REFERENCIAL TEÓRICO ................................................................... 4
2.1. Julgamento e Tomada de Decisão Racional ....................................... 4
2.2. Heurísticas e Viéses ............................................................................... 5
2.2.1. Heurística da Disponibilidade ........................................................... 6
2.2.1.1. Viés devido à recuperação de ocorrências ....................................... 6
2.2.1.2. Viés devido à efetividade de um ajuste de busca .............................. 7
2.2.1.3. Viés de imaginabilidade ................................................................... 7
2.2.1.4. Correlação espúria ........................................................................... 7
2.3. Divulgação de notícias .......................................................................... 8
2.4. Liquidez de Ações ................................................................................. 9
3. METODOLOGIA ................................................................................... 11
3.1. Amostra Selecionada .......................................................................... 11
3.1.1. Dados históricos das Ações ............................................................ 11
3.1.2. Determinação da Liquidez .............................................................. 12
3.1.3. Notícias Divulgadas ........................................................................ 13
3.2. Análises Estatísticas ............................................................................ 15
3.2.1. Análise de Correlação ..................................................................... 15
3.2.2. Análise de Regressão Linear .......................................................... 18
4. RESULTADOS OBTIDOS .................................................................... 26
5. CONSIDERAÇÕES FINAIS ................................................................. 39
6. REFERÊNCIAS BIBLIOGRÁFICAS ................................................. 41
ANEXO A .......................................................................................................... 44
xi
Índice de Tabelas
Tabela 1: Seleção das empresas e código das ações .................................................................................. 11
Tabela 2: Ranking de empresas pela medida de liquidez ILIQ .................................................................. 26
Tabela 3: Ranking de empresas pela medida de liquidez FR .................................................................... 27
Tabela 4: Resumo da amostra de notícias por empresa ........................................................................... 28
Tabela 5: Resumo da amostra de notícias por tipo .................................................................................. 29
Tabela 6: Comparação ranking de liquidez ILIQ e FR e notícias ................................................................ 30
Tabela 7: Análise de Correlação entre liquidez FR e notícias .................................................................... 31
Tabela 8: Análise de Correlação entre liquidez ILIQ e notícias ................................................................. 32
Tabela 9: Intervalo de Confiança do Coeficiente de Correlação entre liquidez FR e notícias ..................... 33
Tabela 10: Análise de Correlação entre Notícias Boas e Ruins ................................................................. 34
Tabela 11: Análise de Regressão para o Modelo 1 (Liquidez FR e Total de Notícias) ............................... 35
Tabela 12: Análise de Regressão para o Modelo 2 (Liquidez FR e Notícias Boas e Ruins) ........................ 36
Tabela 13: Metodologia de classificação das notícias divulgadas. .......................................................... 44
1
1. INTRODUÇÃO
Estudos sobre Finanças Comportamentais vêm sendo desenvolvidos há muitas
décadas e ainda constitui uma área em desenvolvimento. Fundamentada nas
características intrínsecas dos seres humanos, que estão sujeitos a vieses que
influenciam o processo decisório, as Finanças Comportamentais une elementos de
Psicologia Cognitiva, Economia e Finanças para compreender o comportamento
humano no mercado financeiro (PASSOS, et al., 2012).
Diferente de outros enfoques dados a Finanças, a área de Finanças
Comportamentais baseia-se nos pressupostos de que os agentes tomam decisões sobre
os investimentos apoiados não apenas em aspectos racionais, como sugerido
tradicionalmente, mas enviesados por conta do seu comportamento psicológico
complexo. Esta nova área de estudo busca aperfeiçoar as pesquisas referentes às
finanças para torná-las mais próximas da realidade buscando respostas para as
anomalias encontradas no mercado.
As Finanças Comportamentais ganharam evidência com o trabalho dos
psicólogos Amos Tversky e Daniel Kahneman, ganhador do prêmio Nobel de Economia
em 2002, principalmente pelo desenvolvimento da Prospect Theory: an analysis of
decision under risk (Teoria da Perspectiva: uma análise de decisão sob risco) em 1979
(KAHNEMAN & TVERSKY, 1979). Os autores estabeleceram uma base cognitiva
para os erros humanos comuns, utilizando heurísticas. Dentre os processos heurísticos
estudados por Kahneman e Tversky, está a Heurística da Disponibilidade, desenvolvida
em 1973, tema central do presente trabalho. Tal heurística diz que os indivíduos
atribuem maior peso às informações mais recentes ou disponíveis no processo decisório,
superestimando ou subestimando a probabilidade de um evento ou resultado, baseando
suas decisões na expressividade que o evento tem em sua memória (KAHNEMAN &
TVERSKY, 1973).
Sendo assim, pode-se perceber que os vieses ocasionados pela Heurística da
Disponibilidade estão relacionados às informações vívidas e recentes, que não
obrigatoriamente são as mais prováveis. É muito comum as pessoas estipularem
probabilidades de eventos baseados em experiências que são rapidamente acessíveis na
memória, ou seja, que estão mais recentes, esquecendo informações antigas, talvez até
2
mais importantes. O entendimento desta heurística leva a um questionamento sobre a
divulgação de notícias relacionadas ao mercado financeiro. Notícias de diferentes tipos,
de conotação boa ou ruim, poderiam impactar no julgamento e na tomada de decisão
nas negociações de um investidor no mercado de ações, mais especificamente na
liquidez das ações?
O presente estudo tem como objetivo testar a hipótese de que a Heurística da
Disponibilidade exerce influência sobre o julgamento e tomada de decisão do investidor
no mercado de ações frente às notícias divulgadas pelos meios de comunicação. As
análises aqui realizadas, ainda que incipientes, procuram servir de projeto piloto ou
como um teste prévio da referida hipótese que, se os resultados obtidos forem
satisfatórios, poderão ser replicados em análises mais aprofundadas.
Sendo um projeto piloto, a metodologia aplicada poderá ser vista como um
primeiro passo para a análise, com possibilidade de aprofundamento ou até mesmo uma
sugestão de reestruturação da metodologia. A escolha das medidas para se verificar a
associação entre as notícias divulgadas e as negociações no mercado de ações têm como
propósito indicar caminhos para novos estudos.
No que se refere à amostra utilizada, o estudo proposto tem limitações, pois,
como observado, o objetivo não é fazer uma vasta e profunda análise do tema. Serão
coletadas amostras suficientes para se ter uma análise preliminar do tema. Assim, os
dados coletados serão referentes ao mercado de capitais brasileiro e a um meio de
comunicação nacional.
A relevância de tal estudo pode ser destacada pelo fato de, nos últimos anos, o
Brasil vir apresentando um significativo desenvolvimento de seu mercado de capitais,
principalmente após a estabilização da espiral inflacionária. Por isso, cada vez mais,
empresas têm buscado o mercado de capitais para se financiar, sendo o mercado de
ações o que mais se beneficiou com isto. Considerando a representatividade do mercado
de ações na alavancagem de empresas brasileiras, todas as possíveis anomalias que o
afetam precisam ser observadas e estudadas. Dessa forma, não somente os investidores
se beneficiarão com tal conhecimento, mas as empresas poderão fundamentar suas
estratégias nessas informações (COSTA & SALLES, 2010).
3
Além disso, os meios de comunicação de massa são significativamente
influenciadores nos julgamentos e tomadas de decisões dos indivíduos e das próprias
empresas. O entendimento da correlação entre o papel dos meios de comunicação e o
mercado de ações pode fornecer insights para novas formas de posicionamento da
empresa, preocupação com imagem, etc.
Este trabalho está estruturado de forma a contextualizar o leitor sobre a
problemática aqui tratada, indicar como foi realizada a análise, mostrar os resultados e
apresentar as considerações finais. Para tanto, optou-se por dividi-lo em 5 seções:
Introdução, Referencial Teórico, Metodologia, Resultados Obtidos e Considerações
Finais.
Na Introdução, contextualizou-se o tema, demonstrou-se sua relevância e o
objetivo desse trabalho. Em seguida, no Referencial Teórico, com o propósito de
apresentar informações para o entendimento do trabalho, foi feita uma explanação sobre
tomada de decisão, heurísticas, divulgação de notícias e liquidez. A terceira parte trata
da metodologia adotada no trabalho, explicitando os critérios de seleção da amostra, as
medidas de liquidez escolhidas e os modelos estatísticos que foram utilizadas para
realizar a análise. No capítulo seguinte, serão apresentados os resultados e realizada
uma análise sobre esses descobrimentos. Ao final do trabalho serão feitas as
considerações finais do mesmo, indicando os objetivos alcançados, as considerações
mais significativas e, por se tratar de um estudo preliminar, sugestões para
aprofundamento ou ampliação do tema aqui discutido.
4
2. REFERENCIAL TEÓRICO
2.1. Julgamento e Tomada de Decisão Racional
Todos os dias, as pessoas passam por momentos em que precisam decidir algo.
Podem ser desde situações simples, como qual roupa usar para ir trabalhar, a situações
complexas de origens diversas, como uma decisão estratégica do gerenciamento da sua
empresa, um plano de tratamento de um paciente ou a formação da sua carteira de
ações. Independente da complexidade, o que todos esses problemas têm em comum é a
existência de um conjunto de opções disponíveis para serem escolhidas e as
probabilidades dos resultados e consequências relacionados a cada opção. Esse tipo de
situação é chamado de problema de tomada de decisão.
Existem dois tipos de tomada de decisão: irracional e racional. A primeira é
aquela que nós realizamos baseados em sentimentos e intuições, que não possuem uma
lógica por trás. Já a segunda categoria, apesar de não existir uma definição precisa,
apresenta um consenso quanto aos pré-requisitos de consistência e coerência que ela
deve cumprir. Por exemplo, o Teorema de Bayes prescreve uma reação considerada
correta a novas informações, onde se tem uma inferência estatística das probabilidades
a priori na hora de se calcular uma probabilidade a posteriori condicionada (De
BONDT & THALER, 1985).
No entanto, seguindo estudos que unem a estatística e a psicologia, observou-se
que as pessoas constantemente não tomam decisões 100% racionais como definido
acima. De acordo com Kahneman e Tversky (1981), o termo “quadro de tomada de
decisão” é utilizado para indicar a concepção do tomador de decisão sobre as opções, os
resultados destas e suas probabilidades. Existem dois fatores principais que estabelecem
as características desse quadro, são eles: os hábitos, normas e características pessoais do
tomador de decisão e a formulação do problema (KAHNEMAN & TVERSKY, 1981).
Outro conceito que influencia a tomada de decisão, por facilitar o processo
decisório, são as chamadas heurísticas, a serem explicadas na próxima seção.
Entretanto, seja pelo quadro de tomada de decisão ou pelas heurísticas, atualmente
existe um grande debate na academia sobre a real motivação das decisões tomadas pelos
indivíduos e como esses fatores podem levar o indivíduo a cometer erros de raciocínio.
5
2.2. Heurísticas e Viéses
No dia a dia, é comum as pessoas usarem atalhos mentais para o julgamento e
tomada de decisão. São as chamadas heurísticas, processos criados com o objetivo de
encontrar soluções para um problema. Contudo, tais atalhos podem gerar uma visão
distorcida da realidade, levando a pessoa a fazer julgamentos enviesados e tomar
decisões baseadas no senso comum e não na real probabilidade dos eventos.
Segundo Kahneman & Tversky (1974), as pessoas tendem a confiar em um
número limitado de princípios heurísticos, que simplificam as atividades de avaliar
probabilidades e de prever valores a simples atividades de julgamento. Três dessas
heurísticas são: (i) representatividade, (ii) ajuste e ancoragem e (iii) disponibilidade
(KAHNEMAN & TVERSKY, 1974).
A primeira, Heurística da Representatividade, diz que as pessoas tendem a
avaliar as probabilidades de acordo com o grau de semelhança entre dois eventos. Nessa
heurística, alguns dos vieses são: insensibilidade à probabilidade a priori, quando as
pessoas possuem algum tipo de informação não estatística e tendem a utilizá-las em
detrimento da probabilidade Bayesiana; insensibilidade ao tamanho das amostras;
concepção errônea da possibilidade, quando as pessoas tendem a achar que os
resultados de uma amostra deverão representar a população como um todo. Isso pode
levar a uma superinterpretação dos resultados ou uma escolha errada do tamanho da
amostra - Lei dos Pequenos Números (SPIEGEL, 2013), insensibilidade à
previsibilidade e ilusão de validade.
Um estudo feito por Bondt e Thaler (1085) sobre comportamento de mercado e
psicologia nas tomadas das decisões que podem levar a reações exageradas, tomou
como base a heurística da representatividade. Eles explicam que os indivíduos tendem a
dar mais importância a informações mais recentes. Aplicando isso ao Mercado de
Ações, essa tendência das pessoas acaba sendo errônea, uma vez que as flutuações
diárias das ações não são suficientes para refletir o mercado como um todo e a decisão
de vender ou comprar ações tem que ser analisada mais profundamente (De BONDT &
THALER, 1985).
A Heurística de Ajuste e Ancoragem representa a tendência das pessoas em
confiar exageradamente, se ancorar em uma parte ou traço de uma informação ao tomar
6
decisões. Alguns dos vieses causados por isso são os ajustes insuficientes, viés na
avaliação ou estimativa de eventos conexos e desconexos, ancoragem na avaliação de
distribuições de probabilidades subjetivas, etc.
Por último, a Heurística da Disponibilidade, tema que originou a hipótese testada
no presente trabalho, será detalhada a seguir.
2.2.1. Heurística da Disponibilidade
Dentre as heurísticas mais comuns, está a heurística da disponibilidade, na qual a
pessoa avalia a frequência e probabilidade dos eventos pela facilidade com que tais
ocorrências e relações vêm à mente (KAHNEMAN & TVERSKY, 1973). Com base
nisto, é mais provável que as pessoas acreditem em algo, somente por encontrar, pelo
menos, um exemplo disso e que não acreditem em algo, por nunca terem visto ou
ouvido falar antes.
Os estudos de Kahneman e Tversky (1973) mostraram que as pessoas
conseguem acessar a “disponibilidade” com rapidez e acurácia. Além disso, a facilidade
com que os eventos podem ser trazidos à mente influencia na construção do julgamento
com relação à frequência. Ou seja, os eventos que são fáceis de lembrar ou imaginar são
percebidos como mais frequentes, procedimento denotado como heurística da
disponibilidade (KAHNEMAN & TVERSKY, 1973). Essa heurística disponibiliza um
procedimento para estimar a probabilidade de um evento, a frequência de coocorrências
e a numerosidade de uma classe (KAHNEMAN, 2012). Porém, utilizar esse
procedimento pode levar a erros sistemáticos, que chamamos de vieses. Podemos
encontrar quatro importantes vieses no julgamento humano, descritos abaixo
(KAHNEMAN & TVERSKY, 1974).
2.2.1.1. Viés devido à recuperação de ocorrências
Alguns fatores podem levar as pessoas a acharem que algo ocorre com maior
frequência, devido à facilidade que têm para recuperar certas ocorrências ou subclasses
de uma determinada classe. Um desses fatores é a familiaridade do individuo com certas
ocorrências. Um exemplo prático disso é: se falarem uma lista de nomes de homens e
mulheres famosas e em seguida perguntarem se existem mais homens ou mulheres na
lista, se as mulheres forem mais famosas que os homens, a resposta tenderá para
mulheres. Outro fator que impacta o julgamento das pessoas é o quão recente são as
7
informações de uma classe. Assuntos mais atuais costumam ser mais relevantes e
impactam mais as probabilidades subjetivas. Por exemplo, quando alguém vê notícias
de um acidente de avião, a probabilidade subjetiva de ocorrer outro acidente de avião é
aumentada para o indivíduo. Por último, a importância dos assuntos para a pessoa faz
com que tenha uma facilidade maior de lembrá-los em detrimento de assuntos menos
importantes.
2.2.1.2. Viés devido à efetividade de um ajuste de busca
Esse viés consiste na tendência humana de acreditar em algo que você lembra
em maior quantidade, pois estava mais disponível na sua memória, acontece com maior
frequência. Isso pode ser exemplificado em uma situação, quando te perguntam com
qual taxa de frequência aparecem palavras abstratas, como por exemplo, “amor”,
“felicidade” e palavras concretas como “janela” e “terra” em um texto. O natural é você
tentar trazer a mente em quantos contextos diferentes você consegue utilizar palavras
abstratas e concretas. Se a frequência das palavras é julgada pela disponibilidade dos
contextos, você achará que as palavras abstratas são mais fáceis de serem utilizadas, e
com isso mais frequentes em um texto do que as palavras concretas.
2.2.1.3. Viés de imaginabilidade
Esse viés ocorre quando você deve avaliar a frequência de uma classe que não
há na sua memória, mas que existe uma regra para gerá-la. Com essa regra, geramos
ocorrências e, em geral, julgamos a frequência pela facilidade com que conseguimos
gerar a ocorrência.
2.2.1.4. Correlação espúria
O efeito da correlação espúria descreve a situação em que o indivíduo acredita
que existe uma correlação ou associação entre dois eventos, que de fato não existe. A
heurística da disponibilidade consegue justificar esse fenômeno de forma natural. A
pessoa acredita que a frequência da coocorrência dos dois eventos baseia-se no quão
forte é a associação entre eles. Ou seja, quando essa ligação é fraca, as pessoas julgam
que a frequência de coocorrência dos eventos é baixa.
8
2.3. Divulgação de notícias
A heurística da disponibilidade consegue explicar porque algumas questões são
negligenciadas pelo público, enquanto outras são relevantes. Isso é causado pelo
tamanho da cobertura da mídia sobre o assunto. Aqueles que são mencionados com
menor frequência fogem à memória do público e os tópicos com maior volume de
notícias tendem a ser mais proeminentes. Isso pode causar um fenômeno chamado de
cascata da disponibilidade, ou seja, uma “cadeia de eventos autossustentável”. Essa
cadeia começa na divulgação de uma informação, a principio considerada pouco
significativa cujo segmento do público acaba por se interessar. Consequentemente, a
mídia aumenta o seu foco nesse assunto, o que pode levar a população a um frenesi
muito grande, devido ao tamanho da relevância dada ao assunto.
Aplicando ao mercado de ações, a maioria dos acionistas, principalmente os que
não conhecem profundamente o mercado financeiro, acaba por fazer negociações
baseadas em informações mais evidentes e recentes, em mudanças repentinas e
temporárias no mercado divulgadas pelos meios de comunicação, prejudicando o
investimento que deveria ter rendimento superior a longo prazo. Pode-se sugerir, além
disso, a reação pelo efeito manada, em que ações têm seus valores modificados
bruscamente por conta da reação de outros.
Podem-se separar em duas categorias os tipos de divulgação de notícias, a saber:
as divulgações financeiras das empresas, que são obrigatórias, e as divulgações feitas
pelos meios de comunicação, relacionadas direta ou indiretamente à empresa. A
divulgação de notícias sobre empresas abertas, ou disclosure, é o ato de fornecer todas
as informações relevantes de uma empresa que podem influenciar a decisão do
investidor. Para fazer parte da Bolsa de Valores, as empresas precisam seguir todos os
requisitos e regulamentos de divulgação financeira ou disclosure.
Diversos estudos já foram feitos sobre a relação entre as divulgações financeiras
e o retorno das ações das empresas, sobre a qualidade ou quantidade dessas
informações, entre outros, buscando-se uma relação entre as informações divulgadas e a
possível reação do investidor a elas (LAMBERT, et al., 2006).
9
No caso da divulgação de notícias feitas pelos meios de comunicação, pode-se
crer que são levadas em consideração as informações passadas pelas empresas em suas
divulgações financeiras. Dessa forma, pode-se supor que as notícias divulgadas pelos
meios de comunicação já incorporam de certa forma tanto as informações financeiras do
disclosure quanto informações sobre a empresa, o setor e o mercado que influenciam
também o investidor.
Além disso, as notícias também são classificadas por sua conotação positiva ou
negativa, ou seja, se são notícias boas ou ruins. Tal classificação também pode
ocasionar diferentes correlações com as ações negociadas nas empresas, dependendo do
tipo de notícia. Um estudo recente, feito por Veronesi (1999), procurou a correlação
entre notícias boas e ruins com a volatilidade das ações, fundamentado na ideia de que a
incerteza dos investidores sobre fatores importantes que afetam a economia podem
impactar a volatilidade das ações, quando notícias boas são divulgadas em momentos
ruins e vice versa (VERONESI, 1999).
A literatura recente mostra que é crescente o interesse em analisar do papel dos
meios de comunicação e do comportamento humano no mercado de ações. Assim, é
relevante buscar uma correlação entre a divulgação de notícias feita pelos meios de
comunicação sobre empresas com ações na bolsa e a liquidez de tais ações.
2.4. Liquidez de Ações
Liquidez representa a facilidade com que um ativo pode ser transacionado no
mercado, ou seja, a facilidade com que ele pode ser convertido em dinheiro. A agilidade
de conversão de um investimento sem perda significativa de seu valor, mede a sua
liquidez. Pode-se entender, então, como o interesse do mercado em negociar este ativo
(LYRA, et al., 2012). Quanto menor a liquidez do ativo, maior a dificuldade de negociá-
lo. Sendo assim, por possuir um risco de liquidez maior, ou seja, por não ser
transacionado tão rápido quanto o decréscimo do seu valor, o retorno exigido de um
ativo de baixa liquidez tende a ser maior. Em um caso extremo em que a liquidez seja
nula, não existem negócios neste mercado e, consequentemente, ele deixaria de existir,
visto que o seu objetivo de ser um espaço que possibilite a troca de ativos não será mais
cumprido (FERNANDEZ, 1999).
10
A liquidez no mercado de capitais é um conceito muito complexo de se observar
e mensurar, pois suas propriedades não podem ser captadas em uma única medida.
Sendo assim, apesar de diversas propriedades serem atribuídas à liquidez, não há até
hoje um consenso sobre qual seria a propriedade ideal (AMIHUD, 2002).
Muitos estudos foram feitos para compreender quais são as propriedades da
liquidez e como mensurá-la. Dentre os trabalhos mais importantes está o de von Wyss
(2004), ao observar que a liquidez é uma variável multidimensional e deve ser
mensurada através de características como o tempo de execução de uma ordem de
compra ou venda de um ativo ao preço de mercado, habilidade de se comprar e vender
um ativo ao mesmo tempo e ao mesmo preço, possibilidade de se comprar ou vender
certo volume de um ativo sem interferir em sua cotação e a capacidade de negociar um
volume de ações sem afetar de forma significativa a cotação da mesma (von WYSS,
2004).
11
3. METODOLOGIA
3.1. Amostra Selecionada
3.1.1. Dados históricos das Ações
Baseado no artigo desenvolvido por Lyra (2012) sobre a relação entre o retorno
e a liquidez no mercado brasileiro, o critério de seleção das empresas brasileiras
selecionadas para a análise foi escolher, dentre as empresas citadas, as que fossem de
diferentes setores (LYRA, et al., 2012). Assim como no estudo supracitado, foram
selecionadas as empresas com maior volume financeiro médio negociado para cada
setor, segundo a classificação da BM&FBOVESPA. As empresas selecionadas estão
listadas na Tabela 1 abaixo.
Tabela 1: Seleção das empresas e código das ações Fonte: Elaboração Própria
Empresas Código Setor da Economia
1 Cia de Bebidas das Américas - AMBEV AMBEV3 Bebidas
2 Cia Bras. de Distribuição - Grupo Pão de Açúcar PCAR4 Alimentos
3 WEG S.A. WEGE3 Bens Industriais
4 Marcopolo POMO4 Material Rodoviário
5 Vale S.A. VALE5 Mineração
6 Cia. Siderúrgica Nacional - CSN CSNA3 Siderurgia
7 Cia Tec. Norte de Minas - Coteminas CTNM4 Vestuário
8 Petróleo Brasileiro S.A. - Petrobrás PETR4 Petróleo
9 Itaú Unibanco Holding S.A. ITUB4 Bancos
10 Embraer S.A. EMBR3 Material Aeronáutico
11 Souza Cruz S.A. CRUZ3 Fumo
12 Cia Saneamento Básico do Estado de São Paulo SBSP3 Saneamento
13 Cosan S.A. Indústria e Comércio CSAN3 Açúcar e Álcool
14 PDG Realty S.A. Empr. E Partic. PDG3 Construção Civil
15 Cia Energética de MG - CEMIG CMIG4 Energia Elétrica
16 ALL América Latina Logística ALLL3 Logística
Foram selecionados setores de consumo não cíclico, consumo cíclico, petróleo,
transporte logístico, energia elétrica, financeiro, bens industriais, materiais básicos,
construção civil e utilidade pública. Dentro de cada um desses foram realizadas mais
aberturas e selecionada a empresa de maior importância, segundo os critérios
previamente estabelecidos. Do setor de consumo não cíclico, para o setor de Alimentos
selecionou-se o Grupo Pão de Açúcar, para Bebidas a AMBEV, para Fumo a Souza
Cruz e para Açúcar e Álcool a Cosan. Já para o setor de consumo cíclico, a empresa
12
Coteminas de vestuário é destacada. Dos setores de petróleo, transporte logístico,
energia elétrica e financeiro tem-se a Petrobrás, a ALL Logística, a CEMIG e o Banco
Itaú-Unibanco, respectivamente. No que se refere ao setor de bens industriais, constam
a Embraer para o setor de material aeronáutico, Weg para bens industriais e Marcopolo
para material rodoviário. A Vale para mineração e a CSN para siderurgia formam as
empresas representantes do setor de materiais básicos. Para completar a lista das
empresas selecionadas, nos setores de construção civil e utilidade pública as empresas
que se destacaram foram a PDG Realty e a SABESP, respectivamente.
Os dados primários utilizados foram cotações diárias de fechamento em R$ de
ações das empresas escolhidas, o volume financeiro diário negociado e o número de
negócios realizados no dia, no período de 22 de julho de 2013 a 22 de julho de 2014.
Todas as informações foram coletadas no terminal da Bloomberg.
3.1.2. Determinação da Liquidez
Com base no estudo de von Wyss (2004), buscou-se uma medida de liquidez que
tornasse possível um cálculo, através de informações do mercado acionário brasileiro,
de fácil acesso ao público e com dados históricos suficientes (von WYSS, 2004). Além
disso, buscou-se também manter um alinhamento com o artigo de Lyra (2012), que
também aborda a liquidez (LYRA, et al., 2012).
Sendo assim, uma das medidas utilizadas, proposta por Amihud (2002), é a
medida de iliquidez denominada ILIQ. A ILIQ é a razão entre o módulo do retorno
diário de um ativo sobre o volume financeiro negociado no dia. Esta medida expressa a
sensibilidade do preço de um ativo, de acordo com seu volume financeiro, que é
negociado diariamente. Por se tratar de uma medida de iliquidez, seu resultado é
inversamente proporcional à liquidez da ação. Sua fórmula é descrita a seguir, onde �� representa o retorno no período � e �� o volume financeiro negociado no período
� �AMIHUD, 2002�.
����� � |��| ��⁄
Outra medida considerada, também presente no estudo de Von Wyss (2004) e
proposta por Ranaldo (2000), é a razão de fluxo, denominada FR, que mede se a
negociação é feita em poucas transações grandes ou muitas transações pequenas
(RANALDO, 2000). Como a liquidez aumenta com o número de transações e o volume
13
financeiro negociado, quanto maior a razão de fluxo, maior a liquidez. Sua fórmula
pode ser vista abaixo, onde �� representa o número de negócios no período � e �� o
volume financeiro no período �.
��� � �� � �� Com base nestas medidas, foram calculadas, para cada dia do período de 22 de
julho de 2013 a 22 de julho de 2014, as duas medidas de liquidez. Calculando a média
diária de cada medida de liquidez, para cada ação, foi possível elaborar um ranking para
cada uma dessas medidas, com ordem decrescente de liquidez. A fim de classificar a
liquidez das ações, as duas amostras foram divididas em três partes iguais. Onde: a
primeira parte é de alta liquidez; a segunda de média liquidez; e a terceira de baixa
liquidez.
3.1.3. Notícias Divulgadas
Além disso, foi necessário fazer uma coleta de dados das informações
divulgadas, no período estudado, sobre essas empresas. Para isso, foi escolhido um
meio de comunicação para a seleção de notícias a respeito das empresas selecionadas -
no caso, a internet por meio de notícias online. A fim de restringir a quantidade de
notícias analisadas, decidiu-se focar em um só site de divulgação: o Valor Econômico.
Foi feita uma pesquisa do número de notícias divulgadas diariamente. Além disso, foi
feita uma classificação entre notícias boas, ruins e neutras. Para tal classificação, foram
determinadas diversas premissas e limitações para que a análise fosse coerente e
conclusiva.
Primeiramente, a pesquisa restringiu-se apenas às notícias que contivessem uma
citação da empresa em questão, não considerando notícias do setor, mercados
influentes, etc. se estas não citassem explicitamente a empresa. A classificação entre
notícias boas, ruins e neutras leva em consideração somente o que se refere à empresa e
não à notícia como um todo. Por exemplo, uma notícia ruim sobre uma empresa
concorrente com uma citação positiva sobre a empresa analisada é considerada uma
notícia boa. Já as notícias neutras são citações sobre a empresa que não oferecem
conotação positiva nem negativa, não tendo uma interpretação conclusiva sobre a sua
classificação.
14
A classificação entre notícias boas, ruins e neutras foi feita subjetivamente pelas
autoras do trabalho. Parte da amostra de notícias coletadas está demonstrada, como
exemplo, no ANEXO A, com notícias sobre o Grupo Pão de Açúcar: data, título, tipo de
notícia e a classificação. Neste anexo, pode-se observar a metodologia utilizada para tal
classificação. Dentre as notícias boas, estão as notícias relativas à Bolsa, com
crescimento das ações das respectivas empresas; à situação financeira da empresa,
quando positiva; às estratégias da empresa, como uma união que renderá muitos
benefícios; etc. Já dentre as notícias ruins, pode-se citar notícias sobre: a queda da
Bovespa ou das ações da empresa; prejuízos ou declínio do lucro da empresa; ameaça
de concorrentes; escândalos políticos envolvendo a empresa; mudança de governança
que prejudique a imagem da empresa; etc. As notícias neutras foram situações
peculiares nas quais a empresa selecionada é citada de forma imparcial ou não tem
relação com a conotação positiva ou negativa da notícia.
Na seção de resultados, é apresentado um resumo dos dados coletados de cada
empresa, com quantidade total de notícias coletadas no período de 22 de julho de 2013 a
22 de julho de 2014 e com a quantidade de notícias discriminadas em boas, ruins e
neutras. Como as notícias não necessariamente são divulgadas nos dias de abertura da
Bolsa de Valores, todas as notícias divulgadas, nos dias em que a Bolsa não operou,
foram relacionadas ao primeiro dia de abertura da Bolsa, após a data de divulgação.
Como o tipo de notícia pode influenciar de maneiras diferentes na liquidez, foi
analisado, para cada notícia coletada, qual era a sua classificação por tipo. Estes tipos
poderiam ser: Finanças, Empresas, Política, Brasil e Outras, que são notícias menos
frequentes, relacionadas a Agronegócios, Carreira, Cultura e Estilo, Legislação e
Tributos, Eleições 2014, Internacional etc. As notícias de Finanças são basicamente
associadas às informações sobre o desempenho das ações, relatórios do mercado de
ações, dados contábeis da empresa (principalmente oriundos da divulgação financeira,
disclosure), etc. As notícias sobre Empresas são ligadas ao setor do mercado ao qual ela
está inserida, às empresas concorrentes, às estratégias empresariais, etc. Notícias
pertencentes à classificação Política são referentes às políticas macroeconômicas que
afetam a ação e a empresa de modo geral, escândalos políticos, etc. Notícias sobre o
Brasil são, principalmente, as relacionadas à conjuntura política e econômica, pois
afetam exclusivamente ao país.
15
3.2. Análises Estatísticas
Com as informações das amostras em mãos, análises estatísticas são elaboradas
para se testar a hipótese proposta: se existe relação e/ou influência entre as notícias
divulgadas pelos meios de comunicação e a liquidez das ações. Para isso, serão feitas
análises de correlação e regressão para atender aos respectivos fins. A base
metodológica de tais cálculos será descrita a seguir.
De acordo com Gujarati (2011), o principal objetivo da análise de correlação é
medir a força ou o grau de associação linear entre duas variáveis. Ela está estritamente
relacionada à análise de regressão, mas, conceitualmente, é muito diferente. Enquanto o
coeficiente de correlação mede a força dessa associação linear, a análise de regressão
não está interessada preferencialmente em tal medida. Em vez disso, a análise de
regressão busca estimar ou prever o valor médio de uma variável com base nos valores
fixos de outras variáveis (GUJARATI & PORTER, 2011).
Dentre algumas diferenças da regressão e da correlação relatadas por Gujarati
(2011), pode-se dizer que na análise de regressão existe uma assimetria na maneira
como as variáveis dependentes e explanatória são tratadas. Nela, supõe-se que a variável
dependente é estatística, aleatória ou estocástica, ou seja, tem distribuição probabilística,
e que as variáveis explanatórias têm valores fixos (em amostras repetidas). Na análise
de correlação, por outro lado, tratam-se quaisquer duas variáveis simetricamente, não
existindo distinção entre as variáveis dependente e explanatória e, além disso, supõe-se
que as duas variáveis são aleatórias. Em suma, a maior parte da teoria da correlação
baseia-se na premissa da aleatoriedade das variáveis, enquanto boa parte da teoria de
regressão está condicionada à premissa de que a variável dependente é estocástica, mas
as variáveis explanatórias são fixas ou não estocásticas (GUJARATI & PORTER,
2011).
3.2.1. Análise de Correlação
Como já dito anteriormente, a análise de correlação observa a medida da
variação conjunta das variáveis (ou co-variação) em um diagrama de dispersão. Para
isso, utiliza-se o coeficiente de correlação � (rô), uma medida do grau de associação
entre duas variáveis, que é definido como a razão da covariância pelos desvios padrões
das variáveis estudadas, como indicado na equação abaixo (SALLES, 2010)
16
���, �� � ��� � �������
Deve-se lembrar que o cálculo do � é aplicado a cálculos de correlação
populacional. Para calcular a correlação amostral utiliza-se:
��, �� � �� � !"#$ % �"#��"$�&!"#' % �"#�'&!"$' % �"$�'
Para cada empresa, todas as variáveis analisadas (liquidez FR, total de notícias
diárias, notícias boas e notícias ruins) foram correlacionadas entre si e demonstradas em
uma matriz com os seus respectivos coeficientes de correlação . Segundo Gujarati
(2011), podem-se salientar algumas das propriedades de :
1. Pode ser positivo ou negativo, dependendo do sinal do termo no numerador da
equação, que mede a covariação amostral das duas vaiáveis. Quando positiva, significa
que uma variável aumenta quando a outra cresce e, quando negativa, as variáveis
variam em direções opostas;
2. Situa-se entre os limites -1 e +1, sendo, para valores positivos:
0 - Correlação Nula
0 ( ) 0.3 - Correlação Fraca
0.3 ( ) 0.7 - Correlação Moderada
0.7 ( ) 1 - Correlação Forte
� 1 - Correlação Perfeita
3. A correlação nula não significa necessariamente que � e � são independentes.
Porém, se � e � são estatisticamente independentes, o coeficiente de correlação entre
elas é zero.
4. Possui natureza simétrica, isto é, o coeficiente de correlação entre � e � é o
mesmo que aquele entre � e �;
5. É independente da origem e da escala;
6. É uma medida de associação linear e não de uma associação não linear;
17
7. Mesmo sendo uma medida de associação linear entre duas variáveis, ela não
implica necessariamente qualquer relação de causa e efeito.
De acordo com Salles (2010), também se considera a correlação espúria, que é a
existência de um coeficiente de correlação entre duas variáveis sem nenhuma
explicação lógica e de causa e efeito para isso. As causas mais frequentes da ocorrência
de correlações espúrias são, por exemplo, a distribuição não equilibrada dos dados, a
relação entre quocientes de variáveis que apresentam o mesmo denominador, e a relação
de variáveis que foram multiplicadas por uma delas (SALLES, 2010).
É possível testar a hipótese de que o coeficiente de correlação linear é igual a
zero, ou seja, fazer um teste de significância estatística do coeficiente de correlação. Se
a hipótese é rejeitada, o coeficiente de correlação tem significância estatística. Em geral,
um teste de significância utiliza os resultados amostrais para verificar a veracidade ou
falsidade de uma hipótese nula (SALLES, 2010).
./: � 0
.1: 2 0
A estatística de teste é dada por:
�/ � 3 ! % 21 % '
Onde:
� = estatística do teste;
! = tamanho da amostra;
= estimativa do coeficiente de correlação linear
A estatística do teste ou estimador t, segue uma distribuição t de Student com
(! % 2) graus de liberdade, sob a possibilidade da hipótese nula ./ � 0. A hipótese
nula ( � 0) é rejeitada, se o módulo de t for maior que o valor crítico para a estatística
do teste bilateral, para um nível de significância α, com (n – 2) graus de liberdade.
�4 '5 ;78'
18
Também é possível construir um intervalo de confiança para r. Assim, pode-se
observar com probabilidade (1-α) quais são os Limites Inferiores de Confiança e
Limites Superiores de Confiança (intervalo de confiança) do coeficiente de correlação
(MONTGOMERY & PECK, 1992). O intervalo de confiança é dado por:
9 : � ��4 '5 ;78'�
Sendo que:
� � 31 % '! % 2
3.2.2. Análise de Regressão Linear
Conforme Gujarati (2011), a análise de regressão tem como objetivo estudar a
dependência de uma determinada variável, a variável dependente (�), com relação a
uma ou mais variáveis distintas, as variáveis explanatórias (�), de forma a estimar e/ou
prever o valor médio da primeira, em termos dos valores conhecidos ou fixados das
segundas. Em outras palavras, podemos dizer que o valor da média condicional de � é
dado por uma função da variável explanatória �, escrito de sua forma simbólica como
;��|�<� � =��<�. Essa equação é conhecida como função de regressão populacional
(FRP) ou função de esperança condicional (FEC). A função linear de regressão
populacional é considerada uma das mais importantes e utilizadas. Ela é dada por:
;��|�<� � >1 ? >'��<�
Na qual >1 e >' são parâmetros desconhecidos, denominados coeficientes de regressão.
>1 e >' também são conhecidos como intercepto e coeficiente angular, respectivamente.
Sua especificação estocástica é conhecida por:
�< � ;��|�<� ? @< � >1 ? >'��<� ? @< Onde @< é o erro estocástico ou resíduo. A FRP pode ser obtida a partir da função de
regressão amostral, onde se substitui os parâmetros pelos seus respectivos estimadores.
Existem inúmeros métodos para estimar a FRP a partir da FRA. O mais
utilizado, por ser intuitivamente convincente e matematicamente mais simples que
outros, é o Método dos Mínimos Quadrados Ordinários (MQO). Atribuído a Carl
Friedrich Gauss, ele tem por objetivo estimar/calcular os valores dos estimadores >1 e
19
>'. Porém, em uma análise de regressão, procura-se realizar inferências relativas aos
verdadeiros >1 e >' (GUJARATI & PORTER, 2011). Para isso, utilizamos os Modelos
Clássicos de Regressão Linear (MCRL) simples e múltiplo, dependendo do número de
variáveis explanatórias. Pode-se dizer que, para utilizá-los, devem-se cumprir alguns
pressupostos, listados abaixo:
1. O modelo de regressão deve ser linear nos parâmetros, embora não
precise ser linear nas variáveis;
2. Os valores de � devem ser fixos ou independentes do termo de erro
estocástico;
3. O valor médio do termo de erro estocástico ei é zero
4. A variância do termo de erro estocástico é homocedástica, isto é, a
dispersão dos resíduos é constante ao longo da regressão, independente
do valor de �;
5. Não pode haver autocorrelação entre os termos de erro estocástico;
6. O número de observações n deve ser maior que o número de parâmetros
a serem estimados
7. Os valores de � não podem ser os mesmos, ou seja, deve haver
variabilidade dos valores de �;
8. Não há multicolinearidade exata entre as variáveis explanatórias (quando
houver mais de uma), ou seja, é necessário que não haja uma relação
linear exata entre os regressores.
9. Ausência de erro de especificação no modelo utilizado, ou seja, não
ocorreram erros na concepção do modelo, como, por exemplo, a escolha
incorreta das variáveis ou da forma funcional da relação entre as
variáveis dependentes e explanatórias.
Este estudo tem como objetivo verificar a dependência da variação da liquidez
diária de cada ação em relação ao número de notícias diárias divulgadas. Para isso,
foram realizadas duas análise de regressão. No primeiro caso, a variação da liquidez
diária da ação (variável dependente) é relacionada com o número total de notícias
diárias (variável explanatória única), enquanto no segundo caso, a variação da liquidez
diária da ação (variável dependente) é relacionada com o número de notícias diárias
boas (variável explanatória 1) e ruins (variável explanatória 2).
20
Sob a conjectura de que os pressupostos não estão sendo violados, foram
construídos dois modelos de regressão linear para estimar a variável média das
variações da liquidez diária das ações a ambas as análises de regressão explicadas
acima, um de regressão simples, Modelo 1, e um de regressão múltipla, Modelo 2,
respectivamente. Suas formas estocásticas são descritas a seguir.
Modelo 1:
∆�<� � >1 ? >'�<� ? @<� Onde:
• ∆�<� = variação da medida de liquidez FR da ação B no dia �;
• >1 = intercepto
• >' = coeficiente de regressão
• �<� = número de notícias total divulgadas no dia t da ação i;
• @<� = erro estocástico.
Modelo 2:
∆�<� � >1 ? >'�<�C ? >D�<�8 ? @<� Onde:
• ∆�<� = variação da medida de liquidez FR da ação B no dia �;
• >1 = intercepto
• >' e >D = coeficientes de regressão
• �<�C = número de notícias boas divulgadas no dia t da ação i;
• �<�8 = número de notícias ruins divulgadas no dia t da ação i;
• @<� = erro estocástico.
Testes foram realizados para garantir a não violação dos pressupostos para estes
modelos. Por exemplo, o teste de Durbin-Watson pode ser observado nos resultados
obtidos nos testes com os modelos de regressão para detectar a presença de
autocorrelação entre as séries utilizadas no modelo. Além disso, a análise de correlação
feita entre as variáveis referentes às notícias boas e às noticias ruins foi realizada para
verificar o pressuposto da multicolinearidade.
21
Assumindo que todos os pressupostos estão sendo respeitados, é feita a análise
de regressão para estimar o ß1, o intercepto, e o ß2 e ß3, os coeficientes de regressão.
Também se observa o valor-p (o valor da probabilidade), também conhecido como nível
de significância exato ou observado. Mais tecnicamente, o valor-p é definido como o
menor nível de significância que uma hipótese nula pode ser rejeitada (GUJARATI &
PORTER, 2011).
Contudo, considerando uma segunda conjectura em que há violação dos
pressupostos, especialmente o de homocedasticidade, foi selecionado outro tipo de
modelo para que se consiga realizar as duas análises entre a variável dependente e as
explanatórias supracitadas sem ser tendencioso. Mas, antes de descrever o modelo
utilizado, é preciso relembrar alguns conceitos importantes e explicar porque essa
mudança de modelos é necessária.
A começar pela heterocedasticidade, podemos defini-la como a não
uniformidade da dispersão dos resíduos ao longo da linha de regressão, ou seja, a
variância dos resíduos não é constante (SALLES, 2010). Essa característica entra em
conflito com um dos principais pressupostos para utilização do modelo clássico de
regressão linear. Existem inúmeros motivos para que o modelo seja heterocedástico.
Nesse caso específico, uma possível razão para essa ocorrência é a assimetria na
distribuição de um ou mais dos regressores incluídos no modelo. Segundo Gujarati
(2011), o problema de se persistir no uso de procedimentos comuns de teste, apesar da
heterocedasticidade, quais que sejam as conclusões a que se chegue ou as inferências
feitas poderão ser equivocadas (GUJARATI & PORTER, 2011).
Outro conceito importante é o de séries temporais. Uma série temporal é um
processo estocástico, ou seja, uma coleção de variáveis aleatórias ordenadas no tempo,
que pode ser ou não estacionário. O conceito de estacionariedade se baseia na
constância da média, variância e autocovariâncias (entre dois períodos de tempo)
independente do ponto que observar. A não ocorrência da estacionariedade pode ser
denominada modelo de passeio aleatório (GUJARATI & PORTER, 2011). Esse tipo de
série é muito vista no mercado de ações, ao se analisar os preços das ações ou taxas de
câmbio e pode causar análises errôneas, se não houver conhecimento de que a série é
não estacionária. Diz-se que essas séries seguem um passeio aleatório. De maneira
22
resumida, diferenciar o modelo de passeio aleatório é uma maneira de se tratar a não
estacionariedade dele.
Todas as essas características, quando se trata de séries temporais financeiras,
como os preços de ativos, podem ser justificada pelo fenômeno da aglomeração de
volatilidade, ou seja, em determinados períodos existem grandes oscilações e em outros
períodos as variações são menores. Esse fenômeno pode ser explicado pela observação
feita por Philip Franses (GUJARATI & PORTER, 2011), economista holandês:
“Uma vez que os dados [da série temporal financeira] refletem o
resultado do comércio entre compradores e vendedores em, por exemplo,
mercado de ações, muitas fontes de notícias e outros eventos econômicos
exógenos podem ter um impacto no padrão da série temporal dos preços
dos ativos. Dado que as notícias podem levar a interpretações variadas,
e também dado que eventos econômicos específicos como uma crise de
petróleo podem durar por algum tempo, frequentemente observamos que
grandes observações positivas ou grandes observações negativas em
séries temporais tendem a aparecer em aglomerados.”
Tendo isso em mente, na análise de regressão envolvendo séries temporais, se o
modelo de regressão incluir não só os valores correntes, mas também um ou mais
valores defasados da variável dependente entre suas variáveis explanatórias, é
denominado modelo autorregressivo, como sugere Gujarati (2011). Para a estimação
desse modelo, a teoria clássica dos mínimos quadrados pode não ser diretamente
aplicável a ele. Isso ocorre por dois motivos: pela presença de variáveis estocásticas e
pela possibilidade de correlação serial. No segundo caso, se uma variável explanatória
em um modelo de regressão está correlacionada com o erro estocástico, os estimadores
de MQO não são apenas tendenciosos, mas também não são consistentes, isto é, os
estimadores não se aproximam de seu valor populacional verdadeiro mesmo que ao
tamanho da amostra seja aumentado (GUJARATI & PORTER, 2011).
E, para o caso específico da aglomeração de volatilidade, existem dois modelos
que podem ser utilizados para capturar as características: o modelo de
heterocedasticidade condicional autorregressiva (ARCH, do inglês autoregressive
conditional heteroscedasticity) e o modelo de heterocedasticidade condicional
autorregressiva generalizada (GARCH, do inglês generalized autoregressive
23
conditional heteroscedasticity). Gujarati (2011) explica que, como o próprio nome
sugere, a heterocedasticidade ou variância desigual pode ter uma estrutura
autorregressiva na qual a heterocedasticidade observada ao longo de diferentes períodos
pode ser autocorrelacionada (GUJARATI & PORTER, 2011).
No modelo original ARCH (LONTRA & SALLES, 2012), a variância é
modelada em função dos resíduos e é estimada da seguinte forma:
�E�' � F ? G H<I�8<'J
<K1
Onde:
�E�' = Estimativa da variância no tempo t;
I�8<' = Resíduos da estimativa do retorno do ativo no perídot-1;
L = Número de períodos anteriores a t utilizados para estimar a variância.
O modelo de GARCH, uma forma estendida do ARCH, teve um termo
adicionado à equação de variância, passando a depender, também, da variância anterior,
além dos resíduos anteriores (LONTRA & SALLES, 2012). Nesta extensão do modelo,
a variância é modelada da seguinte forma:
�E�' � F ? G H<I�8<'J
<K1? G >M�E�8M'
NMK1
Com as seguintes restrições:
F O 0, L O 0, P Q 0, H< Q 0 @ >M Q 0 No caso do presente trabalho, as variáveis citadas p e q, que indicam o número
de períodos anteriores utilizados para as variáveis das equações, foram de um período
para ambos os modelos ARCH e GARCH. Em suma, utilizou-se o modelo ARCH(1) e
GARCH(1,1).
Duas derivações do modelo GARCH foram propostas, chamadas
respectivamente de IntegratedGARCH (IGARCH) e ExponentialGARCH (EGARCH).
A primeira inclui duas restrições: considera que o intercepto é igual a zero e que o
somatório dos coeficientes de regressão se igualam a 1 (LONTRA & SALLES, 2012).
F � 0;
24
G H<J
<K1? G >M
NMK1
� 1
A segunda, EGARCH, busca captar desvios assimétricos feitos por informações
positivas e negativas, além de ponderar as observações, dando mais peso às informações
mais recentes que às informações mais antigas (LONTRA & SALLES, 2012). A
variância é modelada da seguinte forma:
log���'� � F ? G UH< � |I�8<| ? �V< � I�8<���8< WN<K1
? GX>< � log���81' �YJ<K1
Com isso, tendo em vista a segunda conjectura, de violação dos pressupostos
para o modelo linear de regressão – a volatilidade das séries analisadas (variação da
medida de liquidez), que indica a heterocedasticidade – o presente trabalho modela a
variância da variável dependente (variação da medida de liquidez) para os dois modelos
supracitados (Modelo 1 e Modelo 2), utilizando o método de inferência estatística da
família ARCH. Sendo assim, foram testadas diversas combinações de modelos (entre os
modelos de regressão linear para modelar a média e os modelos da família ARCH para
modelar a variância) para se escolher os que melhor explicavam os dados das séries
analisadas. Para todos os testes, foi utilizado o software EViews, programa estatístico
utilizado para análise econométrica. Em cada modelo, foram estimados para cada ação
todos os quatro tipos de modelos da família ARCH, combinados com as distribuições de
probabilidade Normal e t-Student. Em suma, um total de 16 combinações de modelos e
distribuições de probabilidade foram testadas para se encontrar o melhor modelo que
explicasse a amostra.
A seleção do melhor modelo foi feita através do erro padrão e dos critérios de
informação de Akaike (AIC - Akaike Information Criterion) e de Schwartz (BIC -
Bayesian Information Criterion). O erro padrão é uma medida da precisão da média
amostral calculada, sendo que quanto menor o erro-padrão, mais precisa é a média
amostral. O critério de informação de Akaike mede, por meio da ponderação entre o
número de variáveis presentes em um modelo e sua conformidade com os dados, a
adequação de um modelo estatístico analisado. O modelo é definido como:
25
�Z � @'[/7 �]]!
Também apresentado na forma:
ln _�Z � `2a! b ? ln `�]]! b
onde:
a = número de regressores (incluindo o intercepto);
! = número de observações
Ao compararmos dois ou mais modelos, o modelo com o valor mais baixo de
AIC é preferido (LONTRA & SALLES, 2012). Segundo Gujarati (2011), “uma
vantagem do AIC é que é útil não só dentro da amostra, mas também fora dela,
prevendo o desempenho de um modelo de regressão”.
Já o critério de Schwartz, que também mede a adequação do modelo estatístico,
penaliza de forma mais enfatizada os modelos com mais parâmetros, ocasionando em
um maior trade-off entre o poder de explicação do modelo e sua complexidade. Sua
fórmula é descrita a seguir:
c�Z � ![/7 �]]!
ou
ln c�Z � `a!b ln ! ? ln `�]]! b
Onde 2 a !5 ln ! representa o fator de penalidade do modelo.
Assim como no AIC, o BIC pode ser usado para comparar o desempenho do
modelo quando as previsões são feitas dentro e fora da amostra. Neste caso, quanto
menor o valor resultante, mais adequado é o modelo estatístico analisado (LONTRA &
SALLES, 2012).
26
4. RESULTADOS OBTIDOS
Nesta seção serão apresentados os dados e as análises gerados a partir da
metodologia empregada. Inicialmente, a partir das ações das empresas selecionadas para
este trabalho e seus dados históricos diários de variação do retorno, volume financeiro e
quantidade de ações negociadas no período de 22 de julho de 2013 a 22 de julho de
2014, foram calculadas as médias diárias das medidas de liquidez ILIQ e FR no período
para cada ação.
Primeiramente, a média diária da medida de liquidez ILIQ foi listada em ordem
crescente de valor, por se tratar de uma medida de iliquidez, para que se pudesse fazer
um ranking de liquidez de ações, exposto na Tabela 2. Neste ranking, as ações foram
divididas em três grupos: alta, média e baixa liquidez. As sete primeiras empresas
(Petrobras, Vale, PDG Realty, Itaú, Ambev, CSN e CEMIG) são as empresas mais
líquidas, segundo a medida ILIQ. A Marcopolo, Embraer, Souza Cruz e Cosan são as
empresas do grupo intermediário, de média liquidez. Já as demais (Sabesp, Grupo Pão
de Açúcar, Coteminas e WEG) são as empresas com valores de liquidez baixos.
Tabela 2: Ranking de empresas pela medida de liquidez ILIQ Fonte: Elaboração Própria
Empresas Ação Medida ILIQ Liquidez
1 Petrobras PETR4 5,8E-10
Alta
2 Vale VALE5 7,9E-10 3 PDG Realty PDGR3 1,0E-09 4 Itaú ITUB4 1,1E-09 5 AMBEV AMBEV3 1,1E-09 6 CSN CSNA3 3,1E-09 7 CEMIG CMIG4 3,8E-09 8 ALL ALLL3 6,1E-09
Média 9 Marcopolo POMO4 6,1E-09 10 Embraer EMBR3 6,7E-09 11 Souza Cruz CRUZ3 1,0E-08 12 Cosan CSAN3 1,1E-08
Baixa
13 Sabesp SBSP3 1,2E-08 14 Grupo Pão de Açúcar PCAR4 1,6E-08 15 Coteminas CTNM4 2,1E-05 16 WEG WEGE3 3,0E+02
Para a medida de liquidez FR, também foi feito o mesmo procedimento, listando
um ranking de na ordem decrescente das empresas, que pode ser observado na Tabela 3.
27
No primeiro grupo, para as empresas de alta liquidez, encontram-se a Petrobras, Vale,
PDG Realty, Itaú, AMBEV e CSN. Com média liquidez estão as empresas CEMIG,
Marcopolo, ALL, Embraer e Sabesp. Por último, as empresas do grupo de baixa
liquidez são a Souza Cruz, a Cosan, Grupo Pão de Açúcar, WEG e Coteminas.
Tabela 3: Ranking de empresas pela medida de liquidez FR Fonte: Elaboração Própria
Empresas Ação Medida ILIQ Liquidez
1 Petrobras PETR4 1,3E+12
Alta
2 Vale VALE5 4,7E+11 3 PDG Realty PDGR3 3,7E+11 4 Itaú ITUB4 2,7E+11 5 AMBEV AMBEV3 1,9E+11 6 CSN CSNA3 9,8E+10 7 CEMIG CMIG4 4,9E+10
Média
8 Marcopolo POMO4 3,6E+10 9 ALL ALLL3 2,9E+10 10 Embraer EMBR3 1,8E+10 11 Sabesp CRUZ3 1,1E+10 12 Souza Cruz SBSP3 7,9E+09
Baixa
13 Cosan CSAN3 6,1E+09 14 Grupo Pão de Açúcar PCAR4 3,0E+09 15 WEG WEGE3 1,6E+09 16 Coteminas CTNM4 1,8E+06
Pode-se perceber que estes rankings apresentam resultados muito próximos,
alterando a posição de apenas algumas empresas entre os grupos. As sete primeiras
empresas, com maior medida de liquidez em ambos os casos, estão inclusive listadas na
mesma ordem no ranking.
Para a amostra de notícias, foram coletados os dados diários de notícias no
mesmo período (22 de julho de 2013 a 22 de julho de 2014), sendo estes dados o total
de notícias diárias, notícias boas, notícias ruins e notícias neutras. Abaixo, um resumo
sobre a amostra pode ser visto na Tabela 4. As informações são apresentadas em ordem
decrescente de número de notícias encontradas neste período, com as respectivas
quantidades de notícias boas, ruins e neutras discriminadas.
28
Tabela 4: Resumo da amostra de notícias por empresa Fonte: Elaboração Própria
# Empresa
Total de Notícias
Classificação (Qtd) Classificação (%) Boa Ruim Neutra Boa Ruim Neutra
1 Petrobras 1948 926 891 131 47.5% 45.7% 6.7%
2 Vale 1040 546 457 37 52.5% 43.9% 3.6%
3 Itaú 579 289 172 118 49.9% 29.7% 20.4%
4 Embraer 203 122 62 19 60.1% 30.5% 9.4%
5 SABESP 192 56 126 10 29.2% 65.6% 5.2%
6 CSN 159 84 74 1 52.8% 46.5% 0.6%
7 AMBEV 152 81 61 10 53.3% 40.1% 6.6%
8 ALL 148 52 61 35 35.1% 41.2% 23.6%
9 PDG Realty 111 37 65 9 33.3% 58.6% 8.1%
10 CEMIG 111 67 43 1 60.4% 38.7% 0.9%
11 Cosan 108 60 46 2 55.6% 42.6% 1.9%
12 Grupo Pão de Açúcar 100 73 24 3 73.0% 24.0% 3.0%
13 Souza Cruz 43 18 24 0 41.9% 55.8% 0.0%
14 Marcopolo 12 7 5 0 58.3% 41.7% 0.0%
15 Coteminas 11 10 1 0 90.9% 9.1% 0.0%
16 WEG 10 10 0 0 100% 0.0% 0.0%
- Total 4927 2438 2112 376 49.5% 42.9% 7.6%
Além disso, as notícias totais diárias coletadas foram classificadas por tipo,
dados que estão dispostos na Tabela 5. Pode-se observar que as notícias sobre Finanças
são muito significativas para todas as empresas, muito provavelmente pelo já citado
disclosure, que obriga as empresas a divulgarem dados pertinentes às suas ações ao
público. Além das notícias baseadas no disclosure, a mídia preocupa-se muito com os
dados contábeis da empresa e com a especulação de seus ativos. Notícias classificadas
como Empresas também são muito expressivas, por passarem informações sobre o
mercado, concorrentes e situação da empresa analisada, fatos muito comuns e de ampla
divulgação. Algumas empresas, como a Petrobras, Sabesp e Coteminas, que possuem
relação com o Governo ou que possuem algum representante ativamente político,
possuem uma porcentagem muito maior de notícias relacionadas à Política. Por tratar-se
de empresas brasileiras, as notícias relacionadas ao Brasil também têm peso relevante
na amostra.
29
Tabela 5: Resumo da amostra de notícias por tipo Fonte: Elaboração Própria
Empresa
Total de Notícias
Tipo de Notícia (%) Brasil Empresas Finanças Política Outros
1 Petrobras 1948 9.0% 17.9% 52.9% 17.9% 2.4%
2 Vale 1040 1.2% 8.3% 89.7% 0.2% 0.7%
3 Itaú 579 3.5% 12.3% 79.4% 0.7% 4.1%
4 Embraer 203 3.9% 40.4% 48.3% 3.4% 3.9%
5 SABESP 192 16.1% 42.7% 26.0% 14.6% 0.5%
6 CSN 159 0.6% 15.7% 79.9% 0.6% 3.1%
7 AMBEV 152 1.3% 21.7% 76.3% 0.0% 0.7%
8 ALL 148 10.8% 29.1% 55.4% 0.0% 4.7%
9 PDG Realty 111 0.9% 9.9% 89.2% 0.0% 0.0%
10 CEMIG 111 14.4% 28.8% 52.3% 3.6% 0.9%
11 Cosan 108 4.6% 20.4% 60.2% 0.0% 14.8%
12 Grupo Pão de Açúcar 100 4.0% 64.0% 30.0% 0.0% 2.0%
13 Souza Cruz 43 2.3% 74.4% 74.4% 2.3% 4.7%
14 Marcopolo 12 8.3% 50.0% 25.0% 8.3% 8.3%
15 Coteminas 11 9.1% 9.1% 0.0% 81.8% 0.0%
16 WEG 10 0.0% 90.0% 0.0% 0.0% 10.0%
- Total 4927 6.0% 19.2% 64.6% 8.2% 2.5%
Como forma de comparar os rankings feitos para as medidas de liquidez e
quantidade de notícias, uma tabela comparativa visa agrupar tais resultados e mostrar as
suposições que podem ser feitas a respeito da correlação entre as séries. A Tabela 6
mostra que os resultados das medidas de liquidez e de quantidade de notícias são
ordenados de forma similar, sugerindo a possibilidade de uma correlação entre eles e, se
confirmada, uma possível influência das notícias na liquidez.
30
Tabela 6: Comparação ranking de liquidez ILIQ e FR e notícias Fonte: Elaboração Própria
Ranking Qtd. de Notícias Ranking ILIQ Ranking FR 1 PETR4 PETR4 PETR4 2 VALE5 VALE5 VALE5 3 ITUB4 PDGR3 PDGR3 4 EMBR3 ITUB4 ITUB4 5 SBSP3 AMBEV3 AMBEV3 6 CSNA3 CSNA3 CSNA3 7 AMBEV3 CMIG4 CMIG4 8 ALLL3 ALLL3 POMO4 9 PDGR3 POMO4 ALLL3 10 CMIG4 EMBR3 EMBR3 11 CSAN3 CRUZ3 SBSP3 12 PCAR4 CSAN3 CRUZ3 13 CRUZ3 SBSP3 CSAN3 14 POMO4 PCAR4 PCAR4 15 CTNM4 CTNM4 WEGE3 16 WEGE3 WEGE3 CTNM4
Visto isso, seguiu-se para uma análise de correlação, fazendo-se uma
combinação entre as séries de Medidas de Liquidez diária (ILIQ e FR) e as séries de
Total de Notícias diário e de quantidade de Notícias Boas e Ruins diárias, do período de
22 de julho de 2013 e 22 de julho de 2014. Na primeira análise de correlação, utilizou-
se a variável Medida de Liquidez FR diária relacionando-se com as variáveis: Total de
Notícias diárias, Quantidade de Notícias Boas diárias e Quantidade de Notícias Ruins
diárias. Os resultados desta análise podem ser observados na Tabela 7.
31
Tabela 7: Análise de Correlação entre liquidez FR e notícias Fonte: Elaboração Própria
Análise Correlação FR e Notícias
FR – Total FR – Boas FR - Ruins
r Significância r Significância r Significância
1 Petrobrás 0,37 Sim 0,30 Sim 0,19 Sim
2 Vale 0,29 Sim 0,25 Sim -0,06 Não
3 PDG Realty 0,21 Sim 0,14 Não 0,10 Não
4 Itaú 0,32 Sim 0,39 Sim -0,02 Não
5 CSN 0,39 Sim 0,38 Sim 0,15 Não
6 AMBEV 0,42 Sim 0,33 Sim 0,30 Sim
7 CEMIG 0,29 Sim 0,17 Sim 0,25 Sim
8 ALL 0,70 Sim 0,75 Sim 0,19 Sim
9 Marcopolo 0,50 Sim -0,01 Não 0,75 Sim
10 Embraer 0,46 Sim 0,33 Sim 0,35 Sim
11 SABESP 0,23 Sim 0,15 Não 0,17 Sim
12 Cosan 0,33 Sim 0,28 Sim 0,21 Sim
13 Souza Cruz -0,01 Não 0,28 Sim 0,16 Sim
14 Grupo Pão de Açúcar 0,45 Sim 0,39 Sim 0,24 Sim
15 WEG 0,07 Não 0,07 Não - -
16 Coteminas -0,03 Não - - 0,00 Não
Para cada combinação, foi encontrado o coeficiente de correlação e, com ele,
feito um Teste de Significância com um H de 1%. Quando a hipótese de correlação nula
é aceita, não há significância. Quando a hipótese é rejeitada, há significância. Pode-se
observar que a maioria dos resultados apresenta significância a 1% para a Medida de
Liquidez FR. Seus valores de coeficiente de correlação ( ) estão divididos em
correlação fraca e moderada, sendo a correlação fraca a mais frequente. Apenas duas
empresas apresentaram correlação forte entre a liquidez e notícias. A ALL Logistics
apresentou correlação forte entre a medida de liquidez FR e Total de Notícias e
Quantidade de Notícias Boas diárias. A Marcopolo apresentou forte correlação entre a
medida de liquidez FR e Notícias Ruins. Outro ponto interessante de ser destacado é a
não significância dos coeficientes de correlação entre a liquidez e notícias ruins para a
maioria das empresas mais liquidas do ranking, além da correlação fraca, mostrando que
tal tipo de notícia, não tem praticamente relação alguma com a liquidez de tais
empresas. Por último, as empresas WEG e Coteminas, que não possuem nenhuma
notícia ruim nem boa durante este período analisado respectivamente, ficaram com os
coeficientes de correlação da combinação destas variáveis com a liquidez faltando. Isso
se repete para todas as outras análises de correlação.
32
O mesmo procedimento foi feito para a Medida de Liquidez ILIQ, que está
representado na Tabela 8. Neste caso, os resultados encontrados foram diferentes. Os
resultados do Teste de Significância foram, em sua maioria, negativos, mostrando que
não há significância na maioria das correlações entre a liquidez ILIQ e as notícias. Além
disso, os coeficientes de correlação estão muito próximos de zero ou de correlação nula,
indicando uma correlação muito fraca.
Tabela 8: Análise de Correlação entre liquidez ILIQ e notícias Fonte: Elaboração Própria
Análise Correlação ILIQ e Notícias
ILIQ – Total ILIQ – Boas ILIQ - Ruins
r Significância r Significância r Significância
1 Petrobrás -0,01 Não 0,02 Não -0,06 Não 2 Vale 0,04 Não -0,01 Não 0,08 Não 3 PDG Realty 0,19 Sim 0,06 Não 0,20 Sim 4 Itaú 0,06 Não 0,05 Não 0,03 Não 5 CSN 0,30 Sim 0,16 Sim 0,28 Sim 6 AMBEV 0,00 Não 0,19 Sim 0,06 Não 7 CEMIG 0,15 Não 0,13 Não 0,08 Não 8 ALL 0,08 Não 0,03 Não 0,08 Não 9 Marcopolo 0,00 Não 0,03 Não -0,03 Não 10 Embraer -0,01 Não -0,02 Não 0,01 Não 11 SABESP 0,17 Sim 0,18 Sim 0,08 Não 12 Cosan 0,05 Não 0,07 Não -0,02 Não 13 Souza Cruz 0,03 Não 0,06 Não 0,09 Não 14 Grupo Pão de Açúcar -0,06 Não -0,05 Não -0,04 Não 15 WEG -0,07 Não -0,07 Não - - 16 Coteminas -0,03 Não - - -0,02 Não
Como os resultados da análise de correlação e do teste de significância da
Medida de Liquidez ILIQ com as notícias não foram satisfatórios, pode-se concluir que
esta medida, que leva em consideração o retorno das ações, não tem a relação esperada
pela hipótese testada, sendo rejeitada. Já a Medida de Liquidez FR apresentou
resultados satisfatórios, tendo apenas algumas empresas com coeficientes de correlação
não significantes para todas as notícias. Com isso, foi feito um cálculo para o intervalo
de confiança de tais coeficientes de correlação, que pode ser visto na Tabela 9.
33
Tabela 9: Intervalo de Confiança do Coeficiente de Correlação entre liquidez FR e notícias Fonte: Elaboração Própria
IC α=10% FR e Notícias
FR – Total FR – Boas FR - Ruins
r LIC LSC r LIC LSC r LIC LSC
1 Petrobrás 0,37 0,27 0,47 0,30 0,20 0,40 0,19 0,09 0,29
2 Vale 0,29 0,19 0,39 0,25 0,15 0,35 -0,06 -0,16 0,04
3 PDG Realty 0,21 0,11 0,32 0,14 0,04 0,25 0,10 0,00 0,20
4 Itaú 0,32 0,22 0,42 0,39 0,29 0,49 -0,02 -0,12 0,08
5 CSN 0,39 0,29 0,49 0,38 0,28 0,47 0,15 0,05 0,25
6 AMBEV 0,42 0,32 0,51 0,33 0,23 0,42 0,30 0,20 0,39
7 CEMIG 0,29 0,19 0,39 0,17 0,07 0,27 0,25 0,15 0,35
8 ALL 0,70 0,62 0,77 0,75 0,67 0,82 0,19 0,12 0,27
9 Marcopolo 0,50 0,40 0,59 -0,01 -0,10 0,08 0,75 0,66 0,84
10 Embraer 0,46 0,37 0,56 0,33 0,23 0,42 0,35 0,26 0,45
11 SABESP 0,23 0,12 0,33 0,15 0,05 0,26 0,17 0,07 0,27
12 Cosan 0,33 0,23 0,43 0,28 0,18 0,37 0,21 0,11 0,31
13 Souza Cruz -0,01 -0,12 0,09 0,28 0,17 0,39 0,16 0,06 0,27
14 Grupo Pão de Açúcar 0,45 0,35 0,54 0,39 0,30 0,49 0,24 0,14 0,33
15 WEG 0,07 -0,03 0,18 0,07 -0,03 0,18 - - -
16 Coteminas -0,03 -0,14 0,07 - - - 0,00 -0,10 0,11
Nesta tabela, estão demonstrados os coeficientes de correlação entre as variáveis
Liquidez FR, Total de Notícias, Quantidade de Notícias Boas e Quantidade de Notícias
ruins, bem como os seus respectivos Limites Inferiores de Confiança (LIC) e Limites
Superiores de Confiança (LSC). Neste caso, para um H de 10% ou índice de confiança
de 90%, os intervalos de confiança são aproximadamente 0,2 para os coeficientes de
correlação. Ou seja, há uma probabilidade de 90% de a correlação analisada estar entre
os limites inferiores e superiores demonstrados.
Complementando a análise de correlação, também foi verificada a correlação
entre notícias boas e ruins. Os resultados com o coeficiente de correlação para cada
empresa, bem como o Teste de Significância com H de 1%, estão demonstrados na
Tabela 10 a seguir. Os coeficientes de correlação entre as notícias boas e ruins
apresentaram correlação fraca, muito próximo da nula. Além disso, a maioria dos seus
testes de significância aceitou a hipótese da correlação nula ( � 0), ou seja, o
coeficiente de correlação não tem significância. Sendo assim, os resultados apontam que
não há correlação entre essas variáveis.
34
Tabela 10: Análise de Correlação entre Notícias Boas e Ruins Fonte: Elaboração Própria
Análise de Correlação Notícias Boas e Ruins r Significância
1 Petrobrás -0,27 Sim 2 Vale -0,68 Sim 3 PDG Realty -0,08 Não 4 Itaú -0,11 Não 5 CSN -0,04 Não 6 AMBEV -0,18 Sim 7 CEMIG 0,02 Não 8 ALL -0,08 Não 9 Marcopolo -0,02 Não 10 Embraer 0,05 Não 11 SABESP -0,07 Não 12 Cosan 0,04 Não 13 Souza Cruz 0,01 Não 14 Grupo Pão de Açúcar 0,03 Não 15 WEG - - 16 Coteminas - -
Partindo agora para a análise de regressão, como explicado na metodologia,
foram estimados modelos tanto para a média da variação da medida de liquidez, quanto
para a variância. A variação medida de liquidez FR foi escolhida para ser utilizada
como variável dependente dos modelos em oposição à medida ILIQ, pois, como
observado na análise de correlação, não existe uma correlação entre as séries do ILIQ
com as de notícias. Isso também pode ser explicado pelo fato de que, por levar em
consideração no seu cálculo o retorno diário das ações, dado que foi extraído da
Bloomberg, continha muitos valores nulos. Essa grande quantidade de dados nulos
prejudicam o processo de determinação do melhor modelo.
Os testes foram feitos com violação ou não dos pressupostos, a fim de achar os
melhores modelos que explicassem as variáveis. É importante realçar que ao simular os
modelos, foi obtido os valores do teste de Durbin-Watson, descartando a possibilidade
de existência de autocorrelação entre as variáveis. Além disso, as regressões foram
feitas com as séries das empresas que estão no grupo de alta liquidez, no ranking da
medida de liquidez FR e no primeiro grupo, no ranking de notícias no período estudado,
22 de julho de 2013 a 22 de julho de 2014.
35
Após realizar as estimativas do Modelo 1, que faz a regressão da variável
medida de liquidez FR em relação ao total de notícias, a Tabela 11, abaixo, resume os
resultados obtidos para cada ação. Nela estão listados os coeficientes de regressão ß, os
seus respectivos valores p, o erro-padrão (SE - standard error), os critérios utilizados
para seleção dos modelos (AIC e BIC), o tipo dos modelos de variância que foram
considerados bem sucedidos e a distribuição de probabilidade desses modelos.
Tabela 11: Análise de Regressão para o Modelo 1 (Liquidez FR e Total de Notícias) Fonte: Elaboração Própria
Ação ß1 (p-Valor)
ß2 (p-Valor) AIC BIC SE Modelo
Selecionado Distrib. de
Probabilidade
1 Petrobrás 0.165 0.022
3.24 3.31 1.60 GARCH Normal (0.000) (0.000)
2 Vale - 0.073
3.10 3.14 1.28 ARCH Normal (0.000)
3 Itaú - 0.139
3.55 3.61 1.95 GARCH Normal (0.000)
4 Embraer - 0.626
4.31 4.32 2.08 - - (0.000)
5 SABESP - - - - - - -
6 CSN - 0.799
5.99 6.00 4.82 - - (0.001)
7 AMBEV - 0.110
3.14 3.21 1.64 EGARCH Normal (0.000)
8 PDG Realty - -0.032
3.90 3.97 2.15 EGARCH Normal (0.002)
Pode-se observar que todos os coeficientes de regressão selecionados possuem
significância, a partir do valor nulo dos valores p. Pelos valores do SE e dos critérios de
informação, podemos observar que foram selecionados os modelos com melhor
adequação ao modelo proposto. No caso da Embraer e da CSN, não foi selecionado
nenhum modelo para a variância. Já para a SABESP, não houve modelos satisfatórios
para a média e para a variância. Com esses resultados, pode-se perceber que o total de
notícias divulgadas explica a média e a variância da variação da liquidez, por ter
significância estatística. Porém, a influência é muito baixa, uma vez que os coeficientes
de regressão são muito baixos.
36
Ao considerar a análise de regressão do Modelo 2, no qual as variáveis
explanatórias são as variáveis Notícias Boas e Notícias Ruins, o mesmo procedimento
feito anteriormente foi realizado. Os resultados dos modelos estimados para explicar as
variações da liquidez, medida pelo FR, através das notícias classificadas como boas e
ruins são mostrados na Tabela 12, da mesma forma que para o Modelo 1.
Tabela 12: Análise de Regressão para o Modelo 2 (Liquidez FR e Notícias Boas e Ruins) Fonte: Elaboração Própria
Ação ß1 (p-Valor)
ß2 (p-Valor)
ß3 (p-Valor) AIC BIC SE Modelo
Selecionado Distrib. de
Probabilidade
1 Petrobrás - 0.068 0.011
3.20 3.27 1.60 GARCH Normal (0.000) (0.574)
2 Vale - 0.109 0.048
3.07 3.13 1.29 ARCH Normal (0.000) (0.006)
3 Itaú -0.084 0.104 0.234
3.49 3.58 1.98 GARCH Normal (0.000) (0.001) (0.000)
4 Embraer -0.218 0.111 0.502
3.07 3.17 2.24 GARCH t-Student (0.000) (0.060) (0.000)
5 SABESP - 0.479 -0.282
4.65 4.74 6.35 EGARCH Normal (0.000) (0.000)
6 CSN - 0.442 0.260
3.28 3.37 4.88 GARCH t-Student (0.000) (0.001)
7 AMBEV 0.290 0.175 0.809
3.71 3.78 1.56 ARCH Normal (0.012) (0.030) (0.000)
8 PDG Realty
- 0.503 0.293 3.79 3.87 2.09 GARCH Normal
(0.004) (0.044)
Os resultados encontrados para o Modelo 2 diferem entre as empresas. Para a
Petrobras, os dados apontam que as notícias boas têm uma influência maior que as
notícias ruins, uma vez que o coeficiente de regressão ß2 apresenta significância
estatística, enquanto o coeficiente ß3 não apresenta. Já a PDG, o melhor modelo
estimado aponta que existe significância estatística do coeficiente de regressão ß2,
enquanto para o coeficiente ß3 a hipótese de significância estatística só pode ser aceita
ao nível de significância de 4%. Isso indica que não existe assimetria com relação ao
tipo de notícia divulgado, mas aponta que existe significância estatística das notícias.
Para as empresas Vale, AMBEV, Itaú e Sabesp, os resultados do melhor modelo
estimado para verificar a assimetria das notícias divulgadas apontam indiferença na
variação da liquidez medida pelo FR, entre as notícias classificadas como boas e ruins,
37
mas apontam que existe significância estatística das notícias. Para a Embraer e CSN, os
resultados também apontam indiferença e o modelo não é satisfatório. Em suma, não se
pode concluir que a classificação de notícias boas e ruins têm influências diferentes na
liquidez das ações das empresas analisadas.
De uma maneira geral, o que pode ser analisado dos modelos de regressão linear
usados para estimar a média, tanto para o modelo 1 quanto para o modelo 2, é que eles
não são de todo satisfatórios. O modelos de regressão linear testados apresentaram
coeficientes de regressão muito fracos, apesar de ter significância (detectada pelo valor-
p) e valores não tão baixos para os critérios de seleção quanto os esperados, mostrando-
se pouco eficiente para demonstrar o tipo de relação entre a variável dependente e a(s)
explanatória(s). Quanto a isso, podemos fazer três inferências sobre a causa do resultado
obtido com as regressões lineares para a média. O primeiro é que o modelo é
heterocedástico, onde as séries possuem uma variância muito grande em determinados
períodos e, em outros, uma variância mais controlada. Séries relacionadas ao mercado
de ações costumam apresentar o fenômeno chamado de aglomeração de volatilidade e,
pode-se dizer que séries relacionadas a notícias também sofrem esse fenômeno. Como
foi dito por Philip Frases (GUJARATI & PORTER, 2011) e citado anteriormente, uma
vez que dados de séries temporais financeiras refletem, por exemplo, o mercado de
ações, fontes de notícias e outros eventos econômicos também podem ter um impacto
no padrão da série temporal dos preços dos ativos. Como as notícias divulgadas pela
mídia geram diferentes interpretações e julgamentos tendenciosos, pode-se perceber
que, nas séries temporais, grandes observações positivas ou negativas tendem a aparecer
em aglomerados.
Outro fator que pode ter sido o motivo do resultado não satisfatório para esse
tipo de modelo é a possibilidade da série ser não estacionária. Isso porque a variável
dependente escolhida para os modelos, a variação da medida de liquidez FR (volume
negociado), é calculada a partir do produto do volume financeiro e do número de
negócios. Assim, como no caso da série do preço das ações, existem períodos em que o
volume negociado é muito alto e outros em que ele é baixo. Isso pode vir a indicar a
falta de estacionariedade, levando falta de um valor constante para a média, variância e
autocovariâncias (entre dois períodos diferentes).
38
A terceira e última possibilidade que pode ter levado à falta de adequação de
modelos é a ordem dos acontecimentos. Para a elaboração deste trabalho, partiu-se do
pressuposto que após os investidores lerem a notícia, eles tomariam suas decisões e
fariam as movimentações que aumentariam a liquidez de algumas empresas e
diminuiriam a de outras, englobando nessa ideia o conceito de cascata de
disponibilidade. A cascata de disponibilidade, como explicado no capítulo 2 de
Referencial Teórico, considera que uma notícia de pouca importância gera certa
curiosidade do público, que faz com que tenham mais notícias sobre o assunto, aumente
o interesse do público e, assim, continua de forma cíclica, podendo gerar um frenesi
com consequências de “efeito manada”. Além disso, pode ser possível que
movimentações de grandes investidores, baseados em análises de longo prazo e não em
apenas notícias diárias, causem um impacto grande e acabem por gerar as notícias.
Nesse caso, os meios de comunicação passariam a ter um caráter passivo, com o
objetivo apenas de informar os fatos ocorridos e poderiam causar alterações na
especificação do modelo.
Já, os modelos autorregressivos para estimar a variância, por considerar a
violação dos pressupostos, ou seja, principalmente que o modelo é heterocedástico,
obtiveram resultados melhores nos testes, mas, ainda assim, não houve um consenso de
qual modelo do tipo ARCH (ARCH, GARCH, EARCH ou IARCH) utilizar de forma a
generalizar para todas as empresas.
39
5. CONSIDERAÇÕES FINAIS
Este trabalho buscou verificar a hipótese da relação entre a liquidez de ações de
empresas do mercado de ações brasileiro e a divulgação de notícias na mídia, mais
especificamente de notícias online divulgadas pelo site Valor Econômico, no período de
22 de Julho de 2013 a 22 de Julho de 2014, a respeito das empresas analisadas no
trabalho. Tal hipótese é fundamentada em estudos sobre a Heurística da
Disponibilidade, na qual os indivíduos atribuem maior peso às informações mais
recentes ou disponíveis no processo decisório, modificando a probabilidade subjetiva de
tal evento de forma tendenciosa.
Através de uma análise estatística de correlação e de regressão entre a variável
medida de liquidez e a variável divulgação de notícias, tanto o total diário de notícias
quanto as notícias discriminadas em boas e ruins, foram constatados os seguintes
resultados: há significância na correlação entre a medida de liquidez FR e as notícias,
apesar dos valores dos coeficientes de correlação apontarem, em sua maioria, para
associações fracas ou moderadas; os resultados obtidos com a estimação dos modelos
de regressão para explicar a variação de liquidez, dada por FR, através do total de
notícias apontam significância estatística dos coeficientes de regressão, ou seja, o total
de notícias divulgadas explica a média e a variância da variação da liquidez, contudo
tais coeficientes de regressão são baixos, indicando baixa influência das variáveis
explanatórias; para o modelo de regressão que busca verificar a existência de uma
assimetria entre as notícias boas em ruins para explicar a variação da liquidez FR,
apesar de estatisticamente significantes, apontam indiferença nos resultados, não se
podendo concluir se existe a assimetria.
Cabe ressaltar a dificuldade encontrada para a coleta de dados para formar a
amostra. As restrições na coleta de notícias limitaram o período de estudo, que fizeram a
amostra representar uma parcela pequena da população. Assim, as conclusões retiradas
deste trabalho poderiam ser melhoradas com uma análise de uma amostra mais
abrangente, com notícias coletadas em mais meios de divulgação para investidores do
mercado de ações, por exemplo, através dos sell sides, como Goldman Sachs, Barclays,
Morgan Stanley, JP Morgan, e jornais/revistas como a Bloomberg e Reuters,
principalmente, e por um período maior de tempo, com agrupamentos para atenuar a
volatilidade das séries. Outra forma de ampliar o estudo seria utilizar um modelo que
40
consiga captar o possível delay entre a liberação das informações, ou notícias, e a ação
de comprar e vender de ações que impactam na liquidez. Como sugestão de ampliação
deste trabalho, também se pode citar a possibilidade de analisar o mercado como um
todo. Ou seja, calculando a liquidez total, a partir do somatório do volume financeiro e a
quantidade de negociações de todas as principais empresas, e total de notícias
divulgadas sobre estas, testam-se as hipóteses de correlação e assimetria entre notícias
boas e ruins. Também é possível analisar de maneira ainda mais aprofundada se os tipos
de notícias, tais como notícias contábeis, políticas e setoriais entre outras, explicam a
variação da liquidez de formas diferentes, quando classificadas como boas ou ruins.
No que tange aos modelos de análise de regressão, é importante frisar a
dificuldade na escolha de um modelo em absoluto, dados os pressupostos dos modelos
de regressão. A escolha do método, suas abordagens e as diferentes distribuições de
probabilidade que podem ser utilizadas para encontrar o melhor modelo também tornam
o processo mais lento, já que são infinitas combinações que podem ser feitas, sugerindo
que os estudos sobre o tema devem prosseguir e serem constantemente aprimorados.
A partir da análise dos resultados obtidos, pode-se inferir que a relação entre as
notícias divulgadas pelos meios de comunicação e a liquidez das empresas podem ser
oriundas da especulação. As notícias retratam situações que geram especulações e
também podem estar relatando tal especulação. A especulação que move o mercado de
ações, estimulando o processo de compra e venda, é determinante para liquidez dos
ativos financeiros. Em suma, as notícias e a especulação são indispensáveis para
promover liquidez das ações e movimentar o mercado.
Sendo assim, a hipótese sugerida no presente trabalho, sobre a relação entre a
liquidez e a divulgação de notícias, não foi descartada. O estudo mostra que existe certo
grau de associação entre as variáveis analisadas. Porém, conclui-se que os modelos de
regressão linear escolhidos para expor o modo como elas estão relacionadas, apesar de
serem significativos estatisticamente, não relatam da forma mais apropriada e precisa a
influência das notícias na liquidez. Tal fato não invalida futuras análises, pelo contrário,
aponta que as sugestões aqui dadas podem aproximar os modelos da realidade através
de outros métodos de inferência estatística e metodologia na coleta de dados.
41
6. REFERÊNCIAS BIBLIOGRÁFICAS
AMIHUD, Y., 2002. Illiquidity and Stock Returns: Cross-section and Time-series
Effects. Journal of Financial Market, Volume 5, pp. 31-56.
CHAKROUN, R. & HUSSAINEY, K., 2012. Disclosure Quality in Tunisian Annual
Reports. Plymouth: University of Plymouth.
CIARELLI, G. & ÁVILA, M. G., 2005. A Influência da Mídia e a Heurística da
Disponibilidade: Um Estudo Experimental. s.l.:ANPAD.
CORREIA, L. F., 2012. A Influência da Liquidez das Ações sobre o Retorno no
Mercado Acionário Brasileiro. Rio de Janeiro: ANPAD.
COSTA, A. C. & SALLES, A. A., 2010. Um Exame da Influência do Formador de
Mercado no Risco de Liquidez de Ações Negociadas no Mercado Brasileiro. Rio de
Janeiro: Universidade Federal do Rio de Janeiro - UFRJ.
De BONDT, W. F. M. & THALER, R., 1985. Does the Stock Market Overreact?.
Journal of Finance, Julho, 40(3), pp. 793-805.
FERNANDEZ, F., 1999. Liquidity Risk: New Approaches to Measurement and
Monitoring. s.l.:s.n.
FRANCIS, J., LaFOND, R., OLSSON, P. & SCHIPPER, K., 2005. The Market Price of
Accruals Quality. Journal of Accounting and Economics, 2 Março, Volume 39, pp. 295-
-327.
GUJARATI, D. N. & PORTER, D. C., 2011. Econometria Básica. 5ª ed. Nova York:
The McGraw-Hill Companies, Inc.
KAHNEMAN, D., 2012. Rápido e Devagar: Duas Formas de Pensar. 1ª ed. s.l.:Editora
Objetiva.
KAHNEMAN, D. & TVERSKY, A., 1972. Subjective Probability: A Judgment of
Representativeness. Cognitive Psychology, Volume 3, pp. 430-454.
KAHNEMAN, D. & TVERSKY, A., 1973. Availability: A Heuristic for Judging
Frequency and Probability. Cognitive Psycology, Volume 5, pp. 207-232.
42
KAHNEMAN, D. & TVERSKY, A., 1973. On the Psychology of Prediction.
Psychological Review, Julho, 80(4), pp. 237-251.
KAHNEMAN, D. & TVERSKY, A., 1974. Judgement under Uncertainty: Heuristics
and Biases. Science, Volume 185, pp. 1124-1131.
KAHNEMAN, D. & TVERSKY, A., 1979. Prospect Theory: An Analysis of Decision
under Risk. Econometrica, março, 47(2), pp. 263-292.
KAHNEMAN, D. & TVERSKY, A., 1981. The Framing of Decisions and the
Psycolhogy of Choice. Science, Volume 211, pp. 453-458.
KAHNEMAN, D. & TVERSKY, A., 1984. Choices, Values, and frames. American
Psychologist, 39(4), pp. 341-350.
KAHNEMAN, D. & TVERSKY, A., 1986. Rational Choice and the Framing of
Decisions. Journal of Business: The Behavioral Foundations of Economic Theory,
Outubro, 59(4), pp. 251-278.
LAMBERT, R., LEUZ, C. & VERRECCHIA, R. E., 2006. Accounting Information,
Disclosure, and the Cost of Capital. s.l.:s.n.
LONTRA, P. A. & SALLES, A. A., 2012. Modelos de Volatilidade Aplicados ao
Mercado Futuro de Petróleo. Rio de Janeiro: UFRJ.
LYRA, I. D., REIS, P. H. L. & SALLES, A. A., 2012. A relação entre os retornos e a
liquidez no mercao brasileiro: uma investigação preliminar. SBPO.
MONTGOMERY, D. C. & PECK, E. A., 1992. Introduction to linear Regression
Analysis. s.l.:John Wiley & Sons.
PASSOS, C. J., PEREIRA, V. S. & MARTINS, V. F., 2012. Contextualizando a
Pesquisa em finanças Comportamentais: Uma Análise das Principais Publicações
Nacionais e Internacionais que Abrange o Período de 1997 a 2010. RAGC, 1(1), pp. 38-
60.
RANALDO, A., 2000. Intraday Trading Activity on Financial Markets: The Swiss
Evidence. Fribourg: University of fribourg.
ROCHA, A., 2013. As Ações de Maior e Menor Giro da Bolsa. ValorInveste, 25 Maio.
43
SALLES, A. A., 2010. Notas de Aula - Análise de Regressão. Rio de Janeiro: Escola
Politécnica, Universidade Federal do Rio de Janeiro.
SALLES, A. A., 2010. Notas de Aula - Correlação Amostral. Rio de Janeiro: Escola
Politécnica, Universidade Federal do Rio de Janeiro.
SPIEGEL, T., 2013. Contribuições das Ciências Cognitivas à Gestão de Operações:
Análise do Impacto da Experiência nas Decisões do Gestor de Operações. Rio de
Janeiro: Programa de Pós-Graduação em Engenharia de Produção, COPPE -
Universidade Federal do Rio de Janeiro.
VERONESI, P., 1999. Stock Market Overreaction to Bad News in Good Times: A
Rational Expectations Equilibrium Model. The review of Finacial Studies, 12(5), pp.
975-1007.
von WYSS, R., 2004. Measuring and Predicting Liquidity in the Stock Market. Zurique:
Universität St. Gallen.
44
ANEXO A
Tabela 13: Metodologia de classificação das notícias divulgadas. Fonte: Elaboração Própria
GPA Notícia Tipo de Notícia
Classificação
15/7/2014 Receita do Casino cai 1,3% no 2º trimestre, pressionada por câmbio Empresas Boa
14/7/2014 Especulação eleitoral após Copa leva Bovespa ao maior nível em 9 meses Finanças Boa
14/7/2014 Bovespa parece comprar tese de que vexame da seleção prejudicará Dilma Finanças Boa
14/7/2014 Bolsa sobe e dólar cai com especulação sobre pesquisas eleitorais Finanças Ruim
14/7/2014 Família Diniz vende ações do Grupo Pão de Açúcar em leilão na Bolsa Empresas Ruim
11/7/2014 Pão de Açúcar: Receita líquida atinge R$ 15,2 bilhões no trimestre Empresas Boa
18/6/2014 Bovespa vai aos 55 mil pontos, embalada pelo vencimento de opções Finanças Ruim
5/6/2014 Bovespa cede à pressão vendedora mesmo após surpresa positiva com BCE
Finanças Boa
5/6/2014 Após euforia com BCE, Bovespa sofre pressão vendedora Finanças Boa
4/6/2014 Depois de quatro anos, Carrefour volta a abrir lojas no Brasil Empresas Ruim
2/6/2014 Dados industriais da China e dos EUA impulsionam juros e dóla Finanças Boa
15/5/2014 As razões que lebam o brasileiro a se tornar sócio da rede Empresas Boa
13/5/2014 Presidente do Carrefour descarta hiótese de Abilio integrar conselho Empresas Boa
13/5/2014 Abilio se torna acionista do Carrefour Carreira Neutra
7/5/2014 Leia as manchetes de hoje dos principais jornais brasileiros Brasil Boa
6/5/2014 Casino anuncia plano de união da Nova Pontocom e Cdiscout Empresas Boa
6/5/2014 Bovespa avança com nova onda de rumores sobre pesquisas eleitorais Finanças Boa
6/5/2014 Boato eleitoral volta à cena e faz Ibovespa encostar nos 54 mil pontos Finanças Boa
30/4/2014 Grupo Pão de Açúcar pode operar franquias de supermercados no país Empresas Boa
29/4/2014 Lucro líquido do Pão de Açúcar sube 3,1% no 1º trimestre Empresas Boa
17/4/2014 Francisco Valim deixa presidência da Via Varejo Empresas Ruim
11/4/2014 Receita do Pão de Açúcar fica perto de R$ 15 bilhões no trimestre Empresas Boa
7/4/2014 Casino eleva participação direta e indireta no Pão de Açúcar Empresas Boa
4/4/2014 Bovespa devolve ganhos no dia, mas sobe 2,6% na semana Finanças Boa
4/4/2014 Bovespa devolve ganhos pressionada por forte correção em Nova York Finanças Boa
26/3/2014 Pão de Açúcar cresce mais que concorrentes e lidera ranking do setor Empresas Boa
14/3/2014 Abilio Diniz nega que esteja negociando sociedade com Carrefour Empresas Boa
3/3/2014 Recibos de ações de empresas brasileiras têm queda na bolsa de NY Finanças Ruim
18/2/2014 Casino quer manter avanço em loja de conveniência e atacado no Brasil Empresas Boa
18/2/2014 Lucro do Casino cai quase 20% em 2013 Empresas Ruim
14/2/2014 Bovespa registra ganho na semana e sustenta os 48 mil pontos Finanças Boa
14/2/2014 Bolsa recupera os 48 mil pontos com ALL, Cosan e BM&FBovespa Finanças Boa
14/2/2014 Destaques Empresas Boa
13/2/2014 Via Varejo tem forte alta no lucro Empresas Boa
12/2/2014 Klein busca novos negócios para investir Empresas Boa
11/2/2014 CVM cobra R$ 250 mil de Abilio Diniz para encerrar processo Empresas Neutra
5/2/2014 Unilever é maior anunciante do país pelo segundo ano consecutivo Empresas Boa
4/2/2014 Grupo Pão de Açucar é a varejista com mais reclamações em 2013 Empresas Ruim
