ARTESP - AGNCIA REGULADORA DE SERVIOS PBLICOS DELEGADOS

DE TRANSPORTES DO ESTADO DE SO PAULO

PRESTAO DE MLTIPLOS SERVIOS TCNICOS DE CONSULTORIA

ECONMICO-FINANCEIRA ARTESP, COMPREENDENDO ATIVIDADES DE
ASSESSORAMENTO, REALIZAO DE ESTUDOS, ANLISE E PESQUISAS, BEM
COMO PLANEJAMENTO E APOIO, ABRANGENDO TODOS OS ESCOPOS
ESPECFICOS E PREVISTOS E DISCRIMINADOS NO RESPECTIVO PROCESSO,
VISANDO EVENTUAL REVISO E ATUALIZAO DE NDICES,
PROCEDIMENTO E METODOLOGIAS UTILIZADOS NA GESTO DE
CONTRATOS DE CONCESSO RODOVIRIA ANTIGOS E RECENTES EM
CURSO NO ESTADO DE SO PAULO
4O. RELATRIO
ESTIMATIVAS DO CUSTO DE CAPITAL PARA O FLUXO DE CAIXA
MARGINAL DO SETOR DE UTILIDADE PBLICA REGULADA

SO PAULO
MAIO/2012

NDICE
Sumrio __________________________________________________________________________ 1
I. Introduo _______________________________________________________________________ 4
II.1) DESCRIO DOS DADOS _____________________________________________________ 5
II.2) MODELOS DE ESTIMAO DO BETA EM PAINEL (CROSS-SECTION E SRIE DE TEMPO) ____ 14
II.2.i. Modelos iniciais para estimao do beta ____________________________________ 14
II.2.ii. Modelos multifatoriais _________________________________________________ 24
II.2.iii. Teste do mltiplo de ndice de imobilizao do patrimnio ____________________ 28
II.2. iv. Teste do mltiplo de liquidez ___________________________________________ 29
Ii.2.v. Teste do mltiplo de endividamento _______________________________________ 29
III. Comparaes entre os Modelos e Clculo do WACC (custo mdio ponderado de capital entre
aes e dvidas) ___________________________________________________________________ 32
III.1 CUSTO MDIO PONDERADO DE CAPITAL (WACC) DE CONCESSES FEDERAIS _________ 33
III.2 CUSTO MDIO PONDERADO DE CAPITAL (WACC) DE CONCESSES ESTADUAIS ________ 34
IV) Discusso das propostas da ANTT e das Concessionrias ________________________________ 36
IV.1 PROPOSTA DA ANTT ______________________________________________________ 36
IV.2 PROPOSTA DA ABCR/ CCR/ NOBEL CONSULTORIA DO PROF. DR. LUIZ GONZAGA
BELLUZZO __________________________________________________________________ 37
IV.3 PROPOSTAS DA OHL ______________________________________________________ 38
IV.4 PROPOSTAS DA ECORODOVIAS/ ECOVIAS ______________________________________ 38
IV.5 CONSIDERAES GERAIS: PROPOSTA DAS CONCESSIONRIAS PAULISTAS E PONTOS
CONSIDERADOS ______________________________________________________________ 40
V. A ALTERNATIVA DE BETAS DINMICOS ___________________________________ 48
VI. CONCLUSES ___________________________________________________________ 56
REFERNCIAS BIBLIOGRFICAS _______________________________________________________ 57
ANEXOS _________________________________________________________________________ 59
APNDICES-TABELAS _______________________________________________________________ 59
ANEXO II: DESCRIO DAS EMPRESAS DA AMOSTRA DE UTILIDADE PBLICA REGULADA _________ 80
ANEXO III ________________________________________________________________________ 87

ANEXO IV ________________________________________________________________________ 88
ANEXO V ________________________________________________________________________ 101
Anexo VI: Proposta: Nobel - Belluzzo __________________________________________________ 103

SUMRIO
Nesta pesquisa foram testadas inmeras modelagens acerca das possveis estimativas do
custo de capital das empresas do setor de utilidade pblica regulada na economia brasileira.
Nesta tarefa, o primeiro aspecto crtico a estimativa do Beta deste setor (medida do risco
de mercado), dado que os primeiros testes do CAPM (Capital Asset Pricing Model)
identificaram o problema de estimao (margem de erro) desta medida de risco.
Diante deste problema, analisamos vrios modelos com base na moderna Teoria de
Finanas, nos diferentes estimadores economtricos (mnimos quadrados ordinrios-OLS e
mtodo dos momentos generalizados-GMM 1 ). E o uso de dados em painel 2 de modo a
verificar a robustez e consistncia dos resultados na busca dos melhores modelos de
precificao de aes no sentido de melhor descrever a realidade brasileira no mercado
acionrio do setor de utilidade pblica regulada.
Alm do risco de mercado sintetizado pelo Beta, so tambm testados vrios outros fatores
de risco desde os sistemticos envolvendo os demais riscos dos mercados domstico e
externo, e os riscos idiossincrticos (especficos da empresa ou riscos de crdito).
Na nova metodologia de fluxo de caixa marginal para a remunerao dos novos
investimentos no previstos nas antigas concesses, a estimativa do custo de capital uma
tarefa crtica. Este custo precisa ser definido levando em considerao tanto a modicidade
do ponto de vista do usurio das concesses (o usurio desfruta dos servios da rodovia e
tem como contrapartida o pagamento das tarifas) como a atratividade ao setor privado na
remunerao dos seus novos investimentos nas concesses.
Um importante pr-teste da nossa abordagem que ao se medir diretamente o retorno com
base nos dados do mercado podemos inferir a sua distribuio estatstica. O modelo
clssico denominado de CAPM (capital asset pricing model) assume que as distribuies
dos retornos so bem comportadas (requer distribuio log-normal). Por outro lado, a
1
2

Para uma descrio detalhada dos mtodos economtricos OLS e GMM vide Greene (2010).
Para uma descrio detalhada de modelos de dados em painel vide Wooldridge (2002).

ocorrncia das crises mais frequente do que assumido por esta distribuio (caudas
gordas) como mostram os recentes episdios. Da, caso esta premissa (distribuio lognormal dos retornos) no seja satisfeita, este modelo de precificao deixa de ser vlido
conforme Lintner (1959), Black-Jensen-Scholes (1972), Fama-McBeth (1973), Fama e
French (1996) e Cochrane (2001).3
Testamos vrios modelos alternativos, quando as premissas citadas acima para a validao
do CAPM so violadas na prtica.
De modo simplificado, encontramos evidncias de que somente o Beta do CAPM (prmio
de risco do mercado) no consegue explicar o excesso de retorno das aes, mas que os
prmios de risco adicionais foram detectados nos diversos modelos multifatoriais, que
conseguem melhor explicar os retornos das aes do que o CAPM modelo unifatorial.
De modo a escolher o modelo mais adequado para se estimar o custo do capital, propomos
a realizao de back-tests (prova do pudim): quo bem cada modelo consegue descrever
a realidade (erro de previso fora da amostra). Este critrio de validao de modelos segue
o Acordo de Basilia - vigente h vrios anos no mercado bancrio e financeiro brasileiro.
Nossa abordagem baseada em mdias condicionais do setor e ainda permite duas fontes
bsicas do prmio adicional com base nos dados.
3

Em primeiro lugar, tentamos

A condio de log-normalidade dos retornos das aes transforma a esperana condicional em no

condicional no modelo de precificao de aes como base no Lucas Asset Pricing (1978). Esta simplificao
usada tanto na derivao do CAPM como do Black-Scholes. Esta importante condio necessria, mas no
suficiente, para que o CAPM no esteja morto no sentido de Fama e French (1996).
Antes, os primeiros testes do CAPM j mostraram falhas graves deste modelo, segundo Lintner (1959),
Black-Jensen-Scholes (1972), Fama-McBeth (1973). Segundo estes ltimos autores, a causa da falha do
CAPM seria o problema de erro na medio do Beta, que recomenda o uso de carteiras de aes para se
atenuar este problema. Para este propsito, usamos painel (cross-section de aes e srie de tempo). Para
maiores detalhes, vide Cochrane (2001). Por outro lado, cabe lembrar que o modelo CAPM largamente
utilizado no mundo de finanas corporativas no Brasil serve como benchmark-, mas no necessariamente no
mundo de banco de investimentos.
4
Seguindo a posio do Banco Mundial com relao s estimativas do custo de capital, adotamos a mdia
amostral de empresas em vez de se estimar o custo de capital para cada empresa. Isto porque mdias do
setor so consideradas representativas das melhores prticas. Os riscos que poderiam ser eliminados por meio
de uma gesto financeira prudente no seriam remunerados, em outras palavras, a ineficincia no seria
repassada na tarifa de pedgio. Por outro lado, outros argumentam que as mdias da indstria no so
relevantes porque o objetivo precisamente avaliar custos especficos de cada concessionria, devido

compreender e controlar os possveis desvios da normalidade ou dos retornos anormais dos

dados. Em segundo lugar, ns usamos uma mdia aritmtica dos retornos em vez de uma
mdia geomtrica. Isso permite um prmio adicional para os riscos imprevistos.5
Com base em critrios estatsticos, estimamos um Beta para o setor de utilidade pblica
regulada da ordem de 0,646 (abaixo da unidade)6. Ademais, o setor de utilidade pblica
regulada tem um risco de cerca de 35% menor do que o risco de mercado (IBOVESPA) e
um rendimento real esperado de 10,29% ao ano.
Finalmente, nossa estimativa do custo mdio ponderado entre os custos das aes e custos
das dvidas resulta num valor de 9,1% real ao ano.

especificidade da estrutura financeira. Alm disso, clculos das rentabilidades de projetos feitos para empresa
especfica incluem prmios ad hoc para compensar os riscos imprevistos.
5
Resultados baseados na mdia geomtrica do uma mdia menor do que a aritmtica e, portanto, um yield
menor.
6
Beta um nmero adimensional: trata-se de uma diviso entre dois segundos momentos da distribuio. O
Beta medido pela covarincia entre o retorno de uma ao e o retorno do mercado (IBOVESPA) dividido
pela varincia do retorno do mercado. O Beta mede o risco de Mercado. Ao com Beta igual a 1 teria o
mesmo risco do IBOVESPA. Beta bem menor do que a unidade teria baixo risco. Os setores de utilidade
pblica e consumo caracterizam-se como sendo de baixo risco, ao contrrio do setor de commodities, real
estate e bens de capital, que tm Beta muito acima da unidade.

I. INTRODUO
O objetivo deste trabalho a estimao do custo mdio ponderado de capital entre aes e
dvidas dos novos investimentos que no foram previstos nas atuais concesses paulistas
sob o critrio de fluxo de caixa marginal. Uma etapa crtica a definio da estimativa do
custo das aes com base em testes nos diversos modelos alternativos de precificao de
ativos.
Ao longo da elaborao deste trabalho, tivemos discusses tcnicas com as equipes das
concessionrias e seus consultores. Assim, pudemos esclarecer, debater e aprimorar este
trabalho.
Cabe tambm destacar as importantes contribuies feitas pelos dirigentes da ARTESP, que
enriquecerem sobremaneira este trabalho. Neste contexto, cabe registrar as inestimveis
sugestes e crticas feitas pelo Fernando Fernandes Neto, Karla Bertocco Trindade, Jos
Valney de Figueiredo Brito e Paulo Henrique Exposto Sanches Vargas.
A coordenao deste trabalho FIPE/ ARTESP coube ao Prof. Dr. Joe Akira Yoshino (FEAUSP, webpage http://www.usp.br/feaecon/perfil.php?i=10&u=57) e com a participao do
Prof. Dr. Marcelo Bianconi (Tufts University, webpage http://www.tufts.edu/~mbiancon). 7
Foram tambm feitas pesquisas no mercado para o entendimento das taxas de retorno que
seriam atrativas ao poupador e ao intermedirio no financiamento destes novos
investimentos. Assim, teremos uma seo especfica, onde discutimos as propostas
apresentadas. Por outro lado, interessa avaliarmos o interesse pblico do ponto de vista de
modicidade do custo de capital que impacta na tarifa vis--vis a atratividade ao setor
privado no financiamento destes novos investimentos.

Uma verso mais detalhada deste trabalho intitula-se Empirical Estimation of the Cost of Equity: An
Application
to
Selected
Brazilian
Utilities
Companies,
2012.
Disponvel
em
http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2049410

Apresentamos abaixo vrias estimativas de custo de capital com base em diversas anlises
do ponto de vista de robustez e consistncia. I.1) ESTIMATIVAS DO BETA (RISCO
DE MERCADO) NO SETOR DE UTILIDADE PBLICA REGULADA NO BRASIL
A estratgia usada na escolha do melhor modelo do ponto de vista da Economia Financeira
e da Econometria feita em dois estgios. No primeiro estgio, o Beta estimado com o
uso do estimador de mnimos quadrados ordinrios (OLS). Depois, no segundo estgio,
aplicamos o mtodo dos momentos generalizados (GMM) nos melhores modelos obtidos
de acordo com o critrio de mnimos quadrados e no back-test do primeiro estgio. 8
Finalmente, analisamos as diferenas entre estas estimativas. O uso do mtodo GMM
recomendado quando a distribuio dos retornos no log-normal e permite a correo dos
desvios da normalidade. Veremos que neste procedimento, o GMM versus OLS captura um
prmio adicional embutido nos retornos, pois agora passa a lidar com as caudas gordas da
distribuio (outros momentos da distribuio, alm do risco medido pela varincia
segundo momento).
II.1) DESCRIO DOS DADOS
A amostra composta de 26 empresas reguladas de utilidade pblica no Brasil com
observaes mensais no perodo de Maro de 2006 at Junho de 2011. As empresas so:
AES Tiete S.A,

ELETROBRAS,

ALL,

ELETROPAULO,

BR TELECOM,

EMBRATEL,

CCR,

GOL,

CEB,

LIGHT AS,

CELESC,

OHL,

CEMAR,

SABESP,

Quando o modelo GMM identificado exatamente, o ajuste (fit) perfeito e no podemos distinguir entre
modelos alternativos sem testes adicionais e de alto custo. Portanto, aqui usamos o mtodo dos mnimos
quadrados ordinrios para uma distino inicial e, em seguida, estimamos pelo GMM.

 CEMAT,

TAM,

CEMIG,

TELEFONICA VIVO,

CESP,

TELEMAR N L,

COMGAS,

TIM,

COPEL,

TRACTEBEL,

CPFL,

TRIUNFO.

O anexo I descreve brevemente as empresas desta amostra. Os retornos geomtricos

nominais das empresas da amostra so ilustrados a seguir.

Figura 1. Retornos Nominais das aes por Companhia

ALL

BR TELECOM

CCR

CEB

CELESC

CEMAR

CEMAT

CEMIG

CESP

COMGAS

COPEL

CPFL

ELETROBRAS

ELETROPAULO

EMBRATEL

GOL

LIGHT SA

OHL

SABESP

TAM

TELEFONICA (VIVO)

TELEMAR N L

TIM

TRACTEBEL

TRIUNFO

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
-1
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

-.5

.5

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

-1

-.5

.5

-1

-.5

.5

-1

-.5

.5

-1

-.5

.5

AES TIETE

Figura 2. Retornos reais (Retornos nominais deflacionados pelo IPCA)

ALL

BR TELECOM

CCR

CEB

CELESC

CEMAR

CEMAT

CEMIG

CESP

COMGAS

COPEL

CPFL

ELETROBRAS

ELETROPAULO

EMBRATEL

GOL

LIGHT SA

OHL

SABESP

TAM

TELEFONICA (VIVO)

TELEMAR N L

TIM

TRACTEBEL

TRIUNFO

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

20
-1
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

-.5

.5

20
06
m
20 1
07
m
20 1
08
m
20 1
09
m
20 1
10
m
20 1
11
m
1

-1

-.5

.5

-1

-.5

.5

-1

-.5

.5

-1

-.5

.5

AES TIETE

As empresas da amostra esto listadas abaixo e recebem um cdigo, bem como o nmero
de observaes na amostra e sua distribuio de frequncia. Trata-se de um painel (crosssection dos retornos das empresas ao longo do tempo) com observaes mensais por
companhia.

Tabela 1: Companhias da Amostra

companhia | Freq. Percent
Cum.
-----------------------+----------------------------------Co1
AES TIETE |
64
3.96
3.96
Co2
ALL |
64
3.96
7.93
Co3
BR TELECOM |
64
3.96
11.89
Co4
CCR |
64
3.96
15.85
Co5
CEB |
67
4.15
20.00
Co6
CELESC |
64
3.96
23.96
Co7
CEMAR |
64
3.96
27.93
Co8
CEMAT |
64
3.96
31.89
Co9
CEMIG |
49
3.03
34.92
Co10
CESP |
64
3.96
38.89
Co11
COMGAS |
64
3.96
42.85
Co12
COPEL |
64
3.96
46.81
Co13
CPFL |
64
3.96
50.77
Co14
ELETROBRAS |
43
2.66
53.44
Co15
ELETROPAULO |
64
3.96
57.40
Co16
EMBRATEL |
64
3.96
61.36
Co17
GOL |
64
3.96
65.33
Co18
LIGHT SA |
64
3.96
69.29
Co19
OHL |
64
3.96
73.25
Co20
SABESP |
64
3.96
77.21
Co21
TAM |
64
3.96
81.18
Co22 TELEFONICA (VIVO) |
64
3.96
85.14
Co23
TELEMAR N L |
64
3.96
89.10
Co24
TIM |
64
3.96
93.07
Co25
TRACTEBEL |
64
3.96
97.03
Co26
TRIUNFO |
48
2.97
100.00
-----------------------+----------------------------------Total | 1,615 100.00

A seguir, verificamos se a distribuio de probabilidade dos retornos de cada empresa se

comporta como tendo distribuio log-normal. Esta condio crtica para que o CAPM
clssico seja vlido como modelo de precificao de aes com expectativa nocondicional, pelo menos do ponto de vista da Teoria de Finanas.9 Vide ilustraes abaixo.

Para maiores detalhes, vide Cochrane (2005).

Figura 3: Distribuio de Retornos por Companhia

Co1

AES TIETE

Co2 ALL |

2
0

Density
0

Density

Co2

Co1

-.3

-.2

-.1
0
retorno_real_ipca

.1

.2

-.4

-.2
0
.2
retorno_real_ipca

Co3 BR TELECOM | Co4

.4

CCR |Co5

CEB | Co6 CELESC |

Co4

Density

Density

Co3

-.6

-.4

-.2
0
retorno_real_ipca

.2

-.2

-.1

.2

Co6

6
0

Density

2
1
0

Density

10

Co5

0
.1
retorno_real_ipca

-1

-.5
0
retorno_real_ipca

.5

-.05

.05
.1
retorno_real_ipca

.15

.2

Co7 CEMAR |

Co8 CEMAT |

Co9 CEMIG |

3
0

Density

Density

Co8

Co7

Co10 CESP |

-.4

-.2

0
.2
retorno_real_ipca

.4

-.2

0
.2
retorno_real_ipca

Density

Density

Co10

Co9

.4

-.3

-.2
-.1
0
retorno_real_ipca

.1

.2

-.6

-.4

-.2
0
retorno_real_ipca

.2

.4

Co11 COMGAS | Co12 COPEL | Co13 CPFL | Co14 ELETROBRAS |

4
0

Density

Density

Co12

Co11

-.4

-.2

0
.2
retorno_real_ipca

.4

-.4

.2

Co14

Density

Density

Co13

-.2
0
retorno_real_ipca

-.1

10

0
.1
retorno_real_ipca

.2

-.2

-.1
0
.1
retorno_real_ipca

.2

Co15 ELETROPAULO | Co16 EMBRATEL | Co17 GOL |

3
0

Density

2
0

Density

Co16

Co15

Co18 LIGHT SA |

-1

-.5
0
retorno_real_ipca

.5

-.4

-.2

.4

Co18

Density

Density

Co17

0
.2
retorno_real_ipca

-.4

-.2

0
.2
retorno_real_ipca

.4

-.2

-.1
0
.1
retorno_real_ipca

.2

Co19 OHL | Co20 SABESP | Co21 TAM | Co22 TELEFONICA (VIVO) |

4
3
0

Density

3
2
0

Density

Co20

Co19

-.4

-.2
0
.2
retorno_real_ipca

.4

-.4

-.2
0
retorno_real_ipca

Co22

Density

1
0

Density

Co21

.2

-.2

-.1

0
.1
retorno_real_ipca

.2

.3

-.6

-.4

-.2
0
.2
retorno_real_ipca

.4

11

Co23 TELEMAR N L | Co24 TIM | Co25 TRACTEBEL | Co26 TRIUNFO |

Co24

Density

Density

Co23

-.4

-.2

0
.2
retorno_real_ipca

.4

-.4

-.2

.4

Co26

1.5
0

.5

Density

Density

2.5

Co25

0
.2
retorno_real_ipca

-.2

-.1
0
.1
retorno_real_ipca

.2

-.6

-.4
-.2
0
retorno_real_ipca

.2

.4

Para que o CAPM clssico seja vlido, torna-se necessrio que ocorram, na prtica, ambas
a log-normalidade dos retornos compostos (portanto normalidade dos retornos simples) e a
estacionariedade das sries. 10 Sabemos que estas condies podem ser violadas, num
perodo de 5 anos, com episdios de crises e boom.
Os testes estatsticos de normalidade dos retornos compostos so apresentados abaixo.
Podemos notar na Tabela 2 abaixo que os retornos reais no painel no so normais. Ocorre
excesso de kurtosis e skewness (caudas gordas) com relao a uma distribuio normal.

10

12

Para maiores detalhes, vide Cochrane (2005).

Tabela 2: Teste de Normalidade no Painel

-----------------------------------------------------------------(n = 1496) |
D-H P-value
asy. P-value
------------------+----------------------------------------------retorno_real_ipca | 490.7334 0.0000 2412.7995 0.0000
------------------------------------------------------------------

Na condio acima descrita, se algum investidor do mercado usar de fato o modelo CAPM,
permite-se a arbitragem, pois o investidor comete vieses nos retornos estimados. O CAPM
desconsidera os baixos retornos na crise (ignora a cauda gorda do lado esquerdo da
distribuio) e os altos retornos no boom (ignora a cauda gorda do lado direito da
distribuio). Em outras palavras, na crise, o investidor que usar o CAPM exige um retorno
maior do que o mercado (avalia a ao como valendo menos que o preo de mercado na
crise). O oposto vale na fase de boom. Neste caso, como se arbitra? Comprar dele suas
aes na crise (subvaloriza preos das aes na crise) e vende as aes no boom
(superestima preos das aes no boom). Este eventual problema de precificao com o uso
do modelo inadequado poderia acabar contaminando o custo de capital, que aumentaria a
tarifa na crise (anti-cclico quando o usurio teria menor capacidade financeira) e a
diminuiria no boom (pr-cclico).
Na tabela A1 no apndice, de acordo com testes realizados, podemos verificar que algumas
empresas tm retornos no perodo amostral que se desviam da distribuio normal. Por
outro lado, as companhias ALL, CCR, CEMAR, CPFL, ELETROBRAS, GOL, LIGHT,
TAM, TIM e TRACTEBEL podem ter retornos com distribuio normal. Somente neste
caso, seria vlido o uso do CAPM. Em tais condies, o uso do estimador de mnimos
quadrados ordinrios no CAPM poderia ser problemtico, porm tal estimador pode ser
usado como uma primeira tentativa que vai nos direcionar para um mtodo mais
sofisticado. Para tanto, usamos dois estgios. Primeiro, usamos o estimador economtrico
mnimos quadrados. Depois, recorremos ao GMM para compensarmos a falta de
normalidade no painel de dados. Desta forma, a diferena entre estimativas acaba medindo
o prmio adicional advindo da no normalidade dos dados.

13

Com relao ocorrncia da estacionaridade no painel, os testes de raiz unitria em painel

no rejeitam a hiptese de que as variveis testadas apresentam uma tendncia no
estocstica. Pode-se observar que no existe autocorrelao dos retornos reais das aes no
painel, o que implica a hipteses de estacionariedade. Resultado, vide a tabela 3 abaixo.

Tabela 3: Teste de Autocorrelao

---------------------------------------------------Varivel: Retorno_real_ipca (taxas mensais):
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 25) = 2.317
Prob > F = 0.1405
----------------------------------------------------

Procedemos abaixo com as estimativas dos Betas (risco de mercado) das companhias.
II.2) MODELOS DE ESTIMAO DO BETA EM PAINEL (CROSS-SECTION E SRIE DE TEMPO)
Consideramos uma amostra de 22 companhias excluindo as seguintes firmas: BR-Telecom,
CEB, Eletrobrs, e Gol. Estas holdings tm outras firmas sobrepostas na amostra; nosso
ponto de vista era ter apenas alguns representantes de certos setores, como a aviao, por
exemplo, com pouca sobreposio.
Nesta nova amostra os testes de normalidade na tabela A2 mostram que 8 companhias no
rejeitam estatisticamente a hipteses de normalidade dos seus retornos e outras 14 empresas
a rejeitam.
II.2.i. Modelos iniciais para estimao do beta

Mesmo sabendo do problema da no-normalidade dos retornos para metade das empresas
da amostra, usamos o painel de empresas para se estimar primeiro o modelo CAPM
clssico. Estas estimativas sero reavaliadas mais tarde com estimativas mais pertinentes.

14

MODELO CAPM CLSSICO

R(I,T) - RF(T) = I + I [RM(T) RF(T)] + (I,T)
R(I,T) = RETORNO DA COMPANHIA (I) NO PERODO T;
RF(T) = TAXA DE RETORNO RISK-FREE NO PERODO T DADO PELO JURO DE
LONGO PRAZO. ADOTAMOS O IDKA PR 5A - TAXA DE REMUNERAO, NO
MERCADO

SECUNDRIO,

DE

TTULOS

PBLICOS

PREFIXADOS

COM

VENCIMENTO DE 5 ANOS.
I = ALPHA DO ATIVO (I)
I = BETA DO ATIVO (I)
RM(T) = RETORNO NO MERCADO BOVESPA NO PERODO T
(I,T) = ERRO NO MODELO DE ESTIMAO.
Depois, testamos diversos modelos multifatoriais, iniciando com o modelo Fama e
French. Estes autores comearam com a observao de que duas classes de aes tm
tendncia de melhor desempenho do que o mercado como um todo:
(i)

Aes classificadas conforme o tamanho da empresa (small or large

caps). Esta varivel de risco idiossincrtico ou especfico seria dada pelo
tamanho da empresa, sendo que as menores empresas podem ter alto
crescimento e rendimento - se forem inovadoras e tiverem sucesso-, ao
contrrio, das grandes empresas que j se estabilizaram; e

(ii)

Aes com alto Mltiplo Book-to-market value. Primeiro, se uma

empresa investe em ativo fixo, esta registra o montante no imobilizado, o
que faria ter um valor contbil maior que o seu valor de mercado. Depois,
se o investimento maturar, der resultado, e distribuir dividendos ter um
aumento no seu valor de mercado da ao. O modelo Fama-French inclui
o CAPM no seu risco de mercado dado pelo Beta, mas adiciona mais dois
prmios de risco idiossincrtico (especficos da empresa): tamanho da
empresa e book-to-market. O CAPM estaria morto no sentido que o

15

excesso de retorno da ao deixaria de ser explicado apenas pelo Beta,

mas por novos fatores de risco idiossincrtico.
MODELO FAMA-FRENCH DE 3 FATORES: BETA (RISCO DE MERCADO),
TAMANHO E BOOK-TO-MARKET
R(I,T) - RF(T) =
+ 1 [RM(T) RF(T)] + 2 *BOOK-TO-MARKET(I,T) + 3
*LOG_VALOR_MERCADO(I,T)+ (I,T)
ONDE:
1: BETA USUAL DO CAPM.
[RM(T) RF(T)]: EXCESS DO PRMIO DE RISCO DO MERCADO.
BOOK-TO-MARKET(I,T) = RAZO BOOK-TO-MARKET (VALOR CONTBIL
SOBRE VALOR DE MERCADO) DA COMPANHIA (I) NO PERODO T;
LOG_VALOR_MERCADO(I,T)

(LOGARITMO)

VALOR

DE

MERCADO

COMPANHIA (I) NO PERODO T.

Os modelos estimados por mnimos quadrados (OLS) so apresentados na tabela abaixo.

Tabela 4: Modelos (1) e (2): OLS

-------------------------------------------(1)
(2)
premium_co premium_co
-------------------------------------------premium_mkt
0.662***
0.695***
(0.0555)
(0.0567)
book_to_mkt

-0.0169*
(0.00691)

lValor_de_~_

0.000473
(0.00319)

_cons

-0.00279
-0.000039
(0.00283)
(0.0725)
-------------------------------------------N
1496
1345
adj. R-sq
0.147
0.166
-------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001

INCLUDES ALL 26 SIX FIRMS OF THE SAMPLE

16

O Beta do modelo (1) CAPM clssico tem valor 0,662, abaixo da unidade, indicando que
estes ativos covariam menos que o mercado. O Modelo (2) o famoso Fama-French
(largamente utilizado nos melhores bancos de investimentos na rea de research em equity
no Brasil, em particular, nas carteiras proprietrias). Neste caso, o valor do Beta muda
pouco, aumentando para 0,695, abaixo da unidade, ademais melhora a adeso do modelo
aos dados. Permite obter menor erro e valores mais justos nas estimativas do custo de
capital.11
Um critrio de back-test propostos por Cochrane (2001), Fama e French (1993, 2004) pode
ser ilustrado pelo grfico dos retornos previstos versus realizados. Se os dados previstos
pelo modelo tiver uma aderncia perfeita aos dados observados, os pontos estariam ao
longo da linha de 45. Notamos que os retornos previstos so mais dispersos que os
realizados e no se alinha ao longo da linha de 45. Ambos os modelos CAPM e FamaFrench falham no back-test, conforme as figuras abaixo.

11

No apndice mostramos alguns testes (primeiro tipo de back-test ou aderncia dos modelos aos dados), com
base no critrio de previstos e realizados (erro de previso) em funo do uso dos modelos (1) e (2) acima
estimados (Tabelas A3-A7)

17

Figura 4: Back-test: retornos previstos e realizados, conforme Cochrane (2001).

Modelo (1): CAPM e modelo (2): Fama e French.

0
-.5
-1

-1

-.5

.5

Model 2

.5

Model 1

-1

-.5

.5

-1

-.5

.5

Em seguida, mostramos a linha do mercado (security Market line) baseada nos modelos
CAPM clssico e Fama-French de 3 fatores. Aqui, o Beta de uma ao representa medida
de sua exposio ao risco do mercado acionrio IBOVESPA.
Abaixo apresentamos tambm o grfico com a previso linear dos mnimos quadrados.
No teste de validao do CAPM, todos os pontos do grfico acima deveriam estar na linha
do mercado de capitais, esta linha tinha que ser linear, passar pela origem e ter uma
inclinao positiva dada pelo prmio de risco de mercado. No perodo anterior crise
financeira, a inclinao positiva (Figuras 5b, 6b), pois o prmio de risco do mercado
esperado positivo. No entanto, para o perodo total da amostra, que inclui a crise
financeira de 2008, o prmio de risco esperado de mercado negativo e a linha do mercado
de capital passa pela origem, mas tem inclinao negativa nos dois casos.
Temos uma nuvem de pontos. Primeiro, caso se use o modelo CAPM bsico, notamos
que Eletropaulo e Gol esto abaixo da linha de mercado, portanto seus prmios esperados
(ou retornos esperados) esto muito baixos e seus preos esto muito altos, seus preos
18

esto supervalorizados, pois retornos e preos so inversamente relacionados. Celesc e Ceb

esto acima da linha de mercado, portanto seus prmios esperados (ou retornos esperados)
esto muito altos e seus preos esto muito baixos, seus preos esto subvalorizados, pois
retornos e preos so inversamente relacionados. Isto tambm ocorre no modelo FamaFrench de trs fatores. Vrias empresas tais como Light, AES, CCR, Comgas, CPFL,
COPEL, EMBRATEL esto agrupadas prximas da linha do mercado de capitais. Neste
caso, o uso do CAPM induz menos erro de precificao.

19

Figura 5a: Modelo 1: CAPM-Clssico - Linha do Mercado de Capitais: Prmios de

Risco das Aes x Beta das aes.
.02

CELESC

.01

CEB
LIGHT

E[Prem]

AES
CCR
COMGAS
COPEL
SABESP
TAM
CPFL EMBRATEL
TRACTEBEL

OHL

-.01

TELEFONICA(VIVO)

CEMAR

CEMIG
TELEMAR
TIM

CESP
ALL

TRIUNFO

-.02

CEMAT

GOL

-.03

ELETROPAULO

.5

1.5

Beta_capm_basic

Figura 5b: Modelo 1: CAPM-Clssico - Linha do Mercado de Capitais com dados at

Agosto de 2008 (perodo anterior ao da crise financeira): Prmios de Risco das Aes
x Beta das aes.
.02

CELESC

.01

CEB
LIGHT

AES
CCR
COMGAS
COPEL
SABESP
TAM
CPFL EMBRATEL
TRACTEBEL

OHL

-.01

TELEFONICA(VIVO)
CEMIG
TELEMAR
TIM

CEMAR

CESP
ALL

TRIUNFO

-.02

CEMAT

-.03

ELETROPAULO

GOL

.5

1
Beta_capm_basic

E[Prem]

20

sml_PreCrisis

1.5

Figura 5c: Modelo 1: CAPM-Clssico - Linha do Mercado de Capitais com todos

dados da amostra (antes e depois da crise de 2008): Prmios de Risco das Aes x Beta
das aes.
.02

CELESC

.01

CEB
LIGHT

AES
CCR
COMGAS
COPEL
SABESP
EMBRATEL
TAM
CPFL
TRACTEBEL

OHL

-.01

TELEFONICA(VIVO)
CEMIG
TELEMAR
TIM

CEMAR

CESP
ALL

TRIUNFO

-.02

CEMAT

-.03

ELETROPAULO

GOL

.5

1.5

Beta_capm_basic
E[Prem]

Fitted values

Em seguida, mostramos a linha do mercado (Security Market Line) baseada no modelo

Fama-French de 3 fatores.

21

Figura 6a: Modelo 2: CAPM Fama-French - Linha do Mercado de Capitais:

Prmios de Risco das Aes x Beta das aes.
.02

CELESC

CCR
COMGAS
COPEL
SABESP
TAM
CPFL EMBRATEL
TRACTEBEL

OHL

TELEFONICA(VIVO)

-.01

E[Prem]

.01

CEB
LIGHT
AES

CEMAR

CEMIG
TELEMAR
TIM

CESP
ALL

TRIUNFO

-.02

CEMAT

ELETROPAULO

-.03

GOL

.5

1.5

Beta_capm_FF

Figura 6b: Modelo 2: CAPM-Fama-French - Linha do Mercado de Capitais com

dados ate Agosto de 2008 (antes da crise financeira): Prmios de Risco das Aes x
Beta das aes.
.02

CELESC

.01

CEB

LIGHT
AES
CCR
COMGAS
COPEL
SABESP
TAM
CPFL EMBRATEL
TRACTEBEL

OHL

-.01

TELEFONICA(VIVO)

CEMAR

CEMIG
TELEMAR
TIM

CESP
ALL

TRIUNFO

-.02

CEMAT

ELETROPAULO

-.03

GOL

.5

1
Beta_capm_FF

E[Prem]

22

sml_PreCrisis_ff

1.5

Figura 6c: Modelo 2: CAPM-Fama-French - Linha do Mercado de Capitais com todos

dados da amostra (antes e depois da crise de 2008): Prmios de Risco das Aes x Beta
das aes.
.02

CELESC

.01

CEB

LIGHT
AES
CCR
COMGAS
COPEL
SABESP
TAM
CPFL EMBRATEL
TRACTEBEL

OHL

-.01

TELEFONICA(VIVO)

CEMAR

CEMIG
TELEMAR
TIM

CESP
ALL

TRIUNFO

-.02

CEMAT

ELETROPAULO

-.03

GOL

.5

1.5

Beta_capm_FF
E[Prem]

Fitted values

Os grficos acima mostram as falhas do CAPM clssico com uso do estimador de mnimos
quadrados (OLS). A linha do mercado de capitais deveria ser linear, passar no eixo vertical
na taxa real livre de risco e ter ngulo dado pelo prmio de risco de mercado. Este tipo de
problema j tinha sido reportado nos testes iniciais do CAPM feitos por Lintner (1965),
Black, Jensen e Scholes (1972) e Fama-MacBeth (1973). As causas das falhas do modelo
CAPM podem ser tanto de erro de medida do Beta como do modelo de precificao de
aes. Para se lidar com este problema, os artigos acima tentam compor carteiras de aes,
beta por indstria (em vez de individuais por firma) ou modelos multifatoriais, e.g., modelo
Fama-French de 3 fatores. No entanto, mesmo nos modelos de trs fatores, e.g., FamaFrench, constatamos que persiste o mesmo problema, mas em muito menor magnitude, na
amostra considerada neste trabalho.12

12

O sumrio estatstico dos Betas de cada companhia apresentado na Tabela A7 no apndice. A mdia do
Beta para o CAPM bsico de 0,68, enquanto que para o Fama-French de 0,66.

23

II.2.ii. Modelos multifatoriais

A seguir, usamos o painel de empresas para se estimar o Beta, porm, controlando tais
estimaes por uma srie de riscos de mercado, de mltiplos riscos (especficos das
empresas) e de efeitos fixos de cada empresa. A modelagem multifatorial em geral toma a
forma:
R(I,T) - RF(T) =

1*

[RM(T)

RF(T)]

*BOOK-TO-MARKET(I,T)

*LOG_VALOR_MERCADO(I,T) + X + (I)+ (I,T)

AGORA, ADICIONAMOS O VETOR DE FATORES:
X = VETOR DE FATORES DE RISCOS DE MERCADO OU MLTIPLOS. VIDE
ABAIXO.
Primeiro, selecionamos mltiplos que representam as diversas caractersticas da empresa.13
Para se obter o Beta a partir dos dados, nossa abordagem o uso dos dados da forma mais
geral possvel. Se escolhermos apenas um ou dois mltiplos, a estratgia no consistente
com esta abordagem. No entanto, os fatores podem gerar multicolinearidade. Dado que a
variao dos Betas estimados abaixo pequena, vemos este possvel problema de
multicolinearidade como sendo de segunda ordem.
Na categoria lucro, selecionamos a varivel preo de mercado das aes sobre o lucro da
companhia no perodo: ndice Preo/lucro.
Na categoria de valor patrimonial, inclumos a cotao das aes em Bolsa de Valores,
preo sobre o valor patrimonial da companhia no perodo: Preo/valor patrimonial (P/V).
Na categoria de receitas, inclumos a cotao das aes em Bolsa de Valores, preo sobre
as vendas das empresas no perodo: Preo/vendas.

13

Vide Casotti e Motta (2008).

24

Na categoria de valor da empresa, inclumos a razo do EV-Enterprise Value (Valor de

Mercado da Empresa somado sua Dvida Lquida) sobre o EBITDA (Lucro Antes dos
Juros, Impostos, Depreciao e Amortizao): EV/EBITDA.
Como outra varivel especfica da empresa, inclumos tambm a alavancagem financeira:
As empresas que so altamente alavancadas podem ter um maior risco de falncia se eles
forem incapazes de fazer os pagamentos dos servios da dvida (financial distress) numa
situao adversa, como ocorreu no fenmeno recente de credit crunch. Empresas altamente
alavancadas podem no encontrar novos credores no futuro. Por outro lado, a alavancagem
financeira pode ter benefcios ao aumentar o retorno dos acionistas devido s vantagens
fiscais associadas aos emprstimos (tax shield).
Dentre outros fatores de risco, testamos:
i. A taxa de cmbio do Real em relao ao dlar norte-americano R$/US$ e a relao
crdito sobre PIB no Brasil;
ii. VIX (Chicago Board Options Exchange Market Volatility Index), medida de risco
implcito nas opes sobre o mercado acionrio do ndice US S&P500. Conhecido como o
ndice do medo. Este ndice representa uma medida da expectativa da volatilidade do
mercado de aes nos prximos 30 dias;
iii. O Sharpe do Nasdaq nos EUA: excesso de retorno das aes do setor de tecnologia
(.com) por unidade de risco;
iv. O ndice dos preos de moradias nos EUA, Case-Shiller capturando variaes no
mercado imobilirio dos EUA;
iv. Uma varivel dummy acerca da crise financeira de Setembro de 2008; e
v. Finalmente, os efeitos fixos para lidar com as diferenas relativas entre as empresas da
amostra, ou seja, CCR sendo diferente da OHL em inmeros outros aspectos no
capturados pelas demais variveis de risco mencionados acima.

25

A tabela do anexo V mostra a matriz de correlao dos mltiplos considerados. Os

resultados do modelo por mnimos quadrados (OLS) e por GMM so reportados na tabela
A8.
De acordo com os resultados reportados detalhados na tabela A8 do apndice, possvel
notar que os Betas mudaram com relao ao CAPM clssico estimados por OLS e GMM
(respectivamente de 0,662 e 0,695). No caso dos modelos multifatoriais acima estimado
com o uso dos mnimos quadrados (OLS), modelo (3), o valor do Beta diminuiu para 0,636.
Ainda no caso de modelos multifatoriais estimados com GMM, o Beta tambm caiu para
0,689. De qualquer forma, existe uma diferena quando usamos o mtodo GMM, modelo 4,
com relao ao uso do OLS, modelo 3. Esta diferena pode ser uma forma plausvel de se
corrigir os desvios da normalidade observados na distribuio no-log normal dos
retornos.14
A introduo de fatores adicionais no modelo pode ser analisada de forma sistemtica. Na
tabela abaixo, observamos a contribuio dos fatores adicionais no modelo (3). Os fatores
mais importantes so o Prmio de mercado (retorno do Ibovespa menos taxa risk free),
mltiplo Preo/vendas, Fatores de risco macro (vix- risco do US S&P500, cambial, crdito/
PIB Cred_Pib, iliquidez, risco do mercado imobilirio norte-americano CASE_SHILLER,
risco do mercado de tecnologia US Sharpe_Nasdaq, e efeito da crise de 2008) e os efeitos
fixos dados pelas diferenas especficas entre as empresas.
A tabela A13 mostra que os blocos (variveis) prmio de risco de mercado, preo/vendas
(significativo na margem), demais fatores de risco e efeitos fixos contribuem
significativamente para a regresso de acordo com os testes estatsticos likelihood ratio.
Conforme a tabela A13, identificados os seguintes fatores adicionais de riscos que afetam
os retornos das aes (alm do prmio de risco de mercado, dado pelo CAPM):

14

Na sequncia, de modo similar ao caso anterior, realizamos vrios de testes (primeiro tipo de back-test ou
aderncia dos modelos aos dados), com base no critrio de previstos e realizados (erro de previso) em funo
do uso dos modelos (3) e (4) acima estimados (ver Tabelas A9-A12 do apndice).

26

i)

A taxa de cmbio do Real em relao ao dlar norte-americano R$/US$ e a

relao crdito sobre PIB no Brasil;

ii)

VIX (Chicago Board Options Exchange Market Volatility Index), medida de

risco implcito nas opes sobre o mercado acionrio do ndice US S&P500.
Conhecido como o ndice do medo. Este ndice representa uma medida da
expectativa da volatilidade do mercado de aes nos prximos 30 dias;

iii)

O Sharpe do Nasdaq nos EUA: excesso de retorno das aes do setor de

tecnologia (.com) por unidade de risco;

iv)

O ndice dos preos de moradias nos EUA, Case_Shiller capturando variaes

no mercado imobilirio dos EUA; e

v)

Uma varivel dummy acerca da crise financeira de Setembro de 2008.

Portanto, as variveis Preo/lucro, Preo/valor patrimonial (P/V), a razo do EV-Enterprise

Value (Valor de Mercado da Empresa somado sua Dvida Lquida) sobre o EBITDA
(Lucro Antes dos Juros, Impostos, Depreciao e Amortizao), EV/EBITDA, e a
alavancagem financeira no contribuem para o modelo de forma estatisticamente
significativa.
Os back-tests ilustrados pelos grficos abaixo dos retornos previstos versus realizados
mostram uma aderncia melhor do modelo multifatorial estimado por mnimos
quadrados, embora no seja ainda perfeito.

27

Figura 7: Back-test Modelos (3, 4) Multifatorial estimado por OLS(3) e GMM(4) -

.5
-1

-.5
0
Modelo 3: Fitted values

.5

-1

-1

-.5

-.5

.5

Retornos previstos e realizados, conforme Cochrane (2001)

-1

-.5
0
Modelo 4: Fitted Values

.5

II.2.iii. Teste do mltiplo de ndice de imobilizao do patrimnio

Mltiplo adicional: Ativo Fixo/Valor Patrimonial medindo a imobilizao do valor da
empresa.
Os resultados do modelo por mnimos quadrados (OLS) e por GMM so reportados abaixo:
O teste deste mltiplo foi sugerido pela ABCR (Associao Brasileira de Concessionrias
de Rodovias) em conjunto com a consultoria Nobel do Prof. Dr. Belluzzo. A Nobel justifica
o aumento da estimativa do seu Beta para 1,5 (estimado pelo CAPM) devido ao risco de
imobilizao. Por outro lado, nossos testes, indicados nas Tabelas A14-A18 do apndice,
mostram que este risco idiossincrtico (especfico da empresa) no significativo pra
explicar o prmio de risco da ao.
28

II.2. iv. Teste do mltiplo de liquidez

Controles adicionais: Liquidez corrente: razo entre ativo circulante e passivo circulante
refletindo a capacidade de pagamento da empresa no curto prazo. Este mltiplo no
significativo. A EcoRodovias sugeriu que a iliquidez afeta o setor de concesses. Testamos
abaixo se este mltiplo (risco idiossincrtico) relevante. Os resultados do modelo por
mnimos quadrados (OLS) e por GMM so apresentados abaixo. No encontramos
evidncias para validar este prmio de risco idiossincrtico (ver tabelas A19-A23 do
apndice).
Ii.2.v. Teste do mltiplo de endividamento

Controles adicionais: Debt-to-Equity, Passivo total/Capitais prprios. usado para analisar

a relao entre as dvidas e os capitais prprios. Este mltiplo foi usado pela ABCR/ Nobel
para justificar o aumento da estimativa do seu Beta. Os resultados do modelo estimador por
mnimos quadrados (OLS) e GMM esto reportados abaixo. No encontramos evidencias
para validar este prmio de risco idiossincrtico (ver Tabelas A24-A28 do apndice).

29

.5
-1

-.5
0
Modelo 9: Fitted values

.5

-1

-1

-.5

-.5

.5

Figura 8: Back-test Modelos (9-10) Multifatorial estimado por OLS (9) e GMM (10)
- Retornos previstos e realizados, conforme Cochrane (2001)

-1

-.5
0
Modelo 10: Fitted Values

.5

Na seo III so colocados de forma resumida os valores encontrados para os testes

referidos nestas trs ltimas subsees.
II.2. vi. Resumo das Alternativas de Modelagem
Primeiro, mostramos abaixo os Betas estimados e suas margens de erro (desvio-padro)
pelos vrios modelos estimados acima. Conforme podemos notar, a margem de erro o
grande problema na estimativa do Beta. Os modelos CAPM clssico, Fama-French e
Fama-French com efeitos fixos devidos s diferenas entre as empresas apresentam as
menores margens de erro na estimativa do Beta, se o objetivo for a obteno da linha do
mercado de capitais.
Neste trabalho, optamos pela escolha do modelo que melhor explicasse os retornos das
aes com base no critrio de back-test, como veremos abaixo.
30

CAPM-AllFactors_GMM_Instrum

CAPM-AllFactors_GMM

CAPM-AllFactors_OLS

CAPMMultiples_best_GMM_Instrum

CAPM-Multiples_best_GMM

CAPM-Multiples_best_OLS

CAPM-Classico-GMM_InstrumFixedEffects

CAPM-Classico-OLS-FixedEffects

CAPM-FF-OLS

CAPM-Classico-OLS

Figura 9: Betas dos modelos estimados

1,2
1,1
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Beta
StDev Acima

StDev Abaixo

31

III. COMPARAES ENTRE OS MODELOS E CLCULO DO WACC (CUSTO

MDIO PONDERADO DE CAPITAL ENTRE AES E DVIDAS)
As estimativas acima indicadas permitem calcular a soma dos quadrados dos resduos
(RSS), beta e retorno reais anuais. Depois, estimamos o custo mdio ponderado de capital.
Tabela 5: Resumo dos Modelos estimados
Modelos Alternativos de Precificao
de Aes
Adj-R2

RSS

CAPM-Clssico-OLS

0,147

17,80

CAPM-FF-OLS

0,166

16,02

Beta

0,662
0,695

E[ret_anual]
(%)
3,392
3,957

CAPM-Clssico-OLS-Fixed Effects

0,139

17,67

0,66

3,407

CAPM-Clssico-GMM_Instrum-Fixed
Effects

--

17,68

0,571

4,965

CAPM-Multiples_OLS

0,157

8,41

CAPM-Multiples_GMM_Instrum

--

19,98

CAPM-Select_Multiples_OLS

0,173

8,26

--

22,50

0,689

11,364

0,173

8,25

0,640

10,318

--

20,59

0,704

11,526

0,173

8,24

0,643

10,282

--

20,44

0,707

11,563

0,175*

8,21*

0,646

10,293

--

19,64

0,708

11,572

CAPMSelect_Multiples_GMM_Instruments
CAPM-Select_Multiples_OLS
Ativo Fixo Alavancagem Controles
CAPMSelect_Multiples_GMM_Instruments
Ativo Fixo Alavancagem Controles
CAPM-Select_Multiples_OLS
Ativo Fixo Alavancagem-Liquidez
Controles
CAPMSelect_Multiples_GMM_Instruments
Ativo Fixo Alavancagem-Liquidez
Controles
CAPM-Select_Multiples_OLS
Ativo Fixo Alavancagem-Liquidez Debt-Equity (*)
CAPM-Select_Multiples_GMM_
Instruments
Ativo Fixo Alavancagem-Liquidez
Debt-Equity

0,662
0,700
0,636

Ponderao (%)

(*) Melhor modelo pelo critrio Soma dos Resduos Quadrados e R2 ajustado.

32

10,42
11,516
10,393

Os resultados acima mostram que o modelo destacado (marcado em amarelo) d a menor

soma dos quadrados dos resduos (8,21) e o modelo preferido sob o critrio de backtest. O custo das aes de 10,29% real ao ano, com base em uma mdia aritmtica dos
retornos reais mensais. Observe que o mesmo modelo estimado pelo mtodo GMM
aumenta o custo das aes para 11,5% real ao ano. Este um ajuste falta de normalidade
e poderia ser concebido como um prmio de risco adicional.
III.1 CUSTO MDIO PONDERADO DE CAPITAL (WACC) DE CONCESSES FEDERAIS
Em seguida, mostramos a tabela para calculo do WACC, para o modelo preferido. Aqui,
assume-se que a dvida da concessionria de 80% no BNDES (20% em debentures) no
incio da concesso e 20% no BNDES na fase final.
Com um custo da dvida de 4,5% real ao ano no fim da concesso, uma estrutura de capital
com 55% de capital de terceiros e 45% capital prprio, temos um WACC de 7,04%. Este
seria o custo tpico de uma concessionria federal com acesso mais privilegiado no
BNDES, ao contrrio das concessionrias paulistas.

33

Tabela 6: WACC de concesses federais. Maior acesso ao custo da dvida mais barato
do BNDES. Fase final: Dvida de 20% no BNDES (longo prazo) e 80% no Mercado
(debentures).
incio
(A) Participao Capital Prprio
(B) Participao Capital Terceiros
Sada do Modelo Economtrico

Meio

Fim

25.00%
75%

35.00%
65%

10.293%

10.293%

10.293%

(9) Custo de captao - Financiamento de longo prazo

12.64%

12.64%

12.64%

(10) Custo de captao - Mercado de capitais

15.14%

15.14%

15.14%

(11) Fator de ponderao X - (finan. longo prazo)

80%

50%

20%

(12) Fator de ponderao Y - (mercado de capitais)

20%

50%

80%

(13) Custo Nominal da Dvida = (11)*(9)+(12)*(10)

13.14%

13.89%

14.64%

(14) Efeito Tributrio

4.47%

4.72%

4.98%

(15) Custo Nominal da Dvida aps Impostos = (13)-(14)

8.67%

9.17%

9.66%

(16) Taxa de Inflao

4.96%

4.96%

4.96%

(17) Custo Real da Dvida aps Impostos - [1+(15)]/[1+(16)]-1

(18) Custo Real do Capital Prprio = (A)*(8)
(19) Custo Real da Dvida = (B)*(17)

3.5%
2.57%
2.65%

4.0%
3.60%
2.60%

4.5%
4.63%
2.46%

5.223%

6.205%

7.093%

Custo real efetivo mdio da ao

(20) WACC = (18)+(19)

45.00%
55.00%

III.2 CUSTO MDIO PONDERADO DE CAPITAL (WACC) DE CONCESSES ESTADUAIS

Com um custo da dvida de 4,8% real ao ano no fim da concesso, e uma estrutura de
capital composto de 22% de dvida e 78% de capital prprio, temos um WACC de 9,1%.
Para ter um custo da dvida de 4,8% real ao ano, estamos considerando um cenrio de
dvida com 100% debntures e nenhuma dvida no BNDES na fase final da concesso.
Neste caso, a concessionria paulista teria que zerar sua dvida no BNDES e se financiar
com debentures, ou seja, dvida mais cara.

34

Tabela 7: WACC de concesses estaduais. Menor acesso ao custo da dvida mais

barato do BNDES. Fase final: Nenhuma Dvida no BNDES (longo prazo) e tudo em
debentures.
incio

Meio

fim

25.00%
75%

35.00%
65%

78.00%
22.00%

10.293%

10.293%

10.293%

(9) Custo de captao - Financiamento de longo prazo

12.64%

12.64%

12.64%

(10) Custo de captao - Mercado de capitais

15.14%

15.14%

15.14%

(11) Fator de ponderao X - (finan. longo prazo)

80%

50%

0%

(12) Fator de ponderao Y - (mercado de capitais)

20%

50%

100%

(13) Custo Nominal da Dvida = (11)*(9)+(12)*(10)

15.14%

15.14%

15.14%

(14) Efeito Tributrio

5.15%

5.15%

5.15%

(15) Custo Nominal da Dvida aps Impostos = (13)-(14)

9.99%

9.99%

9.99%

(16) Taxa de Inflao

4.96%

4.96%

4.96%

(17) Custo Real da Dvida aps Impostos - [1+(15)]/[1+(16)]-1

WACC
(18) Custo Real do Capital Prprio = (A)*(8)
(19) Custo Real da Dvida = (B)*(17)

4.8%

4.8%

4.8%

2.57%
3.59%

3.60%
3.12%

8.03%
1.05%

(20) WACC = (18)+(19)

5.223%

6.205%

9.1%

(A) Participao Capital Prprio

(B) Participao Capital Terceiros
Sada do Modelo Economtrico

Custo real efetivo mdio da ao

35

IV) DISCUSSO DAS PROPOSTAS DA ANTT E DAS CONCESSIONRIAS

IV.1 PROPOSTA DA ANTT
A amostra da ANTT (Agncia Nacional de Transportes Terrestres) contm apenas duas
companhias: CCR e OHL. No nosso entendimento, no seria interessante estimar os custos
de capital apenas destas duas e validar para as demais 17 concesses paulistas. Os aspectos
positivos e negativos refletidos nos diversos prmios de risco das aes apenas destas duas
companhias seriam repassados aos demais. Optamos por considerar uma amostra do setor
de utilidade pblica regulada com 22 empresas e tomamos a mdia deste setor por ser mais
representativo.
Ademais, adotamos os seguintes aspectos contidos na proposta da ANTT:
1) O perodo amostral cobre os ltimos cinco anos;
2) Uso do risco do mercado domstico dado pelo retorno do IBOVESPA e
consequentemente o Beta domstico. O modelo anterior da ANTT usava o modelo
do Banco Goldman Sachs (com o risco do mercado internacional dado pelo retorno
do US SP&500 e consequentemente o Beta externo, taxa-livre de risco norteamericana, inflao norte-americana e prmio de risco Brasil);
3) Taxa nominal livre de risco dado pelo IPKA em vez do anterior NTN-B e a inflao
brasileira;
4) No lado da dvida, seguimos a sugesto da ANTT com relao ao tratamento das
dvidas do BNDES e das dvidas do Mercado como debentures e capital de giro. O
aspecto que diferencia as concesses paulistas com relao ao BNDES a sua
participao expressiva no apoio apenas das federais, que a fonte mais barata de
recursos;
5) No WACC (custo mdio ponderado de capital) achamos interessante a ideia da
ANTT de mudar os pesos entre os custos da ao e dvida ao longo da concesso na
medida em que muda a alavancagem. Em outras palavras, no incio, a
concessionria tem alta dvida devido aos investimentos e depois na medida em que

36

amortiza a dvida, cai a alavancagem. Adotamos uma alavancagem mdia do setor

com base numa pesquisa no site da Reuters;
6) com relao ao modelo de precificao, a ANTT adotou o CAPM. Ns testamos
no somente este modelo, mas identificamos outros modelos multifatoriais que
aderem melhor aos dados por meio do back-teste.
IV.2 PROPOSTA DA ABCR/ CCR/ NOBEL CONSULTORIA

DO

PROF. DR. LUIZ GONZAGA

BELLUZZO
Alguns aspectos da proposta da ABCR para a ARTESP (foi antes tambm apresentada na
ANTT) foram possveis de serem analisados no contexto deste estudo (Vide Proposta
Nobel-Belluzzo no Anexo VI). No entanto, existem algumas diferenas importantes que
devem ser destacadas:
1) Amostra de empresas. A amostra da ABCR difere basicamente da nossa na incluso
da Petrobrs na sua amostra.
Ns exclumos esta empresa da nossa amostra sob vrios argumentos. O primeiro
foi seu peso expressivo na amostra. A Petrobrs muito diferente das concesses de
rodovias.
A Petrobrs tem um dos mais altos betas do mercado brasileiro devido receita do
seu produto (petrleo-energia) ter volatilidade mais elevada do que as dos produtos
das empresas em geral. J a receita oriunda das empresas concessionrias de
rodovias (trfego de veculos) mais estvel, mesmo no perodo de crise recente.
Assim, ao retirarmos a Petrobrs da nossa amostra, evitamos o contgio dos
diversos prmios de risco do custo de capital desta empresa nos das concessionrias
de rodovias.
2) Na proposta da ABCR, os efeitos da alavancagem e da imobilizao do ativo so
incorporados no Beta num modelo CAPM bastante simples do ponto de vista de
estimao economtrica, no caso, sem o uso de painel. Assim, o Beta alavancado do
setor da ABCR/ Nobel acaba tendo um enorme valor de 1,57 (empresas

37

concessionrias de rodovias teriam risco de mercado 50% maior que a carteira do

mercado acionrio brasileiro dado pelo IBOVESPA, Nobel/Belluzzo, Junho 2011).
A ABCR/ Nobel justifica este resultado com o uso de frmulas ad hoc de modo a
obter alto retorno das aes com cerca de 12% real ao ano.
No nosso caso, testamos estes dois mltiplos (alavancagem e imobilizao) e outras
variveis de risco num contexto de modelo multifatorial. Em outras palavras, o Beta
foi controlado pelas variveis de risco assim como o CAPM faz com relao ao
prmio de risco de mercado.
Na nossa modelagem, estimamos os prmios de risco levando em conta a
distribuio dos retornos e os diferentes modelos de precificao de aes.
IV.3 PROPOSTAS DA OHL
A OHL no trouxe de fato uma proposta para a ARTESP. Por outro lado, um aspecto
interessante sugerido pela OHL foi o efeito da alavancagem no custo de capital ao longo
do perodo de concesso. Este aspecto j estava contido na proposta da ANTT. Testamos
esta sugesto no contexto de modelo multifatorial.
IV.4 PROPOSTAS DA ECORODOVIAS/ ECOVIAS
Esta Companhia apresentou duas modelagens alternativas.
Primeira Proposta da EcoRodovias/ Ecovias/ Modelo de Gordon de precificao de
aes
A primeira proposta foi na realidade apenas uma sugesto por parte do Prof. Dr. Paulo
Beltro Fralleti da FGV (Fundao Getlio Vargas- SP), mas no foram apresentadas
modelagens ou estimativas. Aventou-se o uso do modelo de crescimento de Gordon para se
estimar o prmio de risco do mercado. No modelo de Gordon, o preo da ao o valor
presente do fluxo de caixa dos pagamentos dos dividendos no perodo que vai desde hoje
at um futuro distante. O desafio a sua implementao em termos das futuras taxas de
crescimento de pagamentos dos dividendos e do fator de desconto.

38

A literatura reporta que o modelo de crescimento de Gordon funciona melhor quando as

duas variveis acima so estimveis e estveis/ previsveis, por exemplo:
i.

Para aquelas empresas que esto crescendo e esperam que continuem crescendo
no futuro a uma taxa prxima ou menor do que o crescimento da economia; e

ii.

Para as empresas que criaram uma histria consistente da poltica de pagamento

de dividendos.

O problema desta modelagem de precificao de aes a hiptese de que uma

empresa madura repita um possvel desempenho estvel do passado no futuro. Mas,
como ficam as empresas em transio e o novo caso de quebra de regime como, por
exemplo, na recente crise na qual as gigantes empresas estrangeiras faliram?
Procuramos explorar melhor esta ideia da Ecorodovias, mas num melhor arcabouo do
que o modelo de Gordon, que seria usar o modelo de Black e Scholes com o uso das
opes de modo a se inferir o prmio implcito acerca do risco do mercado acionrio
(IBOVESPA).15
Segunda proposta da EcoRodovias/ Ecovias/ Prof. Paulo Beltro Fralleti Fralleti da
FGV: Prmio de risco externo e Beta domstico.
Em particular, temos os seguintes comentrios acerca da proposta da EcoRodovias/
Ecovias:
i.

A necessidade de se justificar a inusitada frmula do CAPM proposta pelo Prof.

Dr. Paulo Beltro Fralleti da FGV-SP. No a usual frmula do banco de
investimentos Goldman Sachs, que foi usada pela ANTT na primeira proposta,
e nem tampouco a atual frmula proposta pela ANTT. Na ANTT, o Beta foi
consistente com o prmio de risco da S&P500. Nesta segunda proposta da
Ecorodovias o Beta essencialmente o da CCR e o prmio de risco continua
sendo da S&P500. Muito estranho misturar esta medida de risco do mercado

15

Para maiores detalhes, vide Yoshino (2003).

39

brasileiro, sintetizada apenas pela CCR, com o prmio de risco de empresas

norte-americanas;
ii.

O Beta alavancado desta segunda proposta da EcoRodovias/ Paulo Beltro

Fralleti da FGV SP est inflacionado para justificar o valor final alto de
retorno de 9,70% real ao ano do WACC;

iii.

No modelo do Prof. Dr. Fralleti da FGV no se inclui o prmio de risco Brasil

(country risk), ao contrrio do modelo da Goldman.

iv.

A segunda proposta da EcoRodovias/ Prof. Dr. Fralleti da FGV prope uma

alavancagem mdia de 30% de dvida e 70% de aes - apesar de assumir que
no teria financiamento do projeto, mas desta holding.

Concluso: a proposta da EcoRodovias tem srios questionamentos tcnicos como, por

exemplo, a utilizao de um modelo no usual de CAPM e a adoo de vrios
procedimentos ad hoc como a alavancagem do Beta dando um valor de 0,92 - incompatvel
com o risco deste tipo de concesso. O resultado nesta segunda proposta resulta num
WACC de 9,70% real ao ano.
IV.5 CONSIDERAES GERAIS: PROPOSTA DAS CONCESSIONRIAS PAULISTAS E PONTOS
CONSIDERADOS
Este trabalho no somente contou com os clculos e estudos realizados pela FIPE, como
tambm fez uso de sugestes e crticas feitas tanto por consultorias contratadas pelas
concesses paulistas, como tambm ouviu os prprios representantes das concesses.
Processo este que foi marcado por longas tentativas de melhorias nos modelos propostos
pela ARTESP, consultando FIPE, a partir da comparao e avaliao direta de propostas
tcnicas feitas por terceiros e tentativa de incorporao dos pontos prs (entenda-se prs
como algo tecnicamente sustentvel e que visa uma melhor aderncia realidade) a fim de
atingir o estado da arte em relao obteno de um modelo que seja capaz de melhor
descrever o custo de oportunidade em relao ao capital prprio das empresas.

40

Por conseguinte a ARTESP e a FIPE tiveram acesso a algumas propostas tcnicas ( crticas
e/ou sugestes) feitas por concessionrias e seus representantes tcnicos (reas internas e
consultorias) das quais podem ser destacadas:

Rota das Bandeiras (Grupo Odebrecht) Galpolo Consultoria

EcoRodovias Prof. Dr. Paulo Beltro Fralleti - FGV

Grupo CCR Nobel Consultoria e Planejamento

o Esta tambm representando a ABCR

(Associao Brasileira dos

Concessionrios de Rodovias)

Grupo OHL Brasil

As duas consultorias de apoio as concesses paulistas que apresentaram alguma proposta

tcnica foram a Nobel Consultoria e Planejamento e a consultoria do prof. Dr. Paulo
Beltro Fralleti. J as outras duas concessionrias ouvidas contriburam com
crticas/sugestes ao modelo proposto pela FIPE e ARTESP sem fazer uso de modelagem
prpria.
Ambas as consultorias apresentaram modelos baseados no CAPM Capital Asset Pricing
Model, modelo este que, conforme podemos ver nas demais sees deste trabalho, tem
diversas limitaes tcnicas em relao aos pressupostos por ele assumidos para que seja
vlido.
No entanto tambm importante ponderar que, mesmo com estas limitaes, este tambm
largamente utilizado como benchmark na rea de finanas e economia, tanto em funo de
sua facilidade de uso, quanto pela fcil interpretao de sua sada.
Porm, esta fcil utilizao se limita ao escopo da avaliao das empresas individualmente.
Ao extrapolar seu uso para avaliar setores da economia, assim como qualquer outro
modelo, seu uso deve ser mais cuidadoso, buscando utilizar tcnicas de cross-section
(estimao conjunta das sries atravs de um painel de dados).

41

Em relao a este ponto, algumas crticas foram feitas proposta da Nobel Consultoria e
Planejamento, visto que esta havia calculado os Betas de cada empresa individualmente,
em um painel desbalanceado e, posteriormente, calculado a mdia ponderada dos Betas
em relao ao Patrimnio Lquido de cada uma delas.
Assim, primeiramente cabe aqui ressaltar que ao calcular a mdia dos Betas em um
painel desbalanceado (entenda por desbalanceado um painel onde cada empresa tem um
corte no tempo prprio, no uniforme; ou seja, cada empresa pode ter um histrico maior
ou menor) se introduz um vis de no uniformidade, heterocedstico, que compromete os j
frgeis pressupostos assumidos pelo CAPM. Cabe lembrar que o beta uma medida
dependente do corte temporal no qual foi estimado e que, em funo da economia ter um
comportamento dinmico, estimar um beta em uma janela de tempo gera uma estimao do
risco do negcio completamente diferente se fosse estimado em outra janela de tempo.
Para melhor ilustrar esta afirmativa, basta lembrar-se da crise econmica de 2008 quando,
em alguns momentos, os setores de minerao e energia, aqui no Brasil, representados em
larga medida por Petrobrs e Vale, sofreram um grande choque, em funo de que estas so
produtoras de bens cujo consumo depende muito do nvel de atividade industrial. J setores
como bens de consumo e infraestrutura tiveram um menor choque, em funo de que sua
demanda tende a ser mais inelstica (as pessoas dependem mais desses bens para
sobreviver) do que de outros setores.
Logo, para utilizar uma tcnica de estimao baseada em mdia dos Betas, seria
necessria a composio de um painel balanceado, pois somente com base nesta condio,
a mdia dos betas das empresas se equivale matematicamente ao beta estimado pela tcnica
de cross-section.
A tcnica de cross-section basicamente consiste na soluo de uma equao matricial da
forma:

42

Onde

a matriz de observaes das variveis explicativas (neste caso especial, o prmio

de risco de mercado em cada instante de tempo e uma constante)

o vetor das

observaes da varivel independente (neste caso especial, os retornos dos ativos); o vetor
um vetor dos parmetros do modelo a ser estimado, no caso

], e o vetor

vetor de erros (a parte a qual a regresso no foi capaz de explicar), vetor este que
desejamos minimizar pela tcnica de mnimos quadrados.
Por conseguinte, se estima os parmetros resolvendo a equao matricial acima 16, onde os
parmetros que saem deste estimador melhor explica todo o conjunto de dados. Ou seja,
encontra-se o Beta que melhor explica o setor.
Em funo dos dados estarem dispostos sob a forma matricial, temos a condio necessria
que cada observao na matriz das variveis explicativas ( ) esteja na mesma linha que a
varivel independente esteja no vetor de observaes , sendo que os cortes temporais de
cada empresa podem ser diferentes, no acarretando em alguma distoro de cunho
matemtico-estatstico do parmetro obtido.
Outro ponto interessante para o devido funcionamento deste estimador que o vetor de
erros ( ) deve ser normalmente distribudo. Logo, caso haja a introduo de ponderaes,
ou pesos para cada observao, outro estimador economtrico deve ser utilizado, pois ao se
introduzir diretamente pesos em um estimador de Mnimos Quadrados Ordinrio (OLS),
haver distores no vetor de erros que podero implicar a no normalidade dos resduos.
No obstante, tambm vale ressaltar que o Mtodo dos Mnimos Quadrados restringe seu
uso para a extrapolao somente em funo das sries utilizadas, pois os parmetros que
dele saem, so nada mais nada menos que os efeitos que uma varivel tende a ter em
relao outra(s) varivel(is).
Estes primeiros pontos que foram levantados aqui nesta seo tambm servem de crtica
proposta apresentada pelo prof. Dr. Paulo Beltro Fralleti, consultor responsvel pelos
estudos apresentados pela EcoRodovias. Na proposta encaminhada, foi mensurado um beta,
16

Prova matemtica deste estimador vide Greene (2011).

43

no mercado domstico, com o prmio de mercado calculado sobre a diferena entre o

Ibovespa e a NTN-B (notas do tesouro nacional srie B) utilizando o mtodo dos
Mnimos Quadrados e, a fim de extrapolar projees futuras sobre o custo de oportunidade
do capital prprio, utilizou-se uma mdia aritmtica de quase 80 anos do ndice Standard
& Poors 500.
Logo, ao ter se apurado um Beta que nada mais do que a mensurao de um efeito
linear de uma varivel explicando outra varivel, e ao se substituir o prmio de risco
nacional utilizado na estimao por um prmio de risco de mercado internacional
(S&P500), no h a evidncias matemticas e estatsticas que suportem que a transmisso
do efeito (dada pelo parmetro Beta) ser a mesma, j que no foi inferido com base
estatstica.
Vale tambm lembrar que os movimentos dos ndices Ibovespa e S&P500 no tm
correlao perfeita, dadas as caractersticas de cada economia; valendo est no
homogeneidade entre pases tambm para as taxas de juros, visto que cada Banco Central
(Banco Central do Brasil e o Federal Reserve) tem diferentes mtodos, diferentes vises e
diferentes problemas a serem resolvidos.
Outros pontos dos estudos no foram menos controversos. A Nobel Consultoria e
Planejamento, aps fazer a mencionada ponderao pelo Patrimnio Lquido das empresas,
realizou um procedimento de desalavancagem e realavancagem do Beta, tentando
expurgar, de maneira linear, os efeitos que a alavancagem financeira teria na percepo de
risco junto ao investidor e depois agregar o risco que a alavancagem financeira proposta no
projeto em questo teria.
Primeiramente, vale ressaltar que este tipo de proxy linear mais recomendado ser feito
em condies cuja diferena entre a alavancagem da empresa, ou do setor medido, e a
alavancagem alvo do projeto no sejam muito diferentes entre si, pois, uma proxy
linear nada mais do que uma aproximao matemtica de primeira ordem para uma

44

funo desconhecida que a averso ao risco precificada nos retornos de um determinado

ativo.
Para pequenas variaes (no caso pequenas diferenas entre a alavancagem medida versus
proposta), muitas vezes um diferencial de primeira ordem pode ser considerado uma boa
aproximao.
Sabendo que qualquer funo analtica, sem sabermos especificamente qual, pode ser
expressa via expanses de Taylor:
( )

Logo, uma relao linear s expressa os dois primeiros termos desta expanso. Se a
diferena for pequena, os demais termos (

) tendem a zero, e uma aproximao

linear factvel. Seno, essas diferenas podem se tornar significativas, gerando grandes
distores. Logo, sob o ponto de vista da economia-matemtica, torna-se bastante
questionvel a suposio de linearidade pura na relao risco/retorno para grandes
variaes na estrutura de alavancagem a partir de algo inferido sobre os dados.
Outro ponto no menos controverso apresentado pela Nobel, seria a distoro economtrica
que uma ponderao dos Betas e da estrutura de capital setorial pelo patrimnio lquido
causa.
Em uma amostra onde se tem a Petrobrs compondo o setor, com um Patrimnio Lquido
muitas vezes superior s demais empresas a Petrobrs tem um limite de endividamento
estabelecido para companhias com grau de investimento de 35% (e pelo seu conselho
administrativo) sobre o patrimnio lquido, ou seja, a proporo de capital prprio versus
capital de terceiros de no mximo 74% (Capital Prprio) / 26% (Capital de Terceiros)
naturalmente se atribui um peso muito grande Petrobrs.
Assim, ao desalavancar o Beta pela estrutura de capital vigente, que praticamente deixa o
Beta intacto, e depois, ao realavancar pela estrutura de capital proposta pela CCR, este
Beta quase que dobra de tamanho, em funo da distoro causada pela aproximao

45

linear da funo de relao risco retorno (dada a grande diferena entre as alavancagens)
mencionada anteriormente.
J na proposta da EcoRodovias, houve um erro de interpretao metodolgica, j que o beta
foi alavancado sem ter sido desalavancado previamente, tambm gerando um Beta
desproporcional.
Por fim, o ltimo ponto polmico em relao a proposta da Nobel Consultoria e
Planejamento, foi a adoo de um parmetro chamado delta beta. Esse delta beta teria
por objetivo agregar um custo de oportunidade referente iliquidez natural dos ativos que
so as concesses de rodovias e seus respectivos investimentos. Em primeiro lugar, vale
lembrar que por se tratar de uma empresa especializada em concesses pblicas, os ativos
so naturalmente ilquido e, claro, h um impacto no custo de oportunidade. Por outro lado,
tambm haveria de se medir que os benefcios gerados por ativos de infraestrutura, como
discutido nesta seo anteriormente, tm por caracterstica principal uma grande
estabilidade nos fluxos de caixa decorrentes da explorao dos mesmos. Logo, tambm h
um benefcio natural deste tipo de atividade. E como infraestrutura no pode ser
arrancada de um lugar para outro, um nus natural e inerente atividade exercida.
Em segundo lugar, mesmo havendo essa questo da iliquidez, ela deve ser mensurada
segundo metodologia estatstica para inferncia com base no mtodo cientfico. A
metodologia apresentada s contemplava que esse custo pela iliquidez era determinado
arbitrariamente por uma frao da composio do custo de oportunidade, sendo que esta
frao no fora medida segundo algum critrio estatstico, ou com base em alguma
metodologia cientfica.
Vale tambm lembrar que esta questo da iliquidez fora mensurada diretamente, segundo
metodologia estatstica, nos modelos multifatoriais propostos, tal que se atribui um
parmetro a fim de mensurar qual o impacto que o grau de imobilizao (um parmetro
para medir a iliquidez de uma empresa) tem nos retornos dos papis dos ativos.

46

No entanto no cabem aqui somente crticas. Um dos pontos interessantes levantados tanto
pela OHL Brasil, quanto pela prpria EcoRodovias, foi a adoo de parmetros sobre a
percepo de mercado sobre a alavancagem financeira na composio da estrutura que iria
ponderar o custo mdio de capital. Ao utilizar parmetros contbeis, e em funo do
sistema contbil vigente no Brasil, grande parte destes valores sofrem grandes distores,
que vo alm da valorao que o mercado faz a respeito da empresa.
Essas distores incluem, alm da questo da valorao real de um bem - ou seja, qual seria
o benefcio econmico ao realizar uma transao sobre o mesmo - a questo da inflao,
que, como sabemos, ao longo do tempo distorce o valor real de um ativo quando o mesmo
no corrigido de acordo com a taxa de inflao acumulada no perodo considerado.
A questo da ampliao da amostragem, rumo a um painel de dados do setor de
infraestrutura, ao invs de se ater a uma amostragem de pouqussimas empresas de
concesses de rodovias, tambm pode ser considerado um direcionamento mais adequado
ao longo destas discusses.
E por fim, tambm vale destacar a utilizao de dados brasileiros para a inferncia sobre o
custo de oportunidade, ao invs da construo de um painel internacional de dados, que
deveria sofrer a adio de alguns riscos idiossincrticos da economia brasileira, que foi um
dos pontos de convergncia ao longo destas reunies, visto que a diversidade de opes de
investimento completamente diferente em relao a um investidor externo do que em
relao a um investidor aqui no Brasil.

47

V. A ALTERNATIVA DE BETAS DINMICOS

No obstante, alm dos mtodos apresentados nas outras sees, aqui dedicada uma seo
especial para tratar de outro teste sobre a estimao do risco de negcio, mensurado mais
especificamente pelo parmetro beta do CAPM.
Em funo de ser um modelo de um fator explicativo somente, e tambm por ser o modelo
ainda mais utilizado em finanas, o fator beta deste modelo passou a ser tido como uma
referncia (benchmark) para a avaliao de desempenho e mensurao de risco de negcio
de empresas e setores com capital aberto em bolsa de valores.
Levando em considerao este fato, tambm foi desenvolvida toda uma anlise do Beta,
permitindo que esse parmetro evolusse ao longo do tempo, de maneira a condensar pelo
menos grande parte da informao referente variao dos preos dos ativos em relao ao
prmio de risco de mercado vigente no momento.
A fim de melhor entender a afirmao acima, basta comparar a dinmica funcional de um
modelo CAPM versus um modelo multifatorial atravs da seguinte sequncia lgica de
possveis impactos nos retornos de um determinado ativo:

Se temos um modelo de um fator somente, no caso o CAPM, toda a variao tem de

ser explicada por uma nica varivel, no caso, o prmio de risco de mercado, e esta
varivel tem um efeito mdio sobre o retorno que o parmetro beta.

Se temos um modelo de mais de um fator, no caso podendo ser qualquer um dos

modelos multifatoriais expostos nas demais sees deste trabalho, as variaes do
retorno de um determinado ativo podem ser explicadas por uma gama mais ampla
de eventos, atravs de um conjunto maior de variveis explicativas, cujos efeitos
mdios (elasticidades) so condensados nos parmetros.

Agora, ao invs de termos um parmetro fixo a fim de transmitir um nico efeito

(variao no prmio pelo risco de mercado), permitirmos que esse parmetro varie
ao longo do tempo, teremos um parmetro que varie suavemente de maneira a

48

melhor explicar o retorno do ativo versus o prmio de risco de mercado em cada

instante de tempo, visto que a razo deles flutua ao longo do tempo. Ou seja, uma
nota de risco (como avaliado pelos analistas financeiros ao olhar o parmetro
beta) que varia ao longo do tempo, instante a instante.
Por conseguinte, eliminamos grande parte das limitaes decorrentes do emprego do
estimador de mnimos quadrados ordinrio no CAPM, pois passamos a ter um conjunto de
equaes em diferenas estimadas a cada instante do tempo, eliminando aspectos como a
necessidade da distribuio normal dos retornos, fato este que pode enviesar seriamente os
resultados da inferncia atravs de mtodos tradicionais.
Assim, apresentamos nesta seo um estimador conhecido como Filtro de Kalman,
largamente utilizado em outras cincias, que tem como principal caracterstica a obteno
de variveis latentes (escondidas) em um conjunto de dados, que varia dinamicamente.
Este tipo de estimador conhecido dentro de um conjunto de famlia de estimadores
denominada Filtros de Cadeias de Markov Ocultas Hidden Markov Chain Filters.
A ideia principal do Filtro de Kalman17 est baseada em dois sistemas de equaes (no caso
da estimao de um modelo CAPM com parmetros variantes)

A equao observvel:
(

Esta denominada equao observvel, pois justamente o retorno de um ativo que ns

conseguimos observar no mercado a partir dos preos.

Sistema de Equaes em Diferenas Ocultas

{

Este denominado sistema de equaes em diferenas ocultas, pois so equaes cujos

parmetros no so observveis diretamente nos preos.
17

Para mais detalhes ver Hamilton (1994).

49

No caso, neste sistema de equaes, segue que a variao dos parmetros dada por uma
flutuao aleatria, normalmente distribuda, com mdia zero, e varincia determinada por
uma matriz de covarincias.
Por conseguinte, o passo seguinte desenvolver o algoritmo do Filtro de Kalman que
permite a estimao do sistema de equaes em diferenas ocultas.
Sabendo que a equao observvel escrita sob a seguinte forma:
(

Agora suponha que para fazer uma previso s dispomos dos parmetros ajustados no
perodo imediatamente anterior.
Consequentemente, segue que:
(

Tal que o retorno esperado dado somente em funo da informao que j temos no
passado.
Logo, o erro desta projeo versus o ocorrido ser dado por:

Assim, a fim de ajustar os parmetros para que na prxima previso eles corrijam este
desvio, segue que ajustamos o conjunto de parmetros por um fator , tal que:
{

(
(

)
)

Tendo o sistema acima em vista, a dinmica do Filtro de Kalman se resume em encontrar

um fator

que minimize o erro das observaes, instante a instante.

Para tal, o Filtro de Kalman busca minimizar a varincia dos resduos (desvios do projetado
versus observado). Quanto menor a varincia dos resduos, instante a instante, menor os
desvios do sistema proposto.

50

Conhecendo este processo de modelagem, seguem as estimativas para o Beta ao longo do

tempo utilizando este algoritmo:
Figura 10: Grfico Evoluo dos Betas 1 OHL

51

Figura 11: Grfico Evoluo dos Betas 2 CCR

Figura 12: Grfico Evoluo dos Betas 3 EcoRodovias

52

Figura 13: Grfico Evoluo dos Betas 4 Triunfo Participaes

Com base nos grficos acima, podemos perceber grandes semelhanas entre as estruturas
dos trs grficos, tal que, por exemplo, durante a crise de 2008, na semana do dia 15 de
outubro de 2008 (ponto agudo da crise), houve uma exploso do parmetro Beta tanto
para CCR quanto para OHL e Triunfo, mostrando a capacidade do modelo de identificar as
variaes no risco de negcio.
Assim, ao acompanhar o histrico das quatro companhias listadas de concesso de rodovias
com capital aberto listadas em bolsa, vemos que em raros momentos o Beta delas
ultrapassa a marca de um, ou seja, que elas representam um risco maior do que a mdia do
mercado como um todo (no caso somente o da CCR ultrapassa esta marca).
Consequentemente, evidenciamos mais um indicador que refuta a hiptese levantada pela
Nobel consultoria de que em algum determinado momento a mdia setorial dos Betas
ultrapassaria um, quanto menos chegaria a dois.
Tambm demonstramos de certa forma que em tempos de crise, como pode se ver na
evoluo dos quatro grficos expostos anteriormente, tanto em 2008 quanto em 2011, h
certo consenso por parte do mercado de que este setor mais seguro em termos de gerao

53

de dividendos, do que em relao mdia do mercado e, por isso, as medidas dos betas
tendem a cair significativamente logo aps os perodos agudos das crises.
Logo, tambm com esse argumento reiteramos nossa oposio ideia de um delta-beta,
pois, se por um lado existe o argumento da iliquidez, este capturado diretamente no modelo
multifatorial, tambm existem os benefcios de estabilidade do fluxo de caixa inerente
natureza operacional destas empresas, conforme exposto nas demais sees.
Outro ponto que corrobora com todos estes pontos levantados nesta seo em relao ao
desempenho das companhias comparadas ao desempenho do Ibovespa.
Figura 14: Desempenho Aes versus Ibovespa 1 Desempenho calculado sob preos
em base 100

A partir da anlise do grfico anterior possvel ver que, enquanto o ndice Ibovespa se
desvalorizou no perodo quase 27%, as aes das quatro holdings de concesses de
rodovias se valorizaram significativamente, destacando o baixo risco que elas apresentaram
durante o perodo de crise vivenciado em 2011, tambm corroborando as hipteses
levantadas nesta seo.
Com isso pretendemos evidenciar nesta seo que, em funo de todos estes argumentos
em conjunto com os j expostos nas demais sees deste trabalho, o custo de oportunidade

54

sobre o capital prprio (equity) deste setor tem de ser inferior a mdia do custo de capital
prprio da mdia do mercado.

55

VI. CONCLUSES
Apresentamos neste relatrio vrias estimativas de custo de capital com base em diversas
anlises do ponto de vista de robustez e consistncia. A estratgia usada na escolha do
melhor modelo do ponto de vista da Economia Financeira e da Econometria foi feita de
duas formas alternativas. Primeiro, o Beta foi estimado com o uso do estimador de mnimos
quadrados ordinrios (OLS). Depois, aplicamos o mtodo dos momentos generalizados
(GMM) nos melhores modelos obtidos de acordo com o critrio de mnimos quadrados e
no back-test. Finalmente, analisamos as diferenas entre estas estimativas. Com base em
critrios estatsticos, estimamos um Beta para o setor de utilidade pblica regulada da
ordem de 0,646, um valor bem inferior a unidade mostrando que o setor de utilidade
pblica regulada tem um risco de cerca de 35% menor do que o risco de mercado
(IBOVESPA). O rendimento real esperado no mercado de aes de 10,29% ao ano, de
acordo com o melhor modelo (sob critrio de best fit). .
Finalmente, usando uma calibrao do custo da dvida, nossa estimativa do custo mdio
ponderado entre os custos das aes e custos das dvidas resulta num valor de WACC
(weighted average cost of capital) de 9,1% real ao ano.

56

REFERNCIAS BIBLIOGRFICAS
Bianconi, M. and Joe A. Yoshino (2012a). Firm Market Performance and Volatility in a
National Real Estate Sector. International Review of Economics and Finance, 22,
230-253.
Bianconi, M. and Joe A. Yoshino (2012b). "Empirical Estimation of the Cost of Equity: An
Application to Selected Brazilian Utilities Companies," May 2012. Vide
HTTP://PAPERS.SSRN.COM/SOL3/PAPERS.CFM?ABSTRACT_ID=2049410

Black, Fischer, Michael C. Jensen, and Myron Scholes (1972). The Capital Asset Pricing
Model: Some Empirical Tests, pp. 79-121 in M. Jensen ed., Studies in the Theory of
Capital Markets. New York: Praeger Publishers.
CCR, ABCR e Nobel Consultoria Proposta a Artesp
Cochrane, John. (2005). Asset Pricing. Princeton University Press. Second edition.
Ecovias Proposta Artesp
Fama, E.F. e K.R. French (1993): Common Risk Factors in the Returns on Stocks and
Bonds, Journal of Financial Economics, Vol. 33, 3-56.
Fama, E.F. e K.R. French (2004), The Capital Asset Pricing Model: Theory and Evidence.
The Journal of Economic Perspectives, 18(3), 2546.
Fama, Eugene F. and James D. MacBeth. (1973). Risk, Return, and Equilibrium:
Empirical Tests. Journal of Political Economy. 81:3, pp. 607-636.
Greene, W. H. (2011). Econometric Analysis. 7th Edition. Prentice Hall.
Hamilton, J.D. (1994). Time Series Analysis. Princeton: Princeton University Press.
Lintner, John (1965). The valuation of risk assets and the selection of risky investments in
stock portfolios and capital budgets, Review of Economics and Statistics, 47 (1), 1337.

57

Wooldridge, J. M. (2002). Econometric Analysis of Cross Section and Panel Data. MIT
Press.
Yoshino, Joe A. (2003). Market Risk and Volatility in the Brazilian Stock Market, Journal
of Applied Economics, Elsevier, Journal of Applied Economics, Vol. VI, No. 2
(Nov. 2003), 385-403.
Yoshino, Joe A. e Edson Bastos e Santos. (2009). Is CAPM Dead or Alive in the Brazilian
Equity Market? Review of Applied Economics, Vol. 5, Nos. 1 & 2, p. 127.

58

ANEXOS
APNDICES-TABELAS
TABELA A1: TESTE DE NORMALIDADE POR COMPANHIA
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
63 16.3290 0.0003 12.8177 0.0016
ALL |
63 3.9692 0.1374 4.4245 0.1095***
BR TELECOM |
63 20.8308 0.0000 104.6595 0.0000
CCR |
63
2.7783 0.2493 1.4719 0.4790***
CEB |
51 26.0832 0.0000 80.5380 0.0000
CELESC |
36 14.9025 0.0006 21.8354 0.0000
CEMAR |
63 4.2639 0.1186 1.8238 0.4018***
CEMAT |
62 7.5959 0.0224 11.1115 0.0039
CEMIG |
48 9.9441 0.0069 23.9741 0.0000
CESP |
63 19.4293 0.0001 109.8105 0.0000
COMGAS |
59 21.0093 0.0000 36.9083 0.0000
COPEL |
63 26.7109 0.0000 208.0512 0.0000
CPFL |
63 3.7145 0.1561 3.1951 0.2024***
ELETROBRAS |
42 3.0006 0.2231 1.6872 0.4302***
ELETROPAULO |
36 20.2015 0.0000 113.0147 0.0000
EMBRATEL |
63 10.2834
0.0058 6.8285 0.0329
GOL |
63 2.1532 0.3407 0.4728 0.7895***
LIGHT SA |
63 2.2437 0.3257 2.0389 0.3608***
OHL |
63 12.9354 0.0016 40.6868 0.0000
SABESP |
63 14.0014 0.0009 26.8852 0.0000
TAM |
44 3.7880 0.1505 4.0452 0.1323***
TELEFONICA (VIVO) |
63 22.1319 0.0000 34.0430
0.0000
TELEMAR N L |
63 39.3489 0.0000 50.0642 0.0000
TIM |
63 2.7410 0.2540 2.4402 0.2952***
TRACTEBEL |
63 5.4681 0.0650 4.4551 0.1078***
TRIUNFO |
47 8.6088 0.0135 14.2905 0.0008
-----------------------------------------------------------------------------*** No rejeita Normalidade.

TABELA A2: TESTE DE NORMALIDADE - POR COMPANHIA

-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
63 16.3290 0.0003 12.8177 0.0016
ALL |
63 3.9692 0.1374 4.4245 0.1095***
CCR |
63 2.7783 0.2493 1.4719 0.4790***
CELESC |
36 14.9025 0.0006 21.8354 0.0000
CEMAR |
63 4.2639 0.1186 1.8238 0.4018***
CEMAT |
62 7.5959 0.0224 11.1115 0.0039
CEMIG |
48 9.9441 0.0069 23.9741 0.0000
CESP |
63 19.4293 0.0001 109.8105 0.0000
COMGAS |
59 21.0093 0.0000 36.9083 0.0000
COPEL |
63 26.7109
0.0000 208.0512 0.0000
CPFL |
63 3.7145 0.1561 3.1951 0.2024***
ELETROPAULO |
36 20.2015 0.0000 113.0147 0.0000
EMBRATEL |
63 10.2834 0.0058 6.8285 0.0329
LIGHT SA |
63 2.2437 0.3257 2.0389 0.3608***
OHL |
63 12.9354 0.0016 40.6868 0.0000
SABESP |
63 14.0014 0.0009 26.8852 0.0000

59

TAM |
44 3.7880 0.1505 4.0452 0.1323***
TELEFONICA (VIVO) |
63 22.1319 0.0000 34.0430 0.0000
TELEMAR N L |
63 39.3489 0.0000 50.0642 0.0000
TIM |
63 2.7410 0.2540 2.4402 0.2952***
TRACTEBEL |
63 5.4681 0.0650 4.4551 0.1078***
TRIUNFO |
47 8.6088 0.0135 14.2905 0.0008

-----------------------------------------------------------------------------*** No rejeita Normalidade.

TABELA A3: MODELO (1): CAPM CLSSICO

Soma dos resduos ao quadrado (erro de previso: previsto versus realizado):
e(rss) (medida do erro): 17,80

Criterio Akaike, Bayesiano

----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est1 | 1496 1072.358 1191.83 2 -2379.661 -2369.04
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note

Taxa de Retorno Real Media Mensal Prevista no modelo:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a | 1615 .0027839 .0449249 -.1668601 .0987781

Concluso: Taxa de Retorno Real Mdia Annual Prevista no modelo CAPM: 3,39% real ao
ano. Mais tarde, constatamos que esta margem de erro (rss=17,8) acima maior no CAPM
do que com relao aos demais modelos.
TABELA A4: SUMRIO ESTATSTICO DO MODELO CAPM NA PREVISO:
RETORNOS MENSAIS
stats | retorn~a ret_ha~a(previsto)
---------+-------------------mean | .0035469 .0027839
median | .0042688 .0028087
sd | .1180743 .0449249
skewness | -.8128798 -.6745594
kurtosis | 9.005407 4.728639
N | 1496 1615
-----------------------------Retorno Mensal esperado: ret_hat_01_real_ipca
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 25) = 41512.786
Prob > F = 0.0000

60

Existe autocorrelao: o modelo est suavizado os retornos.

--------------------------------------------------------------------(n = 1615) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 110.0446 0.0000 323.5596 0.0000
--------------------------------------------------------------------Ausncia de normalidade no retorno previsto.
Retorno Previsto por companhia usando CAPM:
ret_hat_01_real_ipca, by(co)
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
64 8.4492 0.0146 13.3196 0.0013
ALL |
64 8.4492 0.0146 13.3196 0.0013
BR TELECOM |
64 8.4492
0.0146 13.3196 0.0013
CCR |
64 8.4492 0.0146 13.3196 0.0013
CEB |
67 9.1560 0.0103 14.1187 0.0009
CELESC |
64 8.4492 0.0146 13.3196 0.0013
CEMAR |
64 8.4492 0.0146 13.3196 0.0013
CEMAT |
64 8.4492 0.0146 13.3196 0.0013
CEMIG |
49 6.6562 0.0359 6.8045 0.0333
CESP |
64 8.4492 0.0146 13.3196 0.0013
COMGAS |
64 8.4492 0.0146 13.3196 0.0013
COPEL |
64 8.4492 0.0146 13.3196 0.0013
CPFL |
64 8.4492 0.0146 13.3196 0.0013
ELETROBRAS |
43 6.1315 0.0466 5.1177 0.0774
ELETROPAULO |
64 8.4492 0.0146 13.3196 0.0013
EMBRATEL |
64 8.4492 0.0146 13.3196 0.0013
GOL |
64 8.4492 0.0146 13.3196 0.0013
LIGHT SA |
64 8.4492 0.0146 13.3196 0.0013
OHL |
64 8.4492 0.0146 13.3196 0.0013
SABESP |
64 8.4492 0.0146 13.3196 0.0013
TAM |
64 8.4492 0.0146 13.3196 0.0013
TELEFONICA (VIVO) |
64 8.4492 0.0146 13.3196 0.0013
TELEMAR N L |
64 8.4492 0.0146 13.3196 0.0013
TIM |
64 8.4492 0.0146 13.3196 0.0013
TRACTEBEL |
64 8.4492 0.0146 13.3196 0.0013
TRIUNFO |
48 6.3856 0.0411 6.0168 0.0494
-----------------------------------------------------------------------------Rejeio de normalidade para todas as companhias.

TABELA A5: MODELO (2): MODELO FAMA-FRENCH

-----------------------------------------------------------------------------Soma dos resduos quadrados (erro de previso: previsto versus realizado):
e(rss) (medida do erro): 16,02 do FamaFrench contra 17,8 do CAPM acima. Fama French melhor que CAPM sob critrio de back-test.
Critrio Akaike e Bayesian:
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est2 | 1345 947.1061 1070.732 4 -2133.465 -2112.648
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note

Taxa de retorno media mensal prevista:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a | 1396 .0032393 .0484765 -.2312167 .1143811

61

Taxa de retorno mdia anual prevista pelo modelo: 3,95% real ao ano

TABELA A6: SUMRIOS ESTATSTICOS

Retornos mensais:
stats | retorn~a ret_ha~a(previsto)
---------+-------------------mean | .0035469 .0032393
med | .0042688 .0053763
sd | .1180743 .0484765
skewness | -.8128798 -.739763
kurtosis | 9.005407 4.992698
N | 1496 1396
--------------------------------------------------------------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 23) = 1025.589
Prob > F = 0.0000
O Modelo Fama-French est suavizando os retornos.
Teste de Normalidade no Painel:
--------------------------------------------------------------------(n = 1396) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 109.8387 0.0000 358.2975 0.0000
--------------------------------------------------------------------Ausencia de normalidade nos retornos.
Teste de Normalidade Por Companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
64 8.0140 0.0182 12.0417 0.0024
ALL |
64 8.2199 0.0164 12.4067 0.0020
CCR |
64 8.6776 0.0131 14.0451 0.0009
CEB |
52 12.6767 0.0018 41.0036 0.0000
CELESC |
38 0.7385 0.6912 0.9758 0.6139***
CEMAR |
64 8.1059 0.0174 13.6978 0.0011
CEMAT |
63 8.2635 0.0161 13.3212 0.0013
CEMIG |
49 7.5103 0.0234 9.0819 0.0107
CESP |
64 12.8784 0.0016 37.4399 0.0000
COMGAS |
60 9.4151 0.0090 15.6680 0.0004
COPEL |
64 10.6412 0.0049 20.5846 0.0000
CPFL |
64 8.6467 0.0133 13.0688 0.0015
ELETROPAULO |
46 7.4584 0.0240 11.9525 0.0025
EMBRATEL |
64 9.9346 0.0070 16.0805 0.0003
GOL |
64 9.0235 0.0110 17.9762 0.0001
LIGHT SA |
64 7.9903 0.0184 12.7702 0.0017
OHL |
64 10.8577 0.0044 24.2391 0.0000
SABESP |
30 3.5033 0.1735 1.9531 0.3766***
TAM |
50 0.3492 0.8398 0.8262 0.6616***
TELEFONICA (VIVO) |
64 10.4947 0.0053 21.4986 0.0000

62

TELEMAR N L |
64 8.1859 0.0167 12.2457 0.0022
TIM |
64 8.4503 0.0146 13.7123 0.0011
TRACTEBEL |
64 8.6264
0.0134 13.6643 0.0011
TRIUNFO |
48 8.1345 0.0171 12.1888 0.0023
-----------------------------------------------------------------------------Apenas CELESC, SABESP e TAM podem ter distribuio normais.

TABELA A7: SUMRIO ESTATSTICO BETAS

| beta_CAPM(1) beta_FF(2)
---------+-------------------mean | .6838434 .6612868
Med | .5739959 .5870101
sd | .3562938 .3401356
max | 1.49052 1.488796
min | .1076502 .1523705
N| 24
------------------------------

TABELA A8: MODELOS MULTIFATORIAIS

-------------------------------------------OLS
GMM/Instrumented
(3)
(4)
premium_co premium_co
-------------------------------------------premium_mkt
0.636***
0.689***
(0.0905)
(0.180)
book_to_mkt
-0.0418
0.0517
(0.0228)
(0.164)
lValor_de_~_ -0.00941
0.0383
(0.0221)
(0.0784)
Preo___Lu~x -0.00000338 0.00000285
(0.00000495) (0.00000976)
Preo___Va~x 0.00373
-0.000407
(0.00335)
(0.00792)
Price_Sale~x
0.0126** -0.00421
(0.00401)
(0.0272)
EV___EBI~a_x -0.000399
-0.000109
(0.000282) (0.000815)
vix
-0.00168*
0.00386
(0.000760)
(0.00875)
Cambio
0.0503
-0.0921
(0.0529)
(0.248)
Cred_Pib
-0.00160
0.00496
(0.00539)
(0.0139)
CASE_SHILLER -0.000546
0.00166
(0.000621)
(0.00413)
Alavanc~nc_x -0.00000120 0.00000139
(0.000000824) (0.00000546)
Sharpe_Nas~q
-0.0109
-0.0151
(0.00601)
(0.0143)
crisis3
0.0457
-0.00524
(0.0593)
(0.104)
co1
-0.0479
0.00289
(0.0432)
(0.231)

63

co2

-0.0847
0.00842
(0.0507)
(0.305)
co4
-0.0283
0.0461
(0.0347)
(0.265)
co6
0.0400
0.0385
(0.0285)
(0.103)
co7
-0.0414
0.0454
(0.0281)
(0.270)
co9
0.0354
-0.0713
(0.0687)
(0.0968)
co10
0.0559
-0.0833
(0.0540)
(0.115)
co11
-0.0399
0.0235
(0.0344)
(0.241)
co12
0.00458
-0.0336
(0.0507)
(0.0965)
co13
0.00619
-0.0384
(0.0643)
(0.115)
co15
0.0186
-0.0373
(0.0499)
(0.0698)
co16
0.0151
-0.0571
(0.0608)
(0.0834)
co18
0.0321
-0.0205
(0.0446)
(0.0809)
co19
-0.00584
0.0279
(0.0340)
(0.199)
co20
0.0164
-0.0508
(0.0520)
(0.0717)
co21
-0.0207
0.0271
(0.0452)
(0.188)
co22
-0.0448
-0.0439
(0.0673)
(0.168)
co23
0.0164
-0.0541
(0.0668)
(0.0909)
co24
-0.0450
-0.00907
(0.0593)
(0.213)
co25
-0.0300
-0.0243
(0.0568)
(0.174)
co26
0.0727**
(0.0279)
L.premium_co
1.276
(2.077)
_cons
0.275
-1.258
(0.492)
(2.709)
-------------------------------------------N
885
841
adj. R-sq
0.173
--------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001

64

TABELA A9: MODELO 3: MULTIFATORIAL ESTIMADO POR OLS (MNIMOS

QUADRADOS)
Teste de aderncia do modelo multifatorial aos dados.
Critrio: Soma do resduos ao quadrado (erro de previso: previsto versus realizado):
e(rss) (medida do erro): 8,25 antes era 16,02 no CAPM estimado por OLS
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est1 | 885 710.5983 812.5903 36 -1553.181 -1380.899
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real - Mdia Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
916 .0082739 .0486671 -.2462639 .1553282

Taxa de Retorno Real Mdia Anual Prevista: 10,39% real ao ano.

TABELA A10: RESUMO ESTATSTICO: MODELO MULTIFATORIAL

ESTIMADO POR OLS

stats | retorn~a ret_ha~a

---------+-------------------mean | .0036988 .0082739
p50 | .0043517 .0118896
sd | .1179675 .0486671
skewness | -.8147232 -.700562
kurtosis | 9.039107 4.942035
N | 1495
916
-----------------------------Taxa de Retorno Real Media Mensal Prevista:
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 177.595
Prob > F = 0.0000
Modelo suaviza os retornos

Teste de Normalidade no Painel

--------------------------------------------------------------------(n = 916) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 69.8900 0.0000 218.8725 0.0000
--------------------------------------------------------------------Ausencia de normalidade.
Teste de Normalidade por cada companhia

65

-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 0.4741 0.7890 0.8594 0.6507***
ALL |
64 0.9530 0.6209 0.6161 0.7349***
CCR |
55 7.6084 0.0223 13.2558 0.0013
CELESC |
35 1.4487 0.4846 1.1219 0.5707***
CEMAR |
25 2.2572
0.3235 1.5510 0.4605***
CEMAT |
27 1.9006 0.3866 1.3864 0.5000***
CEMIG |
49 7.1920 0.0274 12.4659 0.0020
CESP |
40 24.9724 0.0000 114.6374 0.0000
COMGAS |
28 2.2441 0.3256 1.6232 0.4441***
COPEL |
64 14.6412 0.0007 41.3688 0.0000
CPFL |
55 2.2155 0.3303 1.9462 0.3779***
ELETROPAULO |
46 7.6461 0.0219 10.7467 0.0046
EMBRATEL |
28 2.2188 0.3298 0.1519 0.9269***
LIGHT SA |
49 5.6749 0.0586 7.4936 0.0236
OHL |
52 10.6469 0.0049 24.8102 0.0000
SABESP |
28 1.6296 0.4427 1.2584 0.5330***
TAM |
50 0.4922 0.7818 0.9003 0.6375***
TELEFONICA (VIVO) |
28 1.9423 0.3786 1.4989 0.4726***
TELEMAR N L |
16 1.2204 0.5432 0.6104 0.7370***
TIM |
64 6.9760 0.0306 11.3903 0.0034
TRACTEBEL |
52
7.6897 0.0214 14.0124 0.0009
TRIUNFO |
33 5.4315 0.0662 4.9986 0.0821
-----------------------------------------------------------------------------11 companhias podem ter distribuies de probabilidade log-normais

TABELA A11: MODELO 4: MODELO MULTIFATORIAL ESTIMADO POR

GMM (MTODO GENERALIZADO DOS MOMENTOS)
e(rss) soma dos erros quadrados: medida do erro de previso: 22,49 antes era de 8,25 no Modelo Multifatorial Estimado por OLS

----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df

AIC
BIC
-------------+--------------------------------------------------------------est2 | 841
. 329.3529 37 -584.7058 -409.5259
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note

Taxa de Retorno Real Media Mensal Prevista:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
861 .0090097 .1394572 -.9733104 .610448

Taxa de Retorno Real Media Anual Prevista: 11,36% real ao ano

Tabela A12: Sumario Estatistico

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0090097
p50 | .0043517 .0085641
sd | .1179675 .1394572
skewness | -.8147232 -.7539838

66

kurtosis | 9.039107 9.442942

N | 1495
861
-----------------------------Taxa de Retorno Real Media Mensal Prevista:
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 3.163
Prob > F = 0.0898
O Modelo est suavizando a distribuio dos retornos apenas marginalmente
Teste de Normalidade do Painel Estimado
--------------------------------------------------------------------(n = 861) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 350.3031 0.0000 1570.8034 0.0000
--------------------------------------------------------------------Ausncia de normalidade
Teste de Normalidade por cada companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 8.3530 0.0154 14.3266 0.0008
ALL |
62 5.5799 0.0614 4.5622 0.1022***
CCR |
55 4.2260 0.1209 2.0491 0.3590***
CELESC |
15 5.4980 0.0640 4.4864 0.1061***
CEMAR |
25 6.4670 0.0394 1.3411 0.5114***
CEMAT |
27 0.2620 0.8772 0.5010 0.7784***
CEMIG |
47 4.3953 0.1111 4.2072 0.1220***
CESP |
40 16.5464 0.0003 54.0496 0.0000
COMGAS |
28 4.8157 0.0900 5.4038 0.0671
COPEL |
62 26.2634 0.0000 53.2478 0.0000
CPFL |
53 0.6656 0.7169 1.0362 0.5957***
ELETROPAULO |
31 15.6633 0.0004 76.0215 0.0000
EMBRATEL |
28 10.0851 0.0065 3.9221 0.1407***
LIGHT SA |
49 0.0440 0.9783 0.3676 0.8321***
OHL |
52 12.5946 0.0018 35.0920 0.0000
SABESP |
28 1.9840 0.3708 1.5198 0.4677***
TAM |
40 2.0005 0.3678 0.5643 0.7542***
TELEFONICA (VIVO) |
28 18.7638 0.0001 28.3093 0.0000
TELEMAR N L |
16 3.0233 0.2206 1.8165 0.4032***
TIM |
62 1.2711 0.5296 0.9160 0.6326***
TRACTEBEL |
52 0.5970 0.7419 0.5677 0.7529***
TRIUNFO |
33 0.9778 0.6133 0.2747 0.8717***
-----------------------------------------------------------------------------15 companhias podem ter distribuio de retornos normais

TABELA A13: TESTES DE LIKELIHOOD RATIO

+----------------------------------------------------------------+
| Block |
LL
LR df Pr > LR
AIC
BIC |
|-------+--------------------------------------------------------|
| 1 | 777.0826 132.97 1 0.0000 -1550.165 -1540.594 | Prmio de mercado
| 5 | 780.7921 3.37 1 0.0664 -1547.584 -1514.085 | + PREO/VENDAS (marginal)
| 8 | 790.6615 17.49 6 0.0076 -1551.323 -1479.539 | + Fatores de risco
| 9 | 812.5903 43.86 21 0.0024 -1553.181 -1380.899 | + Efeitos fixos: diferenas
+----------------------------------------------------------------+ entre firmas:c01,co2,..co22

67

TABELA A14: FATOR ADICIONAL

-------------------------------------------OLS

GMM/Instrumented

(5)
(6)
premium_co premium_co
-------------------------------------------premium_mkt
0.640***
0.704***
(0.0909)
(0.186)
book_to_mkt
-0.0438
0.0384
(0.0230)
(0.136)
lValor_de_~_
-0.0168
0.00774
(0.0248)
(0.0386)
Preo___Lu~x -0.00000409 0.000000216
(0.00000506) (0.00000706)
Preo___Va~x 0.00335
-0.00162
(0.00339)
(0.00925)
Price_Sale~x
0.0134** -0.0000702
(0.00420)
(0.0198)
EV___EBI~a_x -0.000470
-0.000373
(0.000288) (0.000509)
vix
-0.00164*
0.00359
(0.000758)
(0.00795)
Cambio
0.0473
-0.0964
(0.0527)
(0.243)
Cred_Pib
-0.00186
0.00324
(0.00540)
(0.0112)
CASE_SHILLER -0.000581
0.00134
(0.000624)
(0.00345)
Sharpe_Nas~q
-0.0107
-0.0146
(0.00600)
(0.0131)
crisis3
0.0467
0.00430
(0.0594)
(0.0920)
Ativo_Fixo~_ -0.0000420
-0.000169
(0.0000568) (0.000276)
Alavanc~nc_x -0.000000388 0.00000451
(0.00000141) (0.0000102)
co1
-0.0285
0.0607
(0.0517)
(0.311)
co2
-0.0652
0.0627
(0.0590)
(0.376)
co4
-0.0210
0.0562
(0.0367)
(0.269)
co6
0.0462
0.0522
(0.0301)
(0.118)
co7
-0.0389
0.0353
(0.0283)
(0.242)
co8
0.0180
(0.140)
co9
0.0590
0.0107
(0.0779)
(0.138)
co10
0.0765
-0.0101
(0.0618)
(0.0810)
co11
-0.0292
0.0457
(0.0378)
(0.264)
co12
0.0206
0.0147
(0.0563)
(0.158)
co13
0.0299
0.0408
(0.0740)
(0.215)
co15
0.0360
0.0211
(0.0531)
(0.113)

68

co16

0.0351
0.00928
(0.0682)
(0.149)
co18
0.0472
0.0269
(0.0503)
(0.141)
co19
0.00315
0.0473
(0.0367)
(0.219)
co20
0.0323
-0.00173
(0.0572)
(0.119)
co21
0.00547
0.111
(0.0575)
(0.310)
co22
-0.0238
0.0200
(0.0733)
(0.253)
co23
0.0413
0.0303
(0.0764)
(0.180)
co24
-0.0262
0.0445
(0.0666)
(0.285)
co25
-0.00659
0.0508
(0.0672)
(0.279)
co26
0.0749**
(0.0281)
L.premium_co
1.192
(1.855)
_cons
0.451
-0.466
(0.553)
(1.467)
-------------------------------------------N
885
841
adj. R-sq
0.173
--------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001

TABELA A15: MODELO 5

e(rss): 8.25
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 885 710.5983 812.8835 37 -1551.767 -1374.7
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
916 .0082166 .0487799 -.2465031 .1585987

Variable | Type
Obs
Mean
[95% Conf. Interval]
-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 916 .0082166
.0050535 .0113797
-----------------------------------------------------------------------Taxa de Retorno Real Mdia Anual Prevista:10,31% real ao ano

69

TABELA A16: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0082166
p50 | .0043517 .0120073
sd | .1179675 .0487799
skewness | -.8147232 -.6901056
kurtosis | 9.039107 4.919512
N | 1495
916
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 165.386
Prob > F = 0.0000
--------------------------------------------------------------------(n = 916) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 68.8885 0.0000 213.3330 0.0000
-------------------------------------------------------------------------------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 0.4753 0.7885 0.8688 0.6477
ALL |
64 0.9294 0.6283 0.6136 0.7358
CCR |
55 7.0984 0.0287 11.8764 0.0026
CELESC |
35 1.7426 0.4184 1.3924 0.4985
CEMAR |
25 2.3456 0.3095 1.5699 0.4562
CEMAT |
27 1.9966 0.3685 1.4185 0.4920
CEMIG |
49 7.1476 0.0280 12.3006 0.0021
CESP |
40 23.1552 0.0000 105.6350 0.0000
COMGAS |
28 2.5017 0.2863 1.7204 0.4231
COPEL |
64 14.6167 0.0007 38.6700 0.0000
CPFL |
55 2.3321 0.3116 2.0889 0.3519
ELETROPAULO |
46 7.8732 0.0195 10.5497 0.0051
EMBRATEL |
28 2.2463 0.3253 0.1412 0.9318
LIGHT SA |
49 5.8133 0.0547 7.7956 0.0203
OHL |
52 10.9725 0.0041 26.1674 0.0000
SABESP |
28 1.7170 0.4238 1.2959 0.5231
TAM |
50 1.9452 0.3781 1.8616 0.3942
TELEFONICA (VIVO) |
28 2.0396 0.3607 1.5640 0.4575
TELEMAR N L |
16 1.4229 0.4909 0.6643 0.7174
TIM |
64 6.4380 0.0400 9.9626 0.0069
TRACTEBEL |
52 7.6472 0.0218 13.6916 0.0011
TRIUNFO |
33 4.9979 0.0822 4.7888 0.0912
------------------------------------------------------------------------------

TABELA A17: MODELO 6

e(rss): 20.59
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 841
. 366.5544 38 -657.1089 -477.1944
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable | Type
Obs
Mean
[95% Conf. Interval]
-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 861 .0091317
.0003535 .01791

70

-----------------------------------------------------------------------Taxa de Retorno Real Media Anual Prevista: 11,52% real ao ano

TABELA A18: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0091317
p50 | .0043517 .0084232
sd | .1179675 .1312354
skewness | -.8147232 -.770464
kurtosis | 9.039107 9.436821
N | 1495
861
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 3.683
Prob > F = 0.0687

--------------------------------------------------------------------(n = 861) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 343.5197 0.0000 1571.5804 0.0000
-------------------------------------------------------------------------------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 7.1172 0.0285 11.0282 0.0040
ALL |
62 5.3819 0.0678 4.4991 0.1054
CCR |
55 4.9695 0.0833 2.8609 0.2392
CELESC |
15 6.4097 0.0406 6.9595 0.0308
CEMAR |
25 5.5065 0.0637 0.9485 0.6224
CEMAT |
27 0.1152 0.9440 0.4655 0.7924
CEMIG |
47 4.3274 0.1149 4.0549 0.1317
CESP |
40 15.2668 0.0005 50.6781 0.0000
COMGAS |
28 6.7211 0.0347 5.0756 0.0790
COPEL |
62 25.1516 0.0000 44.2129 0.0000
CPFL |
53 0.7004 0.7045 1.0855 0.5811
ELETROPAULO |
31 15.8123 0.0004 75.1472 0.0000
EMBRATEL |
28 10.3126 0.0058 4.2246 0.1210
LIGHT SA |
49 0.2287 0.8919 0.5522 0.7588
OHL |
52 14.0030 0.0009 39.5745 0.0000
SABESP |
28 2.4645 0.2916 1.7310 0.4209
TAM |
40 0.4289 0.8070 0.0232 0.9885
TELEFONICA (VIVO) |
28 18.8095 0.0001 28.9025 0.0000
TELEMAR N L |
16 3.1614 0.2058 1.8228 0.4020
TIM |
62 1.0901 0.5798 0.5821 0.7475
TRACTEBEL |
52 0.7007 0.7045 0.6109 0.7368
TRIUNFO |
33 1.2352 0.5392 0.2440 0.8852
------------------------------------------------------------------------------

71

TABELA A19: FATOR ADICIONAL

-------------------------------------------OLS
(7)
(8)
premium_co premium_co
-------------------------------------------premium_mkt
0.643***
0.707***
(0.0910)
(0.186)
book_to_mkt
-0.0421
0.0393
(0.0229)
(0.135)
lValor_de_~_
-0.0127
0.0103
(0.0249)
(0.0387)
Preo___Lu~x -0.00000444
-7.75e-08
(0.00000502) (0.00000704)
Preo___Va~x 0.00273
-0.00205
(0.00339)
(0.00925)
Price_Sale~x
0.0136** 0.000108
(0.00420)
(0.0197)
EV___EBI~a_x -0.000460
-0.000367
(0.000289) (0.000507)
vix
-0.00159*
0.00359
(0.000754)
(0.00793)
Cambio
0.0456
-0.0969
(0.0528)
(0.242)
Cred_Pib
-0.00212
0.00299
(0.00543)
(0.0113)
CASE_SHILLER -0.000646
0.00128
(0.000636)
(0.00344)
Sharpe_Nas~q
-0.0108
-0.0147
(0.00601)
(0.0131)
crisis3
0.0454
0.00392
(0.0591)
(0.0915)
Ativo_Fixo~_ -0.0000575
-0.000181
(0.0000580) (0.000276)
Alavanc~nc_x -0.000000222 0.00000464
(0.00000140) (0.0000102)
Liquidez_C~x -0.0150
-0.0110
(0.0134)
(0.0182)
co1
-0.0167
0.0711
(0.0527)
(0.310)
co2
-0.0599
0.0684
(0.0590)
(0.375)
co4
-0.0175
0.0601
(0.0366)
(0.268)
co6
0.0529
0.0592
(0.0308)
(0.118)
co7
-0.0258
0.0462
(0.0305)
(0.241)
co8
0.0193
(0.140)
co9
0.0566
0.0116
(0.0776)
(0.137)
co10
0.0649
-0.0159
(0.0619)
(0.0812)
co11
-0.0334
0.0441
(0.0378)
(0.263)
co12
0.0262
0.0212
(0.0565)
(0.158)
co13
0.0244
0.0392
(0.0737)
(0.215)
co15
0.0370
0.0240

72

GMM/Instrumented

(0.0530)
(0.112)
0.0286
0.00679
(0.0679)
(0.149)
co18
0.0544
0.0344
(0.0507)
(0.140)
co19
0.000454
0.0469
(0.0367)
(0.219)
co20
0.0249
-0.00477
(0.0571)
(0.119)
co21
0.0140
0.119
(0.0580)
(0.310)
co22
-0.0317
0.0165
(0.0731)
(0.253)
co23
0.0402
0.0320
(0.0762)
(0.179)
co24
-0.0303
0.0435
(0.0663)
(0.284)
co25
-0.0113
0.0494
(0.0669)
(0.278)
co26
0.0723**
(0.0280)
L.premium_co
1.185
(1.850)
_cons
0.401
-0.491
(0.548)
(1.460)
-------------------------------------------N
885
841
adj. R-sq
0.173
--------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001
co16

TABELA A20: MODELO 7

e(rss): 8.2428533

----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df

AIC
BIC
-------------+--------------------------------------------------------------. | 885 710.5983 813.4761 38 -1550.952 -1369.1
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
916 .0081892 .0489196 -.2465313 .1599926

Variable | Type
Obs
Mean
[95% Conf. Interval]
-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 916 .0081892
.005017 .0113614
-----------------------------------------------------------------------Taxa de Retorno Real Media Anual Prevista:10,28 % real ao ano

73

TABELA A21: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0081892
p50 | .0043517 .0118253
sd | .1179675 .0489196
skewness | -.8147232 -.6848754
kurtosis | 9.039107 4.856757
N | 1495
916
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 165.186
Prob > F = 0.0000
--------------------------------------------------------------------(n = 916) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 67.0870 0.0000 203.1903 0.0000
------------------------------------------------------------------------------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 0.3761 0.8286 0.7808 0.6768***
ALL |
64 0.4650 0.7925 0.3789 0.8274***
CCR |
55 6.7210 0.0347 10.9536 0.0042
CELESC |
35 1.9525 0.3767 1.5718 0.4557***
CEMAR |
25 1.8085 0.4048 1.4009 0.4964***
CEMAT |
27 1.5592 0.4586 1.2788 0.5276***
CEMIG |
49 7.6134 0.0222 13.6742 0.0011
CESP |
40 22.5108 0.0000 106.6613 0.0000
COMGAS |
28 2.3661 0.3063 1.6453 0.4393***
COPEL |
64 15.4801 0.0004 54.1402 0.0000
CPFL |
55 2.6966 0.2597 2.5443 0.2802***
ELETROPAULO |
46 7.1556 0.0279 9.4903 0.0087
EMBRATEL |
28 2.3910
0.3026 0.1644 0.9211***
LIGHT SA |
49 6.3659 0.0415 7.6149 0.0222
OHL |
52 10.7401 0.0047 21.4592 0.0000
SABESP |
28 2.2491 0.3248
1.5061 0.4709***
TAM |
50 1.3335 0.5134 1.5422 0.4625***
TELEFONICA (VIVO) |
28 1.8565 0.3953 1.4351 0.4879***
TELEMAR N L |
16 1.5669 0.4568 0.9120
0.6338***
TIM |
64 6.1593 0.0460 9.3129 0.0095
TRACTEBEL |
52 6.9602 0.0308 11.2521 0.0036
TRIUNFO |
33 5.5004 0.0639 5.6986 0.0579
------------------------------------------------------------------------------

TABELA A22: MODELO 8

e(rss): 20.443383
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 841
. 369.6428 39 -661.2855 -476.6364
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
861 .0091602 .1306005 -.9080956 .5624818
Variable | Type

74

Obs

Mean

[95% Conf. Interval]

-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 861 .0091602

.0004244 .017896
-----------------------------------------------------------------------Taxa de Retorno Real Media Anual Prevista: 11,56% real ao ano

TABELA A23: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0091602
p50 | .0043517 .0077801
sd | .1179675 .1306005
skewness | -.8147232 -.7719444
kurtosis | 9.039107 9.397926
N | 1495
861
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 3.787
Prob > F = 0.0651
--------------------------------------------------------------------(n = 861) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 339.5575 0.0000 1553.9990 0.0000
-------------------------------------------------------------------------------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 6.8283 0.0329 10.2419 0.0060
ALL |
62 5.0541 0.0799 4.1204 0.1274***
CCR |
55 5.3968 0.0673 3.1656 0.2054***
CELESC |
15
6.5605 0.0376 7.3933 0.0248
CEMAR |
25 5.4399 0.0659 0.9143 0.6331***
CEMAT |
27 0.1305 0.9368 0.4733 0.7893***
CEMIG |
47 4.1588
0.1250 3.9354 0.1398***
CESP |
40 15.2184 0.0005 50.6282 0.0000
COMGAS |
28 6.9725 0.0306 5.0893 0.0785
COPEL |
62 25.2398 0.0000 45.8354 0.0000
CPFL |
53 0.8200 0.6637 1.1387 0.5659***
ELETROPAULO |
31 15.8219 0.0004 74.8543 0.0000
EMBRATEL |
28 10.2934 0.0058 4.1913 0.1230***
LIGHT SA |
49 0.3437 0.8421 0.5970 0.7419***
OHL |
52 13.7425 0.0010 38.0542 0.0000
SABESP |
28 2.5737 0.2761 1.8035 0.4059***
TAM |
40 0.6164 0.7348 0.0071 0.9965***
TELEFONICA (VIVO) |
28 18.7920 0.0001 29.0129 0.0000
TELEMAR N L |
16 3.1018 0.2121 1.7747 0.4117***
TIM |
62 1.0622 0.5879 0.5375 0.7643***
TRACTEBEL |
52 0.5494 0.7598 0.5122 0.7741***
TRIUNFO |
33 1.3041 0.5210 0.2225 0.8947***
------------------------------------------------------------------------------

75

TABELA A24: MLTIPLO ADICIONAL

-------------------------------------------OLS

GMM/Instrumented

(9)
(10)
premium_co premium_co
-------------------------------------------premium_mkt
0.646***
0.708***
(0.0905)
(0.182)
book_to_mkt
-0.0503*
0.0269
(0.0234)
(0.130)
lValor_de_~_ 0.00665
0.0361
(0.0284)
(0.0444)
Preo___Lu~x -0.00000491 -0.000000917
(0.00000498) (0.00000681)
Preo___Va~x 0.00235
-0.00247
(0.00339)
(0.00918)
Price_Sale~x
0.0128** -0.000631
(0.00421)
(0.0195)
EV___EBI~a_x -0.000508
-0.000435
(0.000293) (0.000494)
vix
-0.00156*
0.00349
(0.000749)
(0.00776)
Cambio
0.0424
-0.0979
(0.0522)
(0.238)
Cred_Pib
-0.00300
0.00168
(0.00540)
(0.0109)
CASE_SHILLER -0.000667
0.00121
(0.000636)
(0.00336)
Sharpe_Nas~q
-0.0109
-0.0146
(0.00600)
(0.0129)
crisis3
0.0483
0.00886
(0.0585)
(0.0890)
Ativo_Fixo~_ -0.0000467
-0.000163
(0.0000590) (0.000267)
Alavanc~nc_x -0.00000101 0.00000352
(0.00000147) (0.00000977)
Liquidez_C~x -0.0105
-0.00529
(0.0137)
(0.0181)
Debt_to_Eq~y
0.0196
0.0249
(0.0116)
(0.0150)
co1
-0.125*
0.0170
(0.0578)
(0.297)
co2
-0.183**
-0.00596
(0.0681)
(0.359)
co4
-0.144**
-0.0145
(0.0527)
(0.254)
co6
-0.0236
0.0475
(0.0324)
(0.115)
co7
-0.113**
0.0225
(0.0364)
(0.233)
co8
-0.0801**
0.00647
(0.0283)
(0.136)
co9
-0.0750
-0.0706
(0.0861)
(0.138)
co10
-0.0366
-0.0575
(0.0632)
(0.0839)
co11
-0.129**
0.00761
(0.0423)
(0.254)
co12
-0.0808
-0.0295
(0.0608)
(0.152)
co13
-0.107
-0.0440

76

(0.0830)
(0.206)
-0.0673
-0.0206
(0.0543)
(0.109)
co16
-0.0840
-0.0512
(0.0717)
(0.144)
co18
-0.0535
-0.0164
(0.0558)
(0.134)
co19
-0.0945*
0.0128
(0.0415)
(0.210)
co20
-0.0884
-0.0623
(0.0623)
(0.118)
co21
-0.101
0.0555
(0.0677)
(0.296)
co22
-0.156
-0.0582
(0.0801)
(0.242)
co23
-0.110
-0.0750
(0.0912)
(0.176)
co24
-0.151*
-0.0271
(0.0745)
(0.272)
co25
-0.133
-0.0224
(0.0742)
(0.266)
L.premium_co
1.149
(1.808)
_cons
0.110
-0.962
(0.610)
(1.530)
-------------------------------------------N
885
841
adj. R-sq
0.175
-1.241
-------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001
co15

TABELA A25: MODELO 9

e(rss): 8,209
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 885 710.5983 815.2799 39 -1552.56 -1365.922
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
916 .0081975 .0493336 -.2573852 .155754
Variable | Type
Obs
Mean
[95% Conf. Interval]
-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 916 .0081975
.0049984 .0113965
------------------------------------------------------------------------

Taxa de Retorno Real Media Anual Prevista: 10,29% real ao ano

77

TABELA A26: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0081975
p50 | .0043517 .0119292
sd | .1179675 .0493336
skewness | -.8147232 -.6912079
kurtosis | 9.039107 4.973677
N | 1495
916
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 154.786
Prob > F = 0.0000
--------------------------------------------------------------------(n = 916) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 70.3806 0.0000 221.6137 0.0000
-------------------------------------------------------------------------------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 0.2215 0.8952 0.6462 0.7239***
ALL |
64 0.3001 0.8606 0.3804 0.8268***
CCR |
55 0.9057 0.6358 0.1820 0.9130***
CELESC |
35 1.6615 0.4357 1.3213 0.5165***
CEMAR |
25 2.0793 0.3536 1.4873 0.4754***
CEMAT |
27 2.0410 0.3604 1.4248 0.4905***
CEMIG |
49 8.4477 0.0146 16.4150 0.0003
CESP |
40 23.8909 0.0000 112.6151 0.0000
COMGAS |
28 2.5148 0.2844 1.7621 0.4144***
COPEL |
64 15.9700 0.0003 58.1941 0.0000
CPFL |
55 2.6632 0.2641 2.4922 0.2876***
ELETROPAULO |
46 7.2189 0.0271 9.7470 0.0076
EMBRATEL |
28 2.1384
0.3433 0.2269 0.8927***
LIGHT SA |
49 6.3710 0.0414 7.9302 0.0190
OHL |
52 11.5592 0.0031 22.3068 0.0000
SABESP |
28 1.9883 0.3700 1.4071 0.4948***
TAM |
50 1.7489 0.4171 1.7212 0.4229***
TELEFONICA (VIVO) |
28 1.8598 0.3946 1.4368 0.4875***
TELEMAR N L |
16 3.9170 0.1411 2.8249 0.2435***
TIM |
64 5.9465 0.0511 8.7759 0.0124
TRACTEBEL |
52 7.3341 0.0256 12.4495 0.0020
TRIUNFO |
33 2.2686 0.3216 1.8393 0.3987***
------------------------------------------------------------------------------

TABELA A27: MODELO 10

e(rss): 19,63
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 841
. 386.5228 40 -693.0456 -503.6619
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
861 .0091667 .1272591 -.8708746 .5458044

78

Variable | Type
Obs
Mean
[95% Conf. Interval]
-------------+---------------------------------------------------------ret_hat_01~a | Arithmetic 861 .0091667
.0006544 .017679
-----------------------------------------------------------------------Taxa de Retorno Real Media Anual Prevista: 11,57% real ao ano

TABELA A28: SUMRIO ESTATSTICO

stats | retorn~a ret_ha~a
---------+-------------------mean | .0036988 .0091667
p50 | .0043517 .0063123
sd | .1179675 .1272591
skewness | -.8147232 -.7619464
kurtosis | 9.039107 9.269994
N | 1495
861
-----------------------------Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 4.342
Prob > F = 0.0496

--------------------------------------------------------------------(n = 861) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 332.1367 0.0000 1493.6582 0.0000
---------------------------------------------------------------------

-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 5.9947 0.0499 8.1962 0.0166
ALL |
62 4.8584 0.0881 3.9936 0.1358***
CCR |
55 4.5015 0.1053 3.6544 0.1609***
CELESC |
15 5.9941 0.0499 6.1866 0.0454
CEMAR |
25 5.4157 0.0667 0.9154 0.6327***
CEMAT |
27 0.0705 0.9654 0.4630 0.7933***
CEMIG |
47 4.3407 0.1141 4.1580 0.1251
CESP |
40 15.2497 0.0005 51.5575 0.0000
COMGAS |
28 6.9731 0.0306 5.5719 0.0617
COPEL |
62 24.4751 0.0000 43.6926 0.0000
CPFL |
53 0.7254 0.6958 1.0441 0.5933***
ELETROPAULO |
31 15.5675 0.0004 71.9117 0.0000
EMBRATEL |
28 10.0437 0.0066 4.0906 0.1293***
LIGHT SA |
49 0.1691 0.9189 0.4815 0.7860***
OHL |
52 14.8313
0.0006 38.7418 0.0000
SABESP |
28 2.4665 0.2913 1.7402 0.4189***
TAM |
40 0.0978 0.9523 0.2582 0.8789***
TELEFONICA (VIVO) |
28 18.8223 0.0001 29.0220 0.0000
TELEMAR N L |
16 2.7005 0.2592 1.2475 0.5359***
TIM |
62 1.0376 0.5952 0.7194 0.6979***
TRACTEBEL |
52 0.5456 0.7612 0.5515
0.7590***
TRIUNFO |
33 0.9355 0.6264 0.5359 0.7649***
------------------------------------------------------------------------------

79

ANEXO II: DESCRIO DAS EMPRESAS DA AMOSTRA DE UTILIDADE

PBLICA REGULADA
AES Tiete S.A., juntamente com suas filiais, se empenha na gerao e venda
de energia eltrica no Brasil. Possui uma gerao complexa composta por 17
usinas hidreltricas com capacidade instalada de 2.657 mega watts (MW). A
empresa est sediada em So Paulo, Brasil. A AES TIET S.A. uma
subsidiria da Companhia Brasiliana de Energia.
ALL: uma empresa brasileira que opera linhas ferrovirias na Argentina e
no Brasil e fornece servios de transporte, logstica, transporte intermodal,
operaes porturias, movimentao e armazenagem de mercadorias,
administrao de instalaes de armazenamento e armazenamento geral. Ela
tambm est envolvida na locao de equipamentos de ferrovia a terceiros e
oferece servios de transporte rodovirio no Brasil atravs da Amrica
Latina Logstica Intermodal S.A.
BR TELECOM: uma empresa brasileira de telecomunicaes com sede na
capital brasileira, Braslia. A empresa surgiu a partir do desmembramento da
Telebrs. A empresa foi chamada originalmente Tele Centro Sul, porque seu
servio abrangia os Estados das regies Centro-Sul e Sul do Brasil, alm do
Acre, Rondnia, e Tocantins. Desde 9 de Janeiro de 2009, a empresa uma
subsidiria da Oi.
CCR: um dos maiores grupos de infraestrutura privada do mundo,
envolvidos na concesso de rodovia, transporte de passageiros e setores de
inspeo veicular ambiental. A CCR atualmente responsvel por 2437
quilmetros de rodovias no sistema concedido no estado de So Paulo, Rio
de Janeiro e Paran, gerindo a Ponte Rio-Niteri, CCR NovaDutra, CCR
ViaLagos, RodoNorte CCR, CCR AutoBAn, ViaOeste CCR, CCR
RodoAnel Oeste, SPVias. Tambm tem participao na Renovias, que
detm uma quota de 40%. Ela tambm tem 38.25% do capital da STP,

80

empresa que opera os sistemas de pagamento eletrnico Sem Parar e Via

Fcil.
CEB: Companhia Energtica de Braslia - CEB uma empresa de
explorao baseado no Brasil envolvida no setor da energia. Atravs de suas
subsidirias, a empresa dedica-se principalmente na distribuio e gerao
de energia eltrica para consumo residencial, comercial, rural e industrial,
entre outros.
CELESC: uma empresa de utilidade do setor de eletricidade no Estado de
Santa Catarina. Em 2004 a empresa tinha cerca de 1,8 - milho de clientes e
vendeu cerca de 12.9 TWh de eletricidade. Gera energia provenientes de 12
unidades, todas elas hidreltricas. A empresa tambm possui cerca de 4.000
km de linhas de transmisso e uma rede de distribuio de 90.000 km.
Celesc est sediada na capital de Santa Catarina, Florianpolis.
CEMAR: Companhia Energtica do Maranho, uma empresa de
distribuio de eletricidade operando no estado do Maranho, nordeste do
Brasil. A CEMAR serve atualmente 1.4 milhes de clientes em sua rea de
concesso de 333.366 km2 (3.9% do territrio brasileiro).
CEMAT: Empresa de distribuio de energia que fornece servio para 141
municpios do Estado de Mato Grosso. Sua rea de concesso abrange
903.358 km2, servindo quase 940.000 clientes ou 2,8 milhes de pessoas.
Em 2008, ela vendeu 1.277.042 MWh de energia eltrica. A CEMAT uma
subsidiria do grupo REDE.
CEMIG: uma empresa de energia brasileira com sede em Belo Horizonte
capital de Minas Gerais. A empresa um dos maiores geradores de energia e
distribuidores no Brasil, sendo responsvel por 12% da distribuio
nacional. A CEMIG est presente em 15 Estados brasileiros e no Chile. Com
cerca de 50 usinas em operao, a maior parte delas hidreltrica. A
empresa possui cerca de 6.000 MW de capacidade de gerao. A CEMIG
tambm

possui

um

servio

de

televiso

por

cabo,

internet

e
81

telecomunicaes negcio chamado Infovias que usa parte das linhas de

transmisso e distribuio da empresa. Enquanto isso, um negcio chamado
Gasmig fornece gs natural em Minas Gerais. Pouco mais da metade das
aes da Cemig propriedade pelo Estado de Minas Gerais.
CESP: o maior produtor de energia eltrica do Estado de So Paulo, com
potncia total instalada de 7.455,30 MW e a terceira maior no Brasil. Ela
possui e opera seis usinas hidreltricas integradas ao sistema nacional.
COMGAS: um distribuidor de gs brasileiro com foco em So Paulo
(estado). Ela a maior distribuidora de gs do Brasil, com cerca de 770.000
clientes residenciais, comerciais e industriais em 2004, que recebem gs
atravs de cerca de 5.400 quilmetros de dutos.
COPEL: a maior empresa de energia do Estado do Paran, foi fundada em
26 de outubro de 1954 com controle em posse do Estado do Paran. A
empresa tornou-se pblica em abril de 1994 Bovespa BM & F e, em 1997,
foi a primeira empresa do setor eltrico brasileiro a ser listada na bolsa de
valores de Nova York. A partir de Junho de 2002, a marca tambm est
presente na Comunidade Econmica Europeia, tendo sido listada no Latibex
- o ndice latino-americano de empresas da bolsa de valores de Madrid. A
partir de 7 de Maio de 2008, aes da Copel foram classificadas no nvel 1
da bolsa So Paulo governana da (Bovespa) corporativa. A empresa atende
diretamente 3.549.256 unidades consumia, 393 cidades e 1.114 locais
(distritos, vilas e povoados), localizados no estado do Paran. Esta rede
consiste de 2,8 milhes de lares, 63,8 plantas, 295.5 estabelecimentos
comerciais e 341.6 propriedades rurais.
CPFL: o maior grupo no estatal de gerao de energia eltrica e
distribuio no Brasil e a terceira maior empresa brasileira, aps a Eletrobrs
e CEMIG. A corporao composta pela CPFL Brasil, CPFL Piratininga,
CPFL Paulista, CPFL Gerao e SEMESA. Cada uma destas empresas
opera como uma companhia que possui dezenas de outras empresas. Sua
82

sede est localizada em Campinas, a terceira maior cidade do Estado de So

Paulo.
ELETROBRAS: uma empresa de utilidade pblica de gerao de energia
(primeira em importncia no Brasil). tambm a maior empresa de gerao
de energia da Amrica Latina, dcima maior do mundo e tambm a quarta
maior empresa de energia limpa no mundo. Atualmente ela est expandindo
suas operaes no continente, bem como na frica. Nome completo da
empresa Centrais Eltricas Brasileiras S.A.. A Eletrobrs detm
participaes em vrias empresas eltricas brasileiras,

gerando e

transmitindo aproximadamente 60% do abastecimento eltrico do Brasil. A

capacidade de produo da empresa de cerca de 40.000 MW,
principalmente advinda de usinas hidreltricas. O governo federal brasileiro
detm 52% das aes da Eletrobrs, que so negociadas na Bovespa BM &
F.
ELETROPAULO: um distribuidor de grande importncia no estado de So
Paulo, criada no desmembramento da antiga empresa de distribuio de
energia estatal Eletropaulo, que monopolizou a distribuio de eletricidade
em So Paulo a partir de 1981 a 1999. A empresa tem cerca de 5,8 milhes
de clientes - cerca de 16,3 milhes de pessoas - em uma rea de 4526 km ,
em 24 municpios da regio metropolitana de So Paulo, incluindo a cidade
em si; Suas aes so negociadas na Bovespa BM & F, onde ela parte do
ndice Ibovespa. A empresa majoritariamente controlada pela AES
Corporation.
EMBRATEL: a segunda principal empresa brasileira de telecomunicaes,
com sede no Rio de Janeiro. A empresa foi o brao de longa distncia da
Telebrs

at

que

foi

comprada

pela

empresa

americana

MCI

Communications por 2,65 bilhes de reais durante 1998 desmembramento

da Telebrs. No entanto, a MCI Communications faliu em 2003. Desde
2003, detida pela Telmex, a gigantes de telecomunicaes mexicana. A
83

Embratel desempenha um papel importante na comunicao de voz e dados

no Brasil. A empresa possui uma comunicao de microondas totalmente
digitalizada e redes de fibra ptica, bem como cinco satlites de
comunicao no mercado interno. A empresa membro das organizaes
Intelsat e Inmarsat e possui quatro sistemas de cabo submarino de fibra
tica-Unisur, Americas II, Atlantis-2 e Columbus III.
GOL: uma companhia area brasileira com base na Praa Comandante
Lineu Gomes, na cidade de So Paulo, Brasil. Ela possui a marca Varig,
embora o nome Varig refere-se a nova Varig, fundada em 2006 e no para
a "velha Varig, fundada em 1927. De acordo com o Agncia Nacional de
Aviao Civil do Brasil (ANAC) em novembro de 2011 a Gol/Varig tinha
36.28% do mercado interno e 10.01% de share de mercado internacional em
termos de passageiros quilmetros voadas. A Gol opera uma crescente rede
regular nacional e internacional. Seus principais hubs so So Paulo
(Aeroporto de Congonhas), Rio de Janeiro (Aeroporto Internacional do
Galeo), e Aeroporto Internacional de Braslia - Presidente Juscelino
Kubitschek. A Gol tambm tem operaes em Belo Horizonte, aeroporto do
Rio de Janeiro Santos Dumont, o Aeroporto Internacional de Guarulhos (em
So Paulo) e Salgado Filho (Porto Alegre).
LIGHT SA: uma empresa baseada no Brasil envolvida no setor da energia.
Atravs de suas subsidirias, a empresa est envolvida na gerao,
transmisso, distribuio e comercializao de energia eltrica e outros
servios relacionados. Alm disso, ela tambm est envolvida na preparao
de projetos, construo, instalao, operao e explorao de plantas para
gerar energia eltrica. Opera cinco usinas geradoras e duas estaes de
bombeamento e sistema de produo da empresa composto de obras
hidrulicas, tais como reservatrios, barragens, canais, dique, vertedouro,
tneis, condutas foradas e ingesto de gua. A empresa distribui energia
para 31 municpios do Estado do Rio de Janeiro e fornece servios para
84

cerca de 3,8 milhes de clientes. Subsidirias principais da empresa so luz

Servios de celebrao SA, SA de Energia de luz e Light Esco CTBC de
Servios SA entre outros.
OHL: Empresa Brasileira de utilidade pblica com foco em concesses
rodovirias, operando nos Estados de So Paulo, Santa Catarina, Paran,
Minas Gerais e Rio de Janeiro, compondo um total de 3.226 km de estradas.
A OHL Brasil a unidade local do grupo de construo e operador de
concesses de rodovias OHL Concesiones.
SABESP: uma empresa de utilidade pblica estatal (controlada pelo
Estado de So Paulo) que fornece servios de gua e esgoto para uso
residencial, comercial e industrial em So Paulo e em 364 de 645 municpios
no estado de So Paulo, Brasil. Ela fornece gua para 26,7 milhes de
clientes, ou 60% da populao do Estado.
TAM: a maior companhia area do Brasil e da Amrica Latina.[6][7] Sua
sede fica em So Paulo, [8] operam servios regulares para destinos no
Brasil, bem como voos internacionais para a Europa e outras partes da
Amrica do Norte e do Sul. Aes da empresa so negociadas na bolsa de
So Paulo (Bovespa BM & F) e New York Stock Exchange como "TAM
S.A.".
TELEFONICA VIVO: o maior provedor de telefonia mvel servio no
Brasil e na Amrica do Sul com mais de 60 milhes de usurios.[1] Ela se
originou da fuso de vrias operaes de telefonia celular brasileiras sob
uma joint-venture igualmente dividida entre a Portugal Telecom (PT) e a
Telefnica da Espanha; no entanto, a Telefnica agora seu proprietrio,
depois de ter comprado aes da PT em julho de 2010.
TELEMAR N L: a maior empresa de telecomunicaes no Brasil, e a segunda
maior na Amrica Latina, somente atrs da mexicana Amrica Mvil que faz
parte do grupo Telmex levando em considerao tanto linhas em servio quanto
receita. Tem sua sede localizada no Rio de Janeiro. O grupo controla a Oi, a

85

Telemar Internet Ltda. (Oi Internet) e Companhia AIX Vivo Participaes S.A.
sua subsidiria a Tele Norte Leste Holding Company.

TIM: a subsidiaria brasileira da Telecom Italia Mobile, uma empresa de

telecomunicaes italiana. A TIM Participaes iniciou suas atividades no
Brasil em 1998 e desde 2002 consolidou sua presena nacional, tornando-se
a primeira empresa de telefonia mvel presente em todos os Estados
brasileiros e tem mais de 51 milhes de clientes.
TRACTEBEL: uma grande empresa de utilidade pblica brasileira, com
sede em Florianpolis, Santa Catarina. o maior produtor de eletricidade
privado no Brasil. Suas 11 fbricas, seis delas hidreltricas e o restante
termeltricas, tm uma capacidade instalada de 6.977 MW. O maior
acionista de Tractebel Energia a GDF Suez S.A., empresa baseada em
Paris, atravs de sua unidade de Suez-Tractebel.
TRIUNFO: uma empresa lder no setor de infraestrutura brasileiro e na
explorao dos servios pblicos nos segmentos de estrada, portos e gerao
de energia.

86

ANEXO III
*************************************************************************
Previso do Analista de Mercado em 15 de Dezembro 2011:
Companhia: CCR:
Custo de capital: 11.1%
Beta 0.72
Risk-free 8.5% (previsao analista estrategico)

Companhia: OHL Brasil:

Custo de capital: 14.2%
Beta 0.70
Risk-free 12% (previsao analista estrategico - anterior).

Companhia: ALL:
Custo de capital: 11.1%
Beta 0.90
Risk-free 7%

Companhia:
Custo de Capital
Beta
Risk-free

CCR
11.10%
0.72
8.50%

OHL
Brasil
14.20%
0.7
12%

ALL
11.10%
0.9
7%

87

ANEXO IV
***************************************************************************************
CAPM Basic Efeitos Fixos

Modelo 01: premium_co premium_mkt co1-co26, r

e(rss)
17.677664
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est1 | 1496 1072.358 1197.078 27 -2340.155 -2196.77
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note

Taxa de Retorno Real Media Mensal Prevista:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a | 1615 .002796 .0457841 -.1905427 .1153529

Taxa de Retorno Real Media Anual:

.03407248
stats | retorn~a ret_ha~a
---------+-------------------mean | .0035469 .002796
p50 | .0042688 .0034899
sd | .1180743 .0457841
skewness | -.8128798 -.6372523
kurtosis | 9.005407 4.583151
N | 1496 1615
-----------------------------Taxa de Retorno Real Media Mensal Prevista:
ret_hat_01_real_ipca
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 25) = 41494.275
Prob > F = 0.0000
Modelo suaviza os retornos.
--------------------------------------------------------------------(n = 1615) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 100.7082 0.0000 277.9637
0.0000
--------------------------------------------------------------------Ausencia de normalidade

88

Por companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
64 8.4469 0.0146 13.3129 0.0013
ALL |
64 8.4469 0.0146 13.3129 0.0013
BR TELECOM |
64 8.4469 0.0146 13.3129 0.0013
CCR |
64 8.4469 0.0146 13.3129 0.0013
CEB |
67 9.1539 0.0103 14.1127 0.0009
CELESC |
64 8.4469 0.0146 13.3129 0.0013
CEMAR |
64 8.4469 0.0146 13.3129 0.0013
CEMAT |
64 8.4469 0.0146 13.3129 0.0013
CEMIG |
49 6.6539 0.0359 6.7994 0.0334
CESP |
64 8.4469 0.0146 13.3129 0.0013
COMGAS |
64 8.4469 0.0146 13.3129 0.0013
COPEL |
64 8.4469 0.0146 13.3129 0.0013
CPFL |
64 8.4469 0.0146 13.3129 0.0013
ELETROBRAS |
43 6.1293 0.0467 5.1136 0.0776
ELETROPAULO |
64 8.4469 0.0146 13.3129 0.0013
EMBRATEL |
64 8.4469 0.0146 13.3129 0.0013
GOL |
64 8.4469 0.0146 13.3129 0.0013
LIGHT SA |
64 8.4469 0.0146 13.3129 0.0013
OHL |
64 8.4469 0.0146 13.3129 0.0013
SABESP |
64 8.4469 0.0146 13.3129 0.0013
TAM |
64 8.4469 0.0146 13.3129
0.0013
TELEFONICA (VIVO) |
64 8.4469 0.0146 13.3129 0.0013
TELEMAR N L |
64 8.4469 0.0146 13.3129 0.0013
TIM |
64 8.4469 0.0146 13.3129 0.0013
TRACTEBEL |
64 8.4469 0.0146 13.3129 0.0013
TRIUNFO |
48 6.3833 0.0411 6.0121 0.0495
-----------------------------------------------------------------------------Ausencia de normalidade por empresa.

89

Modelo 02: premium_co premium_mkt book_to_mkt lValor_de_Mercado co1-co26

e(rss)
15.63189
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est2 | 1345 947.1061 1087.405 27 -2120.81 -1980.298
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a | 1396 .0032283 .0513153 -.2705267 .1210658
Taxa de Retorno Real Media Anual Prevista:
Average: .03943508

stats | retorn~a ret_ha~a

---------+-------------------mean | .0035469 .0032283
p50 | .0042688 .0049451
sd | .1180743 .0513153
skewness | -.8128798 -.9588258
kurtosis | 9.005407 5.747298
N | 1496 1396
-----------------------------Taxa de Retorno Real Media Mensal Prevista:
Ret_hat_01_real_ipca
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 23) = 451.338
Prob > F = 0.0000
Modelo suaviza os retornos
--------------------------------------------------------------------(n = 1396) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 157.3015 0.0000 652.9227 0.0000
--------------------------------------------------------------------Ausencia de normalidade.

90

Por companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
64 8.6701 0.0131 14.0236 0.0009
ALL |
64 8.0109 0.0182 11.9339 0.0026
CCR |
64 11.4120 0.0033 28.6832 0.0000
CEB |
52 15.3012 0.0005 56.3009 0.0000
CELESC |
38 0.9334 0.6271 1.0590 0.5889***
CEMAR |
64 7.0991 0.0287 11.9746 0.0025
CEMAT |
63 7.1309 0.0283 9.9543 0.0069
CEMIG |
49 8.7603 0.0125 13.6451 0.0011
CESP |
64 18.9733 0.0001 58.7471 0.0000
COMGAS |
60 11.1943 0.0037 20.2792 0.0000
COPEL |
64 14.0110 0.0009 38.0212 0.0000
CPFL |
64 8.9610 0.0113 12.7120 0.0017
ELETROPAULO |
46 7.5756 0.0226 12.7171 0.0017
EMBRATEL |
64 10.0556 0.0066 15.0693 0.0005
GOL |
64 10.6931 0.0048 26.3634 0.0000
LIGHT SA |
64 6.3931 0.0409 9.5214 0.0086
OHL |
64 15.1743 0.0005 58.4846 0.0000
SABESP |
30 1.0346 0.5961 1.0026 0.6058***
TAM |
50 2.1924 0.3341 1.9874 0.3702***
TELEFONICA (VIVO) |
64 13.7562 0.0010 43.9757 0.0000
TELEMAR N L |
64 8.1346 0.0171 11.6767 0.0029
TIM |
64
8.8802 0.0118 16.6087 0.0002
TRACTEBEL |
64 9.8089 0.0074 17.0859 0.0002
TRIUNFO |
48 9.6416 0.0081 11.6574 0.0029
-----------------------------------------------------------------------------SELESC, SABESP e TAM sao normais.

91

Estimacoes GMM: CAPM Clssico Efeitos fixos

OLS e GMM/Instrumented:
---------------------------------------------------------------------------OLS
GMM/Instrumented
(01)
(02)
premium_co premium_co
---------------------------------------------------------------------------premium_mkt
0.660***
0.571***
(0.0563)
(0.157)
co1

0.0265
(0.0307)
0.00983
(0.0346)
0.0103
(0.0332)
0.0265
(0.0305)
0.0271
(0.0380)
0.0340
(0.0308)
0.00975
(0.0333)
0.00489
(0.0326)
0.0162
(0.0313)
0.0128
(0.0333)
0.0248
(0.0315)
0.0243
(0.0307)
0.0225
(0.0302)
0.0216
(0.0319)

0.00328
(0.0229)
co2
-0.0116
(0.0252)
co3
-0.0110
(0.0249)
co4
0.00349
(0.0231)
co5
-0.0100
(0.0356)
co6
0.00871
(0.0242)
co7
-0.00797
(0.0233)
co8
-0.0118
(0.0258)
co9
-0.000932
(0.0217)
co10
-0.00460
(0.0251)
co11
0.00331
(0.0216)
co12
0.00212
(0.0221)
co13
-0.000106
(0.0216)
co14
0.00239
(0.0232)
co15
0.00753
(0.0270)
co16
0.0233
-0.00242
(0.0330)
(0.0234)
co17
-0.00692
-0.0202
(0.0330)
(0.0296)
co18
0.0290
0.00632
(0.0306)
(0.0227)
co19
0.0253
0.00243
(0.0317)
(0.0240)
co20
0.0236
-0.00104
(0.0308)
(0.0222)
co21
0.0135
0.00645
(0.0325)
(0.0266)
co22
0.0168
-0.000167
(0.0343)
(0.0254)
co23
0.0117
-0.00805
(0.0322)
(0.0229)
co24
0.0110
-0.00449
(0.0326)
(0.0237)
co25
0.0213
-0.000714
(0.0302)
(0.0211)
co26
0.0124
(0.0374)
L.premium_co
0.409
(0.628)
_cons
-0.0200
0.00178
(0.0292)
(0.0199)

-------------------------------------------N
1495
1405
adj. R-sq
0.139
0.001
-------------------------------------------Standard errors in parentheses * p<0.05, ** p<0.01, *** p<0.001
Estimao de Betas tem sensibilidade ao GMM/instrumentos

92

Modelo: GMM/Instrumentos: Estatisticas previstas

e(rss)
17.682566
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 1405
. 1079.979 28 -2103.958 -1957.019
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:

Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a | 1473 .0040462 .0663515 -.3539566 .1986573

Taxa de Retorno Real Media Anual Prevista:

.04964956
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 25) = 74.791
Prob > F = 0.0000
Modelo suaviza os retornos.
--------------------------------------------------------------------(n = 1473) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 153.8338 0.0000 665.3205 0.0000
--------------------------------------------------------------------Ausencia de normalidade nos retornos previstos.

93

Por companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
62 11.8809 0.0026 27.0851 0.0000
ALL |
62 6.0900 0.0476 3.1106 0.2111***
BR TELECOM |
62 6.1221 0.0468 9.2506 0.0098
CCR |
62 12.1221 0.0023 16.0985 0.0003
CEB |
50 12.7983 0.0017 42.1613 0.0000
CELESC |
36 8.3871 0.0151 16.8202 0.0002
CEMAR |
62 2.3652 0.3065
1.9751 0.3725***
CEMAT |
62 0.2449 0.8847 0.7138 0.6999***
CEMIG |
47 1.3232 0.5160 0.7401 0.6907***
CESP |
62 21.6222 0.0000 104.5991
0.0000
COMGAS |
58 4.8738 0.0874 6.0716 0.0480
COPEL |
62 7.2426 0.0267 11.5364 0.0031
CPFL |
62 0.6937 0.7069 0.5568 0.7570***
ELETROBRAS |
41 4.4465 0.1083 2.3101 0.3150***
ELETROPAULO |
36 7.3035 0.0259 12.6842 0.0018
EMBRATEL |
62 5.8718 0.0531 8.5971 0.0136
GOL |
62 4.5151 0.1046 3.8465 0.1461***
LIGHT SA |
62 0.9987 0.6069 0.8605 0.6504***
OHL |
62 18.7956 0.0001 98.0452 0.0000
SABESP |
62 25.2912 0.0000 161.8384 0.0000
TAM |
43 1.2647 0.5313 1.1916 0.5511***
TELEFONICA (VIVO) |
62 6.6657 0.0357 8.9497 0.0114
TELEMAR N L |
62 4.9204
0.0854 5.6870 0.0582
TIM |
62 3.1548 0.2065 2.2227 0.3291***
TRACTEBEL |
62 3.3566 0.1867 3.2817 0.1938***
TRIUNFO |
46 7.1442 0.0281 10.4348 0.0054
------------------------------------------------------------------------------

De todo grupo, 11 companhias (ALL CEMAR CEMAT CEMIG CPFL ELETROBRAS GOL LIGHT TAM TIM TRACTEBEL)
tem retornos previstos normais.

Todos os mltiplos:
Multiples - Efeitos Fixos:
Modelo 03: Modelo sob critrio de soma de erros de previso.
premium_co premium_mkt book_to_mkt lValor_de_Mercado_ vix Dividend_Yld__cot_fim_ EV___EBITDA_da_empresa_x
z_Capital_de_Giro_ Ativo_Fixo___Pat_Liq_ Exigivel_Tt___Ativo_Tt_ Cambio Cred_Pib CASE_SHILLER Alavancagem_Financ_x
Alavancagem_Operac_x Divida_Bruta___Atv_Tt_ Preo___Lucro_x Sharpe_Nasdaq crisis3 co5-co26
e(rss)
8.4050866
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------est4 | 885 710.5983 804.8515 38 -1533.703 -1351.851
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
ret_hat_01_real_ipca
Variable |

94

Obs

Mean

Std. Dev.

Min

Max

-------------+-------------------------------------------------------ret_hat_01~a |
916 .0082942 .0470795 -.2653562 .1550696

Taxa de Retorno Real Media Anual Prevista:

.10419934
Retornos Mensais:
stats | retorn~a ret_ha~a
---------+-------------------mean | .0035469 .0082942
p50 | .0042688 .0111178
sd | .1180743 .0470795
skewness | -.8128798 -.7625286
kurtosis | 9.005407 5.650611
N | 1496
916
-----------------------------Taxa de Retorno Real Media Mensal Prevista:
ret_hat_01_real_ipca
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 21) = 124.804
Prob > F = 0.0000
Modelo suaviza os retornos.
--------------------------------------------------------------------(n = 916) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 92.9630 0.0000 356.9170
0.0000
--------------------------------------------------------------------Ausencia de normalidade.

95

Por companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 1.5676 0.4567 1.2717 0.5295***
ALL |
64 7.8667 0.0196 14.2278 0.0008
CCR |
55 7.1938 0.0274 12.4146 0.0020
CELESC |
35 0.8174 0.6645 0.5940 0.7430***
CEMAR |
25 2.3863 0.3033 1.4873 0.4754***
CEMAT |
27 1.0304 0.5974 1.0287 0.5979***
CEMIG |
49 8.1001 0.0174 15.6636 0.0004
CESP |
40 29.7828 0.0000 155.5278 0.0000
COMGAS |
28 3.8634 0.1449 2.2053 0.3320***
COPEL |
64 13.5254 0.0012 41.8583 0.0000
CPFL |
55 2.2075 0.3316 1.9629 0.3748***
ELETROPAULO |
46 8.5932 0.0136 13.7752 0.0010
EMBRATEL |
28 1.4475 0.4849 0.0238 0.9882***
LIGHT SA |
49 6.3957 0.0408 9.5291 0.0085
OHL |
52 13.0232 0.0015 33.1409 0.0000
SABESP |
28 2.5211 0.2835 1.6750 0.4328***
TAM |
50 2.5732 0.2762 1.8726 0.3921***
TELEFONICA (VIVO) |
28 3.9148 0.1412 2.1948 0.3337***
TELEMAR N L |
16 2.3701 0.3057 1.6006 0.4492***
TIM |
64 8.3455 0.0154 16.2543 0.0003
TRACTEBEL |
52 5.6749 0.0586 6.9778 0.0305
TRIUNFO |
33 10.2678 0.0059 8.5922 0.0136
-----------------------------------------------------------------------------AES-Tiete, Celesc, CEMAR, CEMAT, COMGAS, ELETROPAULO, EMBRATEL, SABESP, TAM, TELI-VIVO, TELEMAR tem
distribuio normal.

96

Modelos OLS e GMM:

-----------------------------------------------------------OLS
GMM GMM-Instrumented
(03)
(04)
(05)
premium_co premium_co premium_co
-----------------------------------------------------------premium_mkt
0.662***
0.662***
0.700***
(0.0916)
(0.0889)
(0.168)
book_to_mkt
-0.0527**
-0.0527**
0.0371
(0.0190)
(0.0187)
(0.167)
lValor_de_~_
0.0102
0.0102
0.00722
(0.0120)
(0.0110)
(0.0167)
vix

-0.00133
-0.00133
0.00348
(0.000759) (0.000720)
(0.00827)
Dividend_~m_ -0.0000596
-0.0000596
0.00140
(0.00144)
(0.00139)
(0.00449)
EV___EBI~a_x -0.000174
-0.000174
-0.000344
(0.000288) (0.000264) (0.000481)
z_Capital_~_ -0.00102
-0.00102
-0.000754
(0.0134)
(0.0136)
(0.0150)
Ativo_Fixo~_ -0.0000157
-0.0000157
-0.000153
(0.0000488) (0.0000476) (0.000300)
Exigivel_~t_ -0.000747
-0.000747
-0.000199
(0.00107)
(0.00108)
(0.00209)
Cambio
0.0417
0.0417
-0.0948
(0.0539)
(0.0485)
(0.259)
Cred_Pib
-0.00244
-0.00244
0.00315
(0.00537)
(0.00501)
(0.0123)
CASE_SHILLER -0.000360
-0.000360
0.00135
(0.000671) (0.000635)
(0.00349)
Alavanc~nc_x -0.00000157 -0.00000157 0.00000405
(0.00000140) (0.00000130) (0.0000118)
Alavanc~ac_x 0.0000312
0.0000312
0.0000923
(0.000603) (0.000557)
(0.00128)
Divida_Br~t_ 0.00102
0.00102 0.00000164
(0.000807) (0.000844)
(0.00212)
Preo___Lu~x -0.00000288 -0.00000288 0.000000512
(0.00000540) (0.00000588) (0.00000666)
Sharpe_Nas~q
-0.0105
-0.0105
-0.0143
(0.00608)
(0.00594)
(0.0134)
crisis3
0.0411
0.0411
0.00718
(0.0595)
(0.0544)
(0.0865)
co6

0.112**
0.112**
0.00260
(0.0379)
(0.0390)
(0.235)
co8
0.0695*
0.0695*
-0.0320
(0.0350)
(0.0351)
(0.206)
co10
0.102**
0.102**
-0.0729
(0.0343)
(0.0344)
(0.317)
co12
0.0615*
0.0615*
-0.0396
(0.0266)
(0.0271)
(0.180)
co18
0.0577*
0.0577*
-0.0390
(0.0272)
(0.0272)
(0.193)
co19
0.0351*
0.0351*
-0.00670
(0.0164)
(0.0169)
(0.0785)
co20
0.0590*
0.0590*
-0.0531
(0.0279)
(0.0268)
(0.209)
co26
0.152***
0.152***
-0.0507
(0.0363)
(0.0380)
(0.368)
L.premium_co
1.163
(2.032)
_cons
-0.120
-0.120
-0.395
(0.360)
(0.364)
(0.713)

------------------------------------------------------------

97

N
885
885
841
adj. R-sq
0.157
0.157
------------------------------------------------------------Standard errors in parentheses
* p<0.05, ** p<0.01, *** p<0.001

Best Model: OLS - Contribuicao de Fatores:

+----------------------------------------------------------------+
| Block |
LL
LR df Pr > LR
AIC
BIC |
|-------+--------------------------------------------------------|
| 1 | 778.8303 136.46 3 0.0000 -1549.661 -1530.518 | Fama French factors
| 2 | 779.4671 1.27 1 0.2591 -1548.934 -1525.006 |
| 3 | 779.4672 0.00 1 0.9845 -1546.934 -1518.221 |
| 4 | 779.7635 0.59 1 0.4414 -1545.527 -1512.028 |
| 5 | 779.8147 0.10 1 0.7491 -1543.629 -1505.345 |
| 6 | 781.2238 2.82 1 0.0932 -1544.448 -1501.377 |
| 7 | 781.5439 0.64 1 0.4237 -1543.088 -1495.232 |
| 8 | 781.5693 0.05 1 0.8216 -1541.139 -1488.497 |
| 9 | 785.2772 7.42 1 0.0065 -1546.554 -1489.127 | Cred_Pib
| 10 | 785.3026 0.05 1 0.8218 -1544.605 -1482.393 |
| 11 | 785.3088 0.01 1 0.9112 -1542.618 -1475.619 |
| 12 | 785.333 0.05 1 0.8257 -1540.666 -1468.882 |
| 13 | 785.3332 0.00 1 0.9849 -1538.666 -1462.097 |
| 14 | 785.3453 0.02 1 0.8764 -1536.691 -1455.336 |
| 15 | 787.4897 4.29 1 0.0384 -1538.979 -1452.839 | Sharpe_Nasdaq
| 16 | 788.0085 1.04 1 0.3084 -1538.017 -1447.091 |
| 17 | 806.8674 37.72 21 0.0139 -1533.735 -1342.311 | Fixed Effects
+----------------------------------------------------------------+
Os fatores Fama_French, Credito/PIB, Risco Nasdaq e efeitos fixos sao os fatores mais importantes.

GMM Instrumented Model:

e(rss)
19.981884
----------------------------------------------------------------------------Model | Obs ll(null) ll(model) df
AIC
BIC
-------------+--------------------------------------------------------------. | 841
. 379.2441 39 -680.4883 -495.8392
----------------------------------------------------------------------------Note: N=Obs used in calculating BIC; see [R] BIC note
Taxa de Retorno Real Media Mensal Prevista:
ret_hat_01_real_ipca
Variable |
Obs
Mean Std. Dev.
Min
Max
-------------+-------------------------------------------------------ret_hat_01~a |
861 .0091244 .1285813 -.8969634 .5529346

Taxa de Retorno Real Media Anual Prevista:

.11515788

Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation
F( 1, 21) = 3.992
Prob > F = 0.0588
Modelo esta suavizando a 10% de significancia mas nao a 5%.

98

--------------------------------------------------------------------(n = 861) |
D-H P-value
asy. P-value
---------------------+----------------------------------------------ret_hat_01_real_ipca | 326.9783 0.0000 1499.7589 0.0000
--------------------------------------------------------------------Ausencia de Normalidade nos retornos esperados no painel todo.

99

Por Companhia:
-----------------------------------------------------------------------------co |
n
D-H P-value
asy. P-value
------------------+----------------------------------------------------------AES TIETE |
28 8.7637 0.0125 14.4058 0.0007
ALL |
62 5.0568 0.0798 4.2859 0.1173***
CCR |
55 4.9399 0.0846 2.7807 0.2490***
CELESC |
15 6.0293 0.0491 6.0132 0.0495
CEMAR |
25 4.7096 0.0949 0.6750 0.7136***
CEMAT |
27 0.1281 0.9379 0.4682 0.7913***
CEMIG |
47 4.2594 0.1189 4.1773 0.1239***
CESP |
40 14.9619 0.0006 45.5483 0.0000
COMGAS |
28 8.4073 0.0149 6.2589 0.0437
COPEL |
62 24.8410 0.0000 41.9501 0.0000
CPFL |
53 0.7321 0.6935 1.1019 0.5764***
ELETROPAULO |
31 15.9082 0.0004 73.7739 0.0000
EMBRATEL |
28 10.2011 0.0061 3.9873 0.1362***
LIGHT SA |
49 0.2700 0.8737 0.6372 0.7272***
OHL |
52 14.1071 0.0009 40.7410 0.0000
SABESP |
28 2.5362 0.2814 1.8290 0.4007***
TAM |
40 0.3102 0.8563 0.0593 0.9708***
TELEFONICA (VIVO) |
28 18.8585 0.0001 27.8897 0.0000
TELEMAR N L |
16 3.2036 0.2015 1.8640 0.3938***
TIM |
62 1.0972 0.5778 0.6615 0.7184***
TRACTEBEL |
52 0.4878 0.7836 0.4272 0.8077***
TRIUNFO |
33 1.3272 0.5150 0.2118 0.8995***
-----------------------------------------------------------------------------ALL CCR CELESC CEMAR CEMAT CEMIG CPFL EMBRATEL LIGHT SA SABESP TAM TELEMAR
TIM TRACTEBEL TRIUNFO
De todo grupo, 14 companhis tem retornos previstos normais.

100

ANEXO V
Matriz de Correlacoes:

premiu~t book_t~t lValor~_ Prec~o_x Prec~m_x

Price_~x EV__~a_x

premium_mkt

1.0000

book_to_mkt -0.0451

1.0000
0.0846

lValor_de_~_

0.0138
0.5937

-0.3587
0.0000

1.0000

Preo___Lu~x

0.0674
0.0144

-0.0805
0.0041

0.1379
0.0000

1.0000

Preo___Va~x

0.0453
0.0918

-0.6026
0.0000

0.2101
0.0000

0.0641
0.0199

1.0000

Price_Sale~x 0.0548

-0.3813
0.0466

0.1484
0.0000

0.0641
0.0000

0.4751
0.0199

1.0000
0.0000

EV___EBI~a_x

-0.0167
0.5863

0.0178
0.5775

0.0143
0.6417

0.0104
0.7474

0.2179
0.0000

0.4034
0.0000

1.0000

vix

-0.2809
0.0000

0.1708
0.0000

-0.0928
0.0003

0.0146
0.5967

-0.1437
0.0000

-0.2200
0.0000

-0.0075
0.8063

Cambio

0.0739
0.0030

0.1606
0.0000

-0.1225
0.0000

0.0250
0.3640

0.0196
0.4649

0.0082
0.7648

0.0380
0.2143

Cred_Pib

-0.0381
0.1261

0.0382
0.1441

0.0331
0.1986

-0.0284
0.3031

-0.2095
0.0000

-0.2765
0.0000

0.0399
0.1929

CASE_SHILLER

0.0498
0.0456

-0.0757
0.0038

-0.0040
0.8778

0.0293
0.2878

0.2235
0.0000

0.3108
0.0000

-0.0110
0.7207

Sharpe_Nas~q

0.7083
0.0000

-0.0453
0.0832

0.0311
0.2271

0.0210
0.4450

0.0113
0.6730

0.0184
0.5035

-0.0231
0.4514

crisis3

0.0070
0.7800

0.1043
0.0001

-0.0114
0.6586

-0.0256
0.3527

-0.2231
0.0000

-0.3017
0.0000

0.0655
0.0323

Ativo_Fixo~_

0.0181
0.4750

-0.0551
0.0350

-0.0044
0.8661

-0.0056
0.8406

0.1916
0.0000

-0.0729
0.0082

0.0169
0.5815

Alavanc~nc_x

-0.0363
0.1523

-0.0351
0.1813

-0.0114
0.6592

-0.0071
0.7985

0.0294
0.2773

-0.0279
0.3124

0.0115
0.7081

Liquidez_C~x

-0.0096
0.7034

-0.2455
0.0000

0.2699
0.0000

0.0426
0.1223

0.1367
0.0000

0.1767
0.0000

0.0378
0.2174

Debt_to_Eq~y

-0.0349
0.1766

0.3301
0.0000

-0.2309
0.0000

0.0001
0.9982

-0.2458
0.0000

-0.3068
0.0000

0.0156
0.6108

101

Vix Cambio Cred_Pib CASE_S~R Sharpe~q crisis3 Ativo_~_

vix

1.0000

Cambio

0.2895
0.0000

1.0000

Cred_Pib

0.3205
0.0000

-0.4698
0.0000

1.0000

-0.4869
0.0000

0.3819
0.0000

-0.9548
0.0000

1.0000

-0.4156
0.0000

-0.1019
0.0000

0.1055
0.0000

-0.0631
0.0112

1.0000

0.4577
0.0000

-0.1373
0.0000

0.9227
0.0000

-0.9033
0.0000

0.0990
0.0001

1.0000

0.1718
0.0000

0.2022
0.0000

-0.0935
0.0002

0.0330
0.1920

-0.0411
0.1043

-0.0171
0.4984

1.0000

0.0246
0.3320

-0.0214
0.3981

0.0405
0.1104

-0.0331
0.1921

-0.0237
0.3513

0.0392
0.1224

0.3230
0.0000

-0.0792
0.0017

-0.0101
0.6889

-0.1053
0.0000

0.1129
0.0000

-0.0143
0.5716

-0.1237
0.0000

-0.1690
0.0000

0.2178
0.0000

0.1103
0.0000

0.1725
0.0000

-0.2072
0.0000

-0.0286
0.2691

0.2333
0.0000

0.1740
0.0000

CASE_
SHILLER

Sharpe_
Nas~q

crisis3

Ativo_
Fixo~_

Alavanc
~nc_x

Liquidez
_C~x

Debt_to
_Eq~y

Ala~nc_x Liqu~e_x Debt_t~y

Alavanc
~nc_x

Liquidez
_C~x

Debt_
to_Eq~y

1.0000

-0.0272
0.2835

1.0000

0.0891
0.0006

-0.2258
0.0000

102

1.0000

ANEXO VI: PROPOSTA: NOBEL - BELLUZZO

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130