.

Média, valor esperado

. Variância, desvio padrão
. Covariância
. Regressão linear
. Risco x Custo de capital

1) Média, valor esperado

Dada uma população P de n eventos com n valores xi ={x1, x2, x3,..,xn} e
probabilidades de ocorrer pi ={p1, p2, p3,..,pn} é definido como média da população (X)
e valor esperado da população (E(x))
1
𝑋 = ∗ ∑𝑛𝑖 𝑥𝑖
𝑛
𝑛

𝐸(𝑋) = ∑ 𝑝𝑖 ∗ 𝑥𝑖
𝑖

Quando todos os eventos tem a mesma probabilidade de ocorrer, ou seja, são

igualmente prováveis, pi =1/n, temos que a média é igual ao valor esperado X=E(x). Essa
é uma hipótese muito usada nos cálculos de séries temporais de dados. O que faremos é
pegar uma amostra histórica de dados sobre uma empresa, pressupor que todos os
dados passados são igualmente prováveis de ocorrer e pressupor que essa amostra é
representativa da população (que contém dados futuros), ou seja, pressupor que o
futuro será fiel ao passado, como veremos adiante.
É o seu papel como analista saber se essas pressuposições não são inválidas.
Um modelo incoerente produz um resultado incoerente.

Exemplo1:
Uma empresa americana teve as seguintes rentabilidades ao ano de suas ações em relação
ao ano anterior ([Valor ano (n+1) – Valor ano(n)]/Valor ano(n), nos últimos seis anos
(amostra).
Ano 1: -11%
Ano 2: 8%
Ano 3 19%
Ano 4: -13%
Ano 5: 3%
Ano 6: 6%
Amostra: rentabilidades dos últimos seis anos
X=E(x)=2%

Exemplo 2. Um dado de dois lados ( moeda) viciado com valores 1 e 2 tem 10% de chance
de dar 1 e 90% de chance de dar 2.
X=(1+2)/2=1,5
E(x)=0,1*1 + 0,9*2= 1,9

2) Variância, desvio padrão

Beleza, temos uma ideia de como esperar um resultado futuro através dos passados
por meio do valor esperado ( que agora em diante será substituído pela média com
hipótese de probabilidades iguais). Mas o que falar da dispersão dos dados em torno
dessa média? O que falar da confiabilidade da precisão desse valor? Pode oscilar muito?
Observe 3 casos abaixo de notas de alunos do ITA, turmas de 4 alunos, numa prova
de MAT-12
T.20-1 T.20-2 T.20-3
Nota 1 6 5 0
Nota 2 6 6 4
Nota 3 6 6 10
Nota 4 6 7 10
Média 6 6 6
Desvio padrão 0 0,707107 4,242641
Variância 0 0,5 18

T.20-1: Turma sem DC. Colaram todos entre sí. Não há dispersão de dados em torno da
média 6, se eu falar que o valor esperado da nota ao pegar alguém aleatório da turma é 6
estarei sendo muito preciso pois TODOS tiraram 6
T.20-2: Turma eficiente:. Não colaram entre sí, mas tinham a ideia de estudar apenas o
necessário para tirar o 6, parando quando acharam que já sabiam o suficiente. Há uma
pequena dispersão de dados em torno da média 6, ou seja, se eu falar que o valor esperado
de uma nota aleatória é 6, o valor de uma nota aleatória deve estar próxima desse valor.
T.20-3: Turma que só tem câncer ou caga-pau: Há uma dispersão grande de dados,
embora o valor esperado para uma nota aleatório seja 6, existe uma grande possibilidade
dos dados observados variarem muito.
O operador estatístico que mede isso é a variância, definido com a média do
quadrado das diferenças dos valores observados com a média.
𝑛
1
𝑉𝑎𝑟(𝑥) = ∗ ∑(𝐸 (𝑥) − 𝑥𝑖 )²
𝑛
𝑖=1

Outra forma de escrever a variância é

 1 1
𝑉𝑎𝑟(𝑥 ) = ∗ [(∑𝑛𝑖=1 𝑥𝑖2 ) − ∗ (∑𝑛𝑖=1 𝑥𝑖 ) ²]
𝑛 𝑛
E define-se o desvio padrão como a raíz quadrada de Var (x)
𝑉𝑎𝑟(𝑥) = 𝜎²
OU SEJA: A variância é um operador estatístico de medida da dispersão dos
dados, indicando o quão longe seus valores estão do esperado

Ex: Compare os dois investimentos abaixo no quesito de retornos passados nos últimos
anos supondo a tendência futura é repetir o passado. Qual deve retornar mais o investidor?
Qual tende a oscilar mais?

Ano Investimento 1: Investimento 2:

1 -8% -11%
2 4% 8%
3 12% 19%
4 -6% -13%
5 2% 3%
6 9% 6%
Média 2% 2%
Desvio padrão 7,3% 11,1%

3) Covariância

Como comparar se duas populações estão ligadas, se são

interdependentes? Elas se movem juntas ( quando uma cresce a outra cresce junto?
Quando cai, cai junto?)?
Notas escolares(y) estão correlacionadas com a quantidade de horas
estudadas(x)? As notas de alunos no ENEM(y) está correlacionada com sua renda
familiar(x)?
O operador estatístico que mede a correlação linear entre dados é a
Covariância, definido por
1
𝐶𝑜𝑣 (𝑥, 𝑦) = ∗ [∑𝑛𝑖=1(𝑒(𝑥 ) − 𝑥𝑖 ) ∗ (𝑒(𝑦) − 𝑦𝑖 )]
𝑛
Ou
1 1
𝐶𝑜𝑣(𝑥, 𝑦) = 𝑛 ∗ [(∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 ∗ 𝑦𝑖 ) − 𝑛 ∗ (∑𝑖=1 𝑥𝑖 ) ∗ (∑𝑖=1 𝑦𝑖 )]
E o operador estatístico que “modula esses valores”, tornando-os de -1 a 1
é o coeficiente de correlação
𝐶𝑜𝑣(𝑥,𝑦)
𝑝𝑥𝑦 =
𝜎𝑥 ∗𝜎𝑦
Ex: Notas em mat-12 x horas estudadas:
Horas estudadas (x) Nota (y)
Aluno 1 100 10
Aluno 2 85 9
Aluno 3 60 7
Aluno 4 50 4
Covariação (x,y) 43,125
Correlação (x,y) 0,95

Uma correlação de 1 significa que ambas as variáveis estão fortemente

correlacionadas no sentido de se moverem juntas. Uma sobe quando a outra sobe e
uma desce quando a outra desce. Uma correlação de 0 significa que seus movimentos
são independentes e uma correlação de -1 significa que as variáveis estão fortemente
correlacionadas no sentido de se moverem em sentidos opostos.
A covariância é um ótimo indicador para ver como o retorno de uma ação se move
em relação ao mercado. Quando o mercado vai bem, ela vai muito bem, vai que nem o
mercado, vai um pouco menos que a média do mercado ou é independente ao mercado?
Quando o mercado vai mal, ela vai muito mal, vai que nem o mercado, vai menos mal
que o mercado ou é independente do mercado? Essa é uma característica específica da
empresa e segundo a teoria, tem a ver com o custo de capital da empresa.

4) Regressão linear
Belezinha. Já vimos como uma variável depende das outras. Podemos montar
agora um modelo que podemos correlacionar linearmente as variáveis x e y de amostras
xi e yi . A pergunta é, quando os dados x e y não são na prática linearmente
correlacionados, como podemos “forçar” sua linearidade?
Por exemplo, suponha a tabela e o gráfico abaixo:
Ano Retorno anual da Petrobrás Retorno do mercado (x)
(y)
1 -8% -11%
2 4% 8%
3 12% 19%
4 -6% -13%
5 2% 3%
6 9% 6%
Qual a melhor relação linear que podemos obter desse gráfico?
Uma primeira possibilidade seria obter a reta 𝑦 = 𝛽𝑥 + 𝑎, que minimiza os desvios
absolutos verticais de cada ponto em relação à reta característica. Ou seja, a reta que
minimiza ∑𝑛𝑖=1 |𝛽. 𝑥𝑖 + 𝑎 − 𝑦𝑖 |
O problema é que trabalhar com módulo é um saco :D
A segunda opção então é obter a reta 𝑦 = 𝛽𝑥 + 𝑎, que minimiza os desvios quadráticos
verticais de cada ponto em relação à reta característica. Ou seja, a reta que minimiza
𝑓(𝛽, 𝑎) = ∑𝑛𝑖=1(𝛽. 𝑥𝑖 + 𝑎 − 𝑦𝑖 )²

Ok, como fazemos isso?

Queremos que a soma assim a seja mínima então derivamos a relação dos mínimos
quadrados parcialmente em relação a “𝛽” e “𝑎” e igualamos a zero cada uma das
equações, montamos um sistema de duas equações e duas incógnitas. Resolvendo ( sugou
deduzir):
 𝜕𝑓(𝛽, 𝑎)
=0
𝜕𝛽
𝜕𝑓(𝛽, 𝑎)
=0
𝑎

Temos : 𝛽 = 𝐶𝑜𝑣(𝑥, 𝑦)/ Var(x)

𝑎 = 𝐸(𝑦) − 𝛽 ∗ 𝐸(𝑥)
Para o exemplo da Petrobrás em questão, temos que a reta que melhor minimiza os
desvios é 𝑦 = 𝛽𝑥 + 𝑎 ou 𝑦 = 1,5𝑥 − 1%

Sendo formal, na verdade, ao pegar uma amostra de n períodos de tempo e não a

população toda, as equações para os parâmetros 𝛽 𝑒 𝑎 são estimadores dos reais valores
de 𝛽 𝑒 𝑎. É possível provar que 𝛽 é um estimador não tendencioso com a seguinte
𝑉𝑎𝑟(𝑦−𝑦 ′ )
distribuição normal: 𝛽~𝑁(𝛽; )
𝑉𝑎𝑟(𝑥)

5) Introdução ao modelo de risco x retorno

“To demonstrate how risk is viewed in modern finance, we will present risk analysis in
three steps. First, we will define risk in terms of the distribution of actual returns
around an expected return. Second, we will differentiate between risk that is specific
to one or a few investments and risk that affects a much wider cross section of
investments. We will argue that in a market where the marginal investor is well
diversified, it is only the latter risk, called market risk that will be rewarded. Third,
we will look at alternative models for measuring this market risk and the expected returns
that go with it. “ Damodaran, Valuation
“We should note that the expected returns and variances that we run into in practice are
almost always estimated using past returns rather than future returns. The assumption we
are making when we do this is that past returns are good indicators of future return
distributions. When this assumption is violated, as is the case when the asset’s
characteristics have changed significantly over time, the historical estimates may not be
good measures of risk.” Damodaran

5.1) Risco específico e risco de mercado

Os riscos de uma empresa (desvios em relação ao valor que era esperado) podem
ser quebrados em duas componentes, risco específico de empresa e risco de mercado.
O risco de empresa está ligado ao risco característico da empresa e do seu setor
Por exemplo: Riscos de projeto podem ocorrer quando supomos uma demanda pelo
produto da empresa pelos consumidores incompatível com a realidade, fazendo com que
haja variação do esperado pro que de fato ocorreu (desvio)
Existe o risco dos competidores irem melhor ou pior do que imaginávamos, podendo
melhorar ou piorar a situação da empresa: risco de competição
Existem riscos que afetam um setor inteiro da economia, mas só aquele setor (ou
predominantemente), como pestes generalizadas em plantações de todo o Brasil: risco de
setor

Agora, existem riscos que são muito mais gerais e que afetam a maioria das
empresas numa nação (mesmo que em diferentes graus), senão todas, o risco de mercado.
Por exemplo, quando as taxas de juros aumentam, todas as empresas sentem,
mesmo que em diferente nível. Quanto o mercado entra em recessão, todas as empresas
sentem, embora umas (talvez concessionárias, construção civil sintam mais) mais que
outras.
 Se você como investidor resolver colocar todo o seu capital em uma única
empresa, você está vulnerável tanto ao mercado quanto ao risco específico da empresa.
No entanto, se você diversificar o seu portfólio, adquirindo ações de outras companhias,
você diminui a sua exposição ao risco específico por dois motivos:
1) Qualquer movimento ESPECÍFICO de subida ou descida de uma empresa vai
ter um pequeno impacto no seu portfólio, pois essa empresa representa só uma
pequena parcela do seu portfólio diversificado
2) Movimentos ESPECÍFICOS de subida ou descida de uma empresa, vão em
média, ser anulados uns com os outros. Ao mesmo tempo que uma empresa
planejou mal a demanda do mercado, outra do seu portfólio planejou bem. Ao
mesmo tempo que uma empresa do seu portfólio teve concorrentes que foram
muito bem, em outra empresa a situação é contrária. Algum setor de uma
empresa do seu portfólio foi ruim, enquanto outra foi boa, e assim por diante.
Assim, uma vez que o risco específico das empresas acaba sendo eliminado, acaba
restando o risco de mercado. Como esse risco atua? Atua em todo mundo. Umas empresas
mais e outras menos, mas atua em todo mundo. Esse risco não pode ser eliminado com
diversificação.

CAPM: Capital Assets Pricing Model

 A maioria dos modelos de risco e retorno concordam nas premissas de que o risco
é definido pela variação do valor esperado pelo retorno real, e concordam que a
diversificação é a chave pra eliminar riscos específicos de empresas, mas nem sempre
concordam como mensurar esse risco de mercado.
O modelo CAPM depois de certas considerações chega na seguinte afirmação:
“The net result is that the expected return on an asset can be written as a function
of these:”
E(R)= Rf + 𝛽*(Rm – Rf)
Rf: Taxa livre de risco
Rm: Taxa de retorno do mercado

𝛽 > 1 : A empresa oscila na mesma direção do mercado, sempre oscilando

mais que o mercado, tendo mais risco às variações do mercado ( risco de
mercado). Quando o mercado está em alta, essa empresa está mais em alta do que
a média, quando o mercado cai, essa empresa cai mais que a média. Empresas
nesse perfil são empresas que se beneficiam muito de alto crescimento econômico
para suas demandas, por exemplo: Concessionárias, construção civil, artigos de
luxo.
𝛽 = 1 : A empresa oscila na mesma direção do mercado, tendo o mesmo
risco que o mercado
𝛽 < 1 : A empresa oscila na mesma direção do mercado, sempre oscilando
menos que o mercado, temos menos risco às variações do mercado. Quando está
em alta, sobe menos que a média do mercado, quando o mercado cai, cai menos
que a média do mercado. São caracterizadas por empresas cuja demanda meio que
independe do momento econômico. Empresas de comida são em geral menos
sensíveis a variações macroeconômicas, pois os consumidores são menos
elásticos em relação à elasticidade-renda do que em artigos de luxo.
Vários métodos para calcular 𝛽, sendo o método da regressão linear, 𝛽 =
𝐶𝑜𝑣(𝑥, 𝑚𝑎𝑟𝑘𝑒𝑡)/ Var(market) um deles.