CAPM condicional com aprendizagem aplicado ao mercado brasileiro de ações

Abstract

Modelos de precificação de ativos representam uma das áreas mais discutidas e pesquisadas em finanças. São amplamente utilizados de forma teórica e prática na área de investimentos para modelar e prever o risco e o retorno de títulos e de carteiras, bem como em finanças corporativas para estimar o custo de capital e ranquear projetos de investimento. Eles fornecem uma medida útil de risco que ajuda gerentes e investidores a determinar o retorno requerido ao colocarem seu dinheiro em risco. O objetivo deste trabalho é analisar o desempenho do modelo CAPM condicional com aprendizagem proposto por Adrian e Franzoni (2009) quando aplicado às séries de retornos das ações mais líquidas do mercado brasileiro no período de 1987 a 2010. Adrian e Franzoni (2009), em seu artigo, complementaram a literatura do CAPM condicional ao modelarem um novo tipo de variação temporal nos betas condicionais. Nesse ambiente, os investidores formam expectativas sobre o nível de longo prazo dos fatores de risco com base nos retornos realizados de variáveis exógenas. Como consequência direta dessa hipótese, os betas condicionais são modelados por meio do filtro de Kalman. Utilizando dados de 25 carteiras classificadas por tamanho e pelo índice valor contábil-valor de mercado, os autores concluíram que o CAPM condicional com aprendizagem é capaz de reduzir substancialmente os erros de apreçamento quando comparado ao CAPM em sua versão original. Dessa forma, contribuímos para a literatura de precificação de ativos, na medida em que avaliamos se esse modelo é capaz de reduzir os erros de apreçamento em relação à versão original do modelo CAPM, quando aplicado a dados de ativos individuais brasileiros. Os resultados deste artigo evidenciam uma redução nos erros de precificação do CAPM condicional com aprendizagem em relação ao CAPM em sua versão original. Dessa forma, tais resultados empíricos sugerem que a aprendizagem sobre os betas deve ser levada em consideração na estimação do CAPM incondicional e condicional.Modelos de valoración de activos representan una de las más discutidas e investigadas áreas en las finanzas. Son ampliamente utilizados de forma teórica y práctica en el área de investimentos para modelizar y predecir el riesgo y la rentabilidad de los títulos y de las carteras, así como en finanzas corporativas para estimar el coste de capital y clasificar proyectos de inversión. Proporcionan una medida útil de riesgo a los gestores y a los inversores para ayudarles a determinar el retorno adecuado para poner su dinero en riesgo. El objetivo de este trabajo es analizar el desempeño del modelo CAPM condicional con aprendizaje propuesto por Adrian y Franzoni (2009) cuando aplicado a los retornos de las acciones más negociadas en el mercado de valores de Brasil desde 1987 hasta 2010. Adrian y Franzoni (2009), en su artículo, contribuyen a la literatura del CAPM condicional por proponer un nuevo tipo de variación temporal en los betas condicionales. En este entorno, los inversores se forman expectativas sobre el nivel de largo plazo de los pesos factoriales a partir de la observación de los rendimientos realizados de variables exógenas. Como consecuencia directa de este supuesto, los betas condicionales se pueden modelizar mediante el filtro de Kalman. Utilizando datos de 25 acciones ordenadas por el tamaño y por el índice de valor contable-valor de mercado, los autores concluyeron que el CAPM condicional con el aprendizaje es capaz de reducir sustancialmente los errores de precios en comparación con el CAPM en su versión original. De esta manera, contribuimos con la literatura de valoración de activos, al evaluar si este modelo es capaz de reducir los errores de precios en relación a la versión original del modelo CAPM, cuando aplicada a los datos del mercado brasileño a partir de los activos individuales. Los resultados de este estudio muestran una reducción de lo modelo CAPM condicional con aprendizaje en relación con el CAPM en su versión original. Por lo tanto, os resultados empíricos sugieren que el aprendizaje acerca de los betas debe ser tomado en cuenta en la estimación del CAPM condicional e incondicional.Asset pricing models represent one of the most discussed and researched areas in finance. They are widely used in a theoretical and practical manner to model and predict risk and return to price securities and portfolios as well as in corporate finance to estimate the cost of capital and rank investment projects. They provide a usable measure of risk that helps managers and investors determine what return they deserve for putting their money at risk. The objective of this paper is to analyze the performance of the learning-augmented conditional CAPM model of Adrian and Franzoni (2009) when applied to the returns of the most liquid stocks transactioned in the Brazilian stock market from 1987 to 2010. Adrian and Franzoni (2009), in their paper, complemented the conditional CAPM literature by modeling a new type of time-variation in conditional betas. In this environment, investors form expectations about the long run level of factor loadings from the observation of realized returns of exogenous variables. As a direct consequence of this assumption, conditional betas are modeled using the Kalman filter. Using data of 25 portfolios sorted by size and book-to-market ratio, the authors concluded that the learning-augmented conditional CAPM is able to substantially reduce the pricing errors when compared to the original version of CAPM. Thus, we contribute to the pricing asset literature, as we evaluate whether this model is able to reduce pricing errors in relation to its original version when applied to Brazilian individual asset data. The results of this article showed a decreasing in the pricing errors of learning-augmented conditional CAPM in relation to CAPM in its original version. Our empirical results suggests that the learning about betas should be taken into account when estimating both conditional and unconditional CAPM.