Dado que o investimento no mercado acionário envolve incerteza, devíamos esperar que seu retorno médio fosse relativamente superior a uma aplicação livre de risco para compensar o investidor pelo risco adicional que ele incorre quando aplica seus recursos em ações. Entretanto, não encontramos tal evidência quando analisamos o comportamento do mercado acionário brasileiro. Isto porque, considerando os retornos realizados médio dos últimos vinte anos, o prêmio histórico foi relativamente baixo. Assim, naturalmente surge à questão se tal estimativa corresponde a um valor razoável para inferirmos o futuro comportamento do mercado acionário. Para responder a esta questão, nossa metodologia constituiu em três etapas. Na primeira, revisamos a literatura em busca de técnicas de estimação do prêmio e selecionamos as abordagens baseado em artigos recentes, citações e disponibilidade de dados. Além disso, também realizamos algumas propostas de estimação. Em seguida, apresentamos os resultados das metodologias selecionadas para os anos recentes e observamos que as estimativas apresentaram certo grau de heterogeneidade. Na segunda etapa, testamos o desempenho dos modelos empíricos estimados usando testes de previsão fora da amostra. Os resultados apontaram que alguns modelos foram superiores ao prêmio histórico. Desta forma, encontramos evidências de que o prêmio histórico representa apenas mais uma fonte de informação para inferir o prêmio esperado e, se tomado sozinho, não constitui um procedimento de inferência razoável. Visto que cada modelo apresenta uma estratégia empírica para inferir o prêmio, todos deveriam representar uma fonte informacional sobre o prêmio futuro. Consequentemente, uma corrente da literatura recente destaca que a estratégia ótima pode ser agregar informações dos modelos individuais. Com este intuito, o último passo da metodologia foi combinar informações dos modelos que apresentaram melhor desempenho em relação ao prêmio histórico e verificar se tal procedimento aumentou a performance do poder preditivo dos modelos. Como resultado, verificamos que tal abordagem melhora e estabiliza a previsão do prêmio. / Given that investment in the stock market involves uncertainty, we should expect that the average return was relatively higher than a risk-free investment in order to compensate investors for the additional risk they incur. However, we find no such evidence when we analyze the Brazilian stock market behavior. This is because, considering the realized average returns of the past twenty years, the historic equity risk premium was relatively low. So, naturally, the question of whether such an estimate corresponds to a reasonable value to infer the future behavior of the stock market arises. To answer this question, our methodology consists of three stages. At first, we review the literature on risk premium estimation techniques and select the different approaches based on recent articles, quotes and availability of data. We also made some estimation proposals. We then proceed and present the results of the methodologies selected for the recent years and find that the estimates presented some degree of heterogeneity. On the second step, we test the performance of our estimates using out-of-sample predictive tests. The results showed that some models performed better than the historical premium. Thus, we find evidence that the historical premium is just another source of information to infer the expected award and, if taken alone, does not constitute a reasonable inference procedure. Since each model presents an empirical strategy to infer the premium, every one of them should represent an information source on the future premium. Consequently, a recent literature points out that the current optimal strategy may be to aggregate information from individual models. To this end, the last step of the methodology was to combine information of the models that performed better against the historical premium and verify that this procedure increased the power of the predictive performance of the models. As a result, we find that this approach improves and stabilizes the premium forecast.
Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-19012016-151431 |
Date | 27 November 2015 |
Creators | Michael Tulio Ramos de França |
Contributors | Joe Akira Yoshino, Marcelo Bianconi, Jose Carlos de Souza Santos |
Publisher | Universidade de São Paulo, Economia, USP, BR |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0015 seconds