modelo de monografiamonografias.poli.ufrj.br/monografias/monopoli10027997.pdf · uma relação...
TRANSCRIPT
UMA ESCOLHA DE MODELAGEM ESTATÍSTICA DO
COMPORTAMENTO DO PREÇO DE AÇÕES DE
EMPRESAS BRASILEIRAS COM FOCO NO SETOR
DE UTILITIES
Luís Gustavo Lima Mussili
RIO DE JANEIRO, RJ – Brasil FEVEREIRO DE 2019
Ficha Catalográfica
“What we know is a drop, what we don’t know is an ocean” Isaac Newton
AGRADECIMENTOS
Gostaria de agradecer, em primeiro lugar, à minha família. Meu
pai, André, minha mãe, Bárbara, meu irmão Leonardo e minha
namorada, Gabriella. Sem vocês, nada nunca seria possível.
Meu pai me ensinou o caminho do trabalho duro e árduo, sem o
qual, não vamos à lugar algum. Minha mãe me mostrou que a educação
é transformadora e libertadora. Meu irmão me apoiou nas minhas
decisões e comemorou comigo cada degrau galgado. Minha namorada
esteve ao meu lado durante todos os momentos em que as exigências
da vida acadêmica foram duras e me fez uma pessoa mais disciplinada.
Não poderia também deixar de mencionar meus avós, Ligia e
Uriel, cuja importância na minha vida e formação acadêmica são
imensuráveis.
A todos os meus professores, eu gostaria também de dedicar este
trabalho. Cada um contribuiu de forma única e especial na minha
formação, instigando a busca por conhecimento em áreas específicas
e à sua própria maneira. Deixo um agradecimento especial ao
professor, orientador e amigo Roberto Ivo, que influenciou em minhas
escolhas profissionais e guiou a mim e muitos outros nos projetos e
trabalhos que desenvolvemos durante o curso de graduação.
Dedico também às instituições: Colégio de São Bento e
Universidade Federal do Rio de Janeiro, alma mater a que terá espaço
reservado em minha memória afetiva.
Resumo do Projeto de Graduação apresentado à Escola Politécnica/ UFRJ como parte dos requisitos necessários para a obtenção do grau de Engenheiro Civil.
UMA ESCOLHA DE MODELAGEM ESTATÍSTICA DO PREÇO DE AÇÕES DE EMPRESAS BRASILEIRAS COM FOCO NO SETOR DE
UTILITIES
Luís Gustavo Lima Mussili Fevereiro/2019
Orientadores: Roberto Ivo da Rocha Lima Filho Curso: Engenharia de Produção Este trabalho intenta buscar uma modelagem estatística condizente
para o comportamento dos preços de ações negociadas em Bolsa no
Brasil com foco no setor de Utilities. Esse é um desafio de convívio
diário de profissionais do mercado financeiro. Assim, apresenta-se o
setor específico e suas peculiaridades que podem ter influência no
comportamento dos preços. Em seguida, descrevem-se os métodos
estatísticos empregados: regressão simples, regressão múltipla,
regressão linear, regressão logarítmica e modelagem ARIMA. Busca-
se compreender, para cada empresa, quais os métodos ideais e se há
diferença oriunda do caráter das companhias, isto é, sendo elas
privadas, públicas, nacionais ou estrangeiras. Evidencia-se que
podemos obter um grau de explicação maior, estatisticamente, para um
grupo de empresas específico. Fica também explícito ao final deste
trabalho em quais tipos de métodos obtemos uma menor perda de
informação.
Palavras-chave: Análise de Regressão. Utilities. Modelagem Estatística.
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of the requirements for the degree of Engineer.
A STATISCAL MODELLING CHOICHE OF THE BEHAVIOUR OF SHARE’S PRICE OF BRAZILIANS COMPANIES FOCUSING ON THE
UTILITIES SECTOR
Luís Gustavo Lima Mussili February/2019
Advisors: Roberto Ivo da Rocha Lima Filho Course: Industrial Engineering
This work aims to find a good statistical model for the behavior of prices
of companies’ shares issued and traded in Brazil, focusing on the
Utilities sector. This is a challenge faced everyday by professionals in
financial markets. Therefore, the sector is presented and their
peculiarities which may be able to influence in the share’s price
behavior. Then, the statistical methods used are described: simple
regression, multiple regression, linear regression, logarithmic
regression and ARIMA modeling. We intend to comprehend for each
company what are the best method and if there are differences arising
from the companies’ characteristics: private or SOE, national or foreign.
It becomes clear that we can obtain a greater degree of statistical
explanation for a specific group of companies. It is also true in that we
can state what kind of method leads to a smaller loss of Information.
Keywords: Regression Analysis. Utilities. Statistical Modelling.
SÍMBOLOS, ABREVIATURAS, SIGLAS E CONVENÇÕES
AGEPAR – Agência Reguladora do Paraná
AIC – Akaike Information Criterion
Aneel – Agência Nacional de Energia Elétrica
ANOVA - Analysis of Variance
ARIMA – Auto Regressive Integrated Moving Average
ARSAE – Agência Reguladora de Serviços de Abastecimento de Água e de
Esgotamento Sanitário do Estado de Minas Gerais
ARSESP – Agência Reguladora de Saneamento e Energia do Estado de São Paulo
BP – Balanço Patrimonial
BR GAAP – Brazil Generally Accepted Accounting Principles
CNPE – Conselho Nacional de Política Energética
CCEE – Câmara de Comercialização de Energia Elétrica
CVM – Comissão de Valores Mobiliários
DEC – Duração Equivalente de Interrupção por Unidade Consumidora
DFP - Demonstração Financeira Padronizada
DRE – Demonstrativo de Resultado do Exercício
Ebitda - Earnings Before Interest Taxes Depreciation and Amortization
EPE – Empresa de Pesquisa Energética
FEC – Frequência Equivalente de Interrupção por Unidade Consumidora
FRA – Função de Regressão Amostral
ITR - Informe de Trimestral de Resultados
Lajida – Lucro antes de Juros, Impostos, Depreciação e Amortização
MELNT - Melhor Estimador Linear Não-Viesado
MME – Ministério de Minas e Energia
MSQ – Média da soma dos Quadrados
ND – Net Debt
ONS – Operador Nacional do Sistema
SNIS – Sistema Nacional de Informações sobre Saneamento
SQE – Soma dos Quadrados Explicados pela Regressão
SQR – Soma dos Quadrados dos Resíduos
STQ – Soma Total dos Quadrados
SUMÁRIO
1. INTRODUÇÃO ..................................................................................................................................... 13
2. CONTEXTUALIZAÇÃO DE INDICADORES E SETOR DE UTILITIES ................................... 18
3. MÉTODOS ESTATÍSTICOS .............................................................................................................. 35
4. RESULTADOS OBTIDOS .................................................................................................................. 47
5. ANÁLISE COMPARATIVA ............................................................................................................. 101
6. BIBLIOGRAFIA ................................................................................................................................ 108
10
LISTA DE TABELAS Tabela 1: DRE Tabela 2: Agentes do Setor Elétrico Tabela 3: Anova Geral Tabela 4: Modelo 1 – Engie Brasil Tabela 5: Modelo 2 – Engie Brasil Tabela 6: Modelo 3 – Engie Brasil Tabela 7: Modelo 4 – Engie Brasil Tabela 8: Modelo 5 – Engie Brasil Tabela 9: Modelo 6 – Engie Brasil Tabela 10: Modelo 7 – Engie Brasil Tabela 11: Engie Brasil – ACF Tabela 12: Engie Brasil – ACF Tabela 13: Modelo 1 – Light S.A. Tabela 14: Modelo 2 – Light S.A. Tabela 15: Modelo 3 – Light S.A. Tabela 16: Modelo 4 – Light S.A. Tabela 17: Modelo 5 – Light S.A. Tabela 18: Modelo 6 – Light S.A. Tabela 19: Modelo 7 – Light S.A. Tabela 20: Light S.A. – ACF Tabela 21: Light S.A. – ACF Tabela 22: Modelo 1 – Cemig Tabela 23: Modelo 2 – Cemig Tabela 24: Modelo 3 – Cemig Tabela 25: Modelo 4 – Cemig Tabela 26: Modelo 5 – Cemig Tabela 27: Modelo 6 – Cemig Tabela 28: Modelo 7 – Cemig Tabela 29: Cemig – ACF Tabela 30: Cemig – ACF Tabela 31: Modelo 1 – Sabesp Tabela 32: Modelo 2 – Sabesp Tabela 33: Modelo 3 – Sabesp Tabela 34: Modelo 4 – Sabesp Tabela 35: Modelo 5 – Sabesp Tabela 36: Modelo 6 – Sabesp Tabela 37: Modelo 7 – Sabesp Tabela 38: Sabesp – ACF Tabela 39: Sabesp – ACF Tabela 40: Modelo 1 – BRF Tabela 41: Modelo 2 – BRF Tabela 42: Modelo 3 – BRF Tabela 43: Modelo 4 – BRF Tabela 44: Modelo 5 – BRF Tabela 45: Modelo 6 – BRF Tabela 46: Modelo 7 – BRF Tabela 47: BRF – ACF
11
Tabela 48: BRF – ACF Tabela 49: Modelo 1 – Lojas Renner Tabela 50: Modelo 2 – Lojas Renner Tabela 51: Modelo 3 – Lojas Renner Tabela 52: Modelo 4 – Lojas Renner Tabela 53: Modelo 5 – Lojas Renner Tabela 54: Modelo 6 – Lojas Renner Tabela 55: Modelo 7 – Lojas Renner Tabela 56: Lojas Renner – ACF Tabela 57: Lojas Renner – ACF Tabela 58: Tabela Resumo Regressões Tabela 59: Tabela Resumo ARIMA Tabela 60: Tabela AIC
12
LISTA DE FIGURAS Figura 1: Agentes do Setor Elétrico – Extraído de [10] Figura 2: Matriz Elétrica Brasileira – Adaptado de [1] Figura 3: Engie Brasil Composição Acionária – Adaptado de [3] Figura 4: Light S.A. Composição Acionária – Adaptado de [4] Figura 5: Cemig Composição Acionária – Adaptado de [5] Figura 6: Sabesp Composição Acionária – Adaptado de [6] Figura 7: BRF S.A. Composição Acionária – Adaptado de [7] Figura 8: Lojas Renner Composição Acionária – Adaptado de [8]
13
1. INTRODUÇÃO
1.1. Motivação
Os mercados de capitais, no Brasil e no mundo, são sistemas em que os agentes
superavitários emprestam seus recursos para os agentes deficitários para a
realização de projetos, segundo definição da CVM [11]. Esses agentes são as
empresas que adentram o sistema financeiro e esses projetos configuram aquilo
que a empresa deseja realizar, seja a prospecção de petróleo, a geração de energia
elétrica ou a confecção de brinquedos infantis. Muitas vezes é necessário que as
empresas se financiem para realizar esse objetivo, dado que o investimento inicial
no setor produtivo e até mesmo no setor de serviços costuma ser elevado. Nesse
contexto, a empresa tem duas opções: emitir títulos de dívida ou emitir ações.
Quando a empresa decide por emitir dívida, ela firmará um contrato que terá
quatro principais variáveis: a taxa de juros, que está relacionada com a taxa de juros
básica da economia – atrelada ao país em que se emite a dívida e à moeda em que
se emite a dívida – e o risco do projeto que a empresa deseja colocar em prática; a
amortização da dívida, que corresponde ao pagamento do valor emprestado, que
pode ser realizado durante o período de empréstimo em parcela decrescentes ou
iguais, ou no final do período; o prazo do empréstimos e, por fim, o covenant, ou
seja uma métrica que estabelece que, se a empresa atingir determinado nível de
geração de caixa, a dívida será executada.
Dito isso, percebe-se que existe um nível de complexidade nesses contratos,
que formam um mercado muito grande e difuso. Por outro lado, a emissão de ações
ocorre de maneira distinta, pois a empresa adquire novos sócios, que aplicam
capital na empresa. Assim, todos os acionistas da empresa podem negociar suas
ações no mercado livremente. O valor dessas ações deve, em tese, representar
todos os fluxos de caixa futuro que a empresa gerará.
Assim, facilmente percebe-se que os agentes financiadores, que podem ser
fundos de pensão, fundos de investimentos, outras empresas ou até mesmo
pessoas físicas tem uma decisão importante quando desejam financiar uma
empresa, uma vez que a sua remuneração via dívida possui um caráter de
variabilidade muito menor.
Finalmente, nos mercados de ações, pode-se perceber que comumente os
preços das ações apresentam uma volatilidade alta, dependendo, é claro, da
14
empresa, do setor e do país em questão. A busca pelas razões dessa variabilidade
é muito interessante e é estudada há muito tempo. Em tese, dentro de um dia, é
pouco provável que o valor intrínseco de uma empresa, ou seja, todo caixa que ela
gerará durante sua existência trazido para valor atual, tenha grandes variações, mas
não é isso que se verifica.
Então, um problema muito interessante se configura quando deseja-se entender
essas questões e quais principais fatores que causam, diariamente, volatilidade. A
busca por uma modelagem que possa refletir o preço correto de uma ação é um
problema desafiador e que pode ser abordado por uma infinidade de vieses. Essa
busca intensifica-se uma vez que o autor deste trabalho teve a oportunidade de
trabalhar como analista de empresas em um fundo de investimentos, com foco no
setor de Utilities.
1.2. Objetivos
1.2.1. Objetivo Geral: Compreender a dinâmica de ações de empresas do setor de
Utilities por meio de modelos estatísticos.
1.2.2. Objetivos Específicos
Objetivo Específico 1: Encontrar uma modelagem utilizando métodos estatísticos para os retornos das ações selecionadas.
Objetivo Específico 2: Realizar uma comparação das modelagens estatísticas encontradas neste trabalho traçar possíveis explicações Objetivo Específico 3: Traçar um paralelo entre as modelagens ideias para empresas do setor de Utilities e uma empresa do setor e consumo básico e uma do setor de Varejo, de forma a verificar possíveis diferenças de resultados.
Este trabalho intentará, por meio do emprego de métodos estatísticos, estabelecer
uma relação entre preços de ações listadas em bolsa e seus principais indicadores
financeiros. Em mercados de capitais, uma prática muito difundida é a obrigação das
empresas em reportar, trimestralmente, os resultados obtidos naquele período. No
15
Brasil não é diferente e todas as Companhias listadas em bolsa tem a obrigação com
a Comissão de Valores Mobiliários (CVM) de divulgar dois documentos: o Informe de
Trimestral de Resultados (ITR) ou a Demonstração Financeiro Padronizada (DFP), no
caso do encerramento do exercício completo anual.
Os informes de resultado são muito importantes no estabelecimento de um canal
confiável de comunicação entre a empresa e seus acionistas, e também com outros
investidores. Os agentes do mercado acompanham esses resultados de forma que
possam aprimorar sua visão sobre a empresa, entender melhor sua atuação, formar
opiniões sobre a adequação das estratégicas da empresa, dentre outros. Nestes
resultados, as empresas devem seguir os padrões de contabilidade estabelecidos pelo
órgão regulador nacional. No Brasil, as empresas seguem o BR GAAP (Brazil Generally
Accepted Accounting Principles) e diversos indicadores financeiros são utilizados para
traduzir o desempenho das empresas. Assim, os investidores levam em conta esses
indicadores e métricas para realizarem suas análises.
Assim, em primeiro lugar, este trabalho deseja fornecer, para algumas empresas
selecionadas, uma equação relacione o preço da ação e seus principais indicadores
financeiros, justificando os resultados encontrados.
Ainda, objetiva-se estabelecer uma modelagem também se baseando pura e
simplesmente no preço das ações, isto é, na série histórica de preços sem o advento
dos indicadores financeiros concomitantemente.
Consequentemente, busca-se encontrar a melhor modelagem diante da utilização
da série histórica de preço e os indicadores financeiros ou somente a série histórica.
Finalmente, neste trabalho deu-se ênfase em estudar empresas do setor de Utilities
nacional, que engloba energia elétrica e saneamento básico. Deste setor, quatro
empresas foram escolhidas. A escolha foi feita baseada em interesses particulares do
autor. Esses interesses surgiram mediante a importância estratégica das empresas
para investidores locais e estrangeiros e o fluxo de operações que ocorrem diariamente
nessas empresas. Para estabelecer um parâmetro de comparação, foram analisadas
também duas empresas de outros setores: varejo e consumo básico. Buscou-se
verificar se os mesmos tipos de modelagem se aplicam para essas empresas de forma
mais adequada e se as mesmas variáveis que explicam as empresas do setor de
Utilities também são as mesmas para empresas dos setores de varejo e consumo
básico.
16
Vale ressaltar, a importância do bom funcionamento do setor e de seus agentes
para a segurança energética nacional. A infraestrutura e planejamento que permeiam
o setor são responsáveis para garantir o suprimento de energia para pessoas,
indústrias, comércio e agricultura. Logo, problemas no setor podem ter impactos
profundos na sociedade, uma vez que a falta de um insumo básico, ou seu preço muito
alto, pode reduzir a confiança dos investimentos no país e retração econômica e seus
efeitos em cadeia.
1.3. Organização e Estrutura
Este trabalho é composto por esta Introdução, pela descrição da metodologia de
pesquisa, ilustração dos resultados obtidos, seguido pela análise comparativa dos
resultados.
Na metodologia de pesquisa, os objetivos serão: explicitar e justificar os indicadores
financeiros escolhidos para a confecção deste trabalho, demonstrar as escolhas das
empresas que o compõe e realizar uma detalhada explanação sobre os métodos e
modelos estatísticos empregados.
No capítulo seguinte, serão descritos os resultados. Primeiramente, uma
contextualização de cada empresa será realizada. Depois, será mostrada a forma como
cada melhor equação foi encontrada. Algumas justificativas sobre cada resultado serão
demonstradas a seguir.
No último capítulo do trabalho, mostrar-se-á a comparação dos modelos e o seu
desempenho no período que se segue após o fim da base de dados utilizada.
1.4. Limitações
A maior limitação deste trabalho relaciona-se com a não análise da performance dos
modelos em momentos futuros da realização do mesmo. Isso surge uma vez que o
tempo hábil para sua realização não seria compatível. Seriam necessários pelo menos
dois anos de acompanhamento dos modelos e comparação de seus resultados.
O trabalho também tem uma limitação de escopo e tamanho dentro do contexto de
um projeto de graduação.
Além disso, a limitação setorial de algumas empresas se deu uma vez que para
abrangermos todo o setor, o trabalho tornar-se-ia extremamente extenso.
17
Por fim, limitou-se a modelagem estatística por modelos de duas classes:
regressões múltiplas e modelos ARIMA.
1.5. Contribuições para a Literatura O presente trabalho pode contribuir para o melhor entendimento do funcionamento
e dos agentes do setor de Utilities. Ainda, pode fornecer embasamento matemático e
estatístico para o entendimento setorial e da dinâmica de algumas ações do setor.
Ambas as coisas podem ser feitas juntas ou dissociadas.
Destaca-se que outros estudantes podem apenas empregar o método e aperfeiçoá-
lo para realizar a mesma análise para setores distintos de forma mais aprofundada do
que aqui foi feita. Não há restrição setorial do método ou restrição geográfica.
Ainda, estudos mais focados em mecanismos de operação destinados a gerar
resultados para fundos e utilização de algoritmos também podem usar este trabalho
como base teórica.
18
2. CONTEXTUALIZAÇÃO DE INDICADORES, SETOR DE UTILITIES E EMPRESAS
2.1. Seleção de Indicadores Financeiros
Na contabilidade, são estabelecidos regras e padrões a serem seguidos. No Brasil,
o padrão adotado é o BR GAAP (Brazil Generally Accepted Accounting Principles). Os
dois principais demonstrativos que as empresas fornecem trimestralmente são o DRE
(Demonstração do Resultados do Exercício) e o Balanço Patrimonial.
Torna-se válido ressaltar que, apesar de o BR GAAP ser o padrão adotado no
território nacional, existe um padrão de contabilidade denominado IFRS, que engloba
um conjunto de normas elaboradas pelo IABS (International Accounting Standards
Board). Essas normas diferenciam-se das normas usuais e instituições como a CVM
(Comissão de Valores Mobiliários) podem exigir que determinadas empresas de
determinados setores reportem seus resultados ou parte deles utilizando métodos do
IFRS, de forma a se trazer uma melhor adequação à determinados negócios.
O DRE é uma ferramenta que reproduz os resultados financeiros em um período de
forma padronizada. Esse relatório tem pouca flexibilidade e grau de personalização, de
forma a estabelecer um certo grau de padronização. Dentre os dois regimes contábeis:
o regime de caixa e o regime de competência, o último é emprego. No regime de caixa,
o registro do evento de dá quando ocorre entrada ou saída de caixa de fato. Já no
regime de competência, o registro do evento ocorre quando dá data, independente se
a empresa já desembolsou caixa ou se já recebe uma quantia. Assim, em um DRE,
podemos observar tudo que foi obtido como receita e tudo que foi gasto para se obter
aquela receita no período, independentemente se aquele dinheiro já foi recebido ou
pago.
O Balanço Patrimonial (BP) é considerado o principal demonstrativo existente.
Diferentemente do DRE, ele é uma conta acumulativa e que não representa apenas o
resultado de um período, mas sim fornece uma visão global da condição financeira da
empresa. No balanço patrimonial, podemos verificar duas principais contas: o ativo e o
passivo. Do lado do ativo, verificam-se bens e direitos, que são especificados
qualitativamente e quantitativamente. Isso significa que as diversas contas são
explicitadas, como por exemplo: caixa e disponibilidades, estoque, clientes, dentre
outros. No lado do passivo, se verificam as obrigações ou dívidas que a empresa tem,
também descritas qualitativamente e quantitativamente. Por fim, o patrimônio líquido
19
representa tudo que se deve aos acionistas da empresa. Logo, os ativos subtraídos dos
passivos representam o restante para A equação que deve ser respeitada no Balanço
Patrimonial é:
Ativo = Passivo + Patrimônio Líquido Na tabela abaixo, verificamos a estrutura de um DRE:
Tabela 1: Elaboração Própria DRE
Receita Operacional Bruta
(-) Deduções da Receita Bruta
(-) Vendas Canceladas Ou Devoluções
(-) Descontos
(-) Abatimentos
(-) Impostos – PIS, COFINS, ICMS
(=) Receita Operacional Líquida
(-) Custo das Mercadorias Vendidas (CPV)
(-) Pessoal
(-) Material
(-) Serviços de Terceiros
(-) Outros
(-) Depreciação
(=) Lucro Operacional Bruto
(-) Despesas Operacionais
(-) Despesas com Vendas
(-) Despesas Gerais e Administrativas
(-) Depreciação
(=) Lucro Operacional
Resultado Financeiro
(+) Receita Financeiras
(-) Despesas Financeiras
(=) Lucro Antes do Imposto de Renda e Contribuição Social
(-) Imposto de Renda e Contribuição Social
(=) Lucro Após Provisão para Imposto de Renda e Contribuição Social
(+/-) Participações
(=) Lucro Líquido
20
É importante ressaltar que as contas de DRE e BP estão sempre interconectadas.
Tudo que for adicionado à empresa via DRE em um período deve estar refletido no BP.
Isto é, toda receita que for contabilizada via DRE deve estar no balanço patrimonial, no
caixa, contas a receber ou na reserva de lucros, que é uma conta do patrimônio líquido.
Um custo de pessoal, por exemplo, deve sempre subtrair o caixa ou estar contabilizado
como contas a pagar.
Nesse contexto, definiu-se que algumas contas do DRE seriam ideais para o
emprego neste trabalho. Isso porque o balanço tem sua natureza cumulativa e o DRE
apresenta indicadores novos, isto é, do resultado da empresa no último período. Do
BP, apenas utilizou-se uma combinação de contas. Seguem os indicadores
selecionados:
i. Ebitda: Earnings Before Interest Taxes Depreciation and Amortization: O Ebitda,
em tradução literal, significa lucros antes de juros, impostos, depreciação e
amortização. Ele não é um indicador oficial e, por isso, não figura no DRE. Para chegar
ao Ebitda a partir do DRE, toma-se o Lucro Operacional e subtrai-se a depreciação,
que é um valor negativo. A depreciação é um custo não-caixa, isto é, não representa
saída de caixa, sendo responsável por indicador o valor que perderam os ativos
imobilizados da Companhia naquele período. Por isso, muitas vezes utiliza-se o Ebitda
para verificar o resultado operacional de uma empresa e não o Lucro Operacional. Na
literatura em português, muitas vezes é referido como Lajida (Lucro antes de juros,
impostos, depreciação e amortização). Neste trabalho, preferiu-se utilizar o termo
Ebitda devido ao seu amplo emprego no Brasil e no mundo.
ii. Ebitda móvel: O Ebitda móvel representa a mesma métrica descrita
anteriormente. No entanto, utiliza-se a média dos últimos 4 trimestres e não apenas o
Ebitda do período. Foi adotada essa métrica para que fosse possível traduzir melhor a
situação recente da empresa que não fosse apenas o último período analisado. Sabe-
se que os investidores não irão ignorar outros resultados e focar apenas no último
divulgado.
iii. Lucro Líquido: O lucro líquido representa a última linha do DRE. A partir do
Ebitda, para se chegar até o lucro líquido, é necessário subtrair a depreciação, o
21
resultado financeiro da Companhia, que representa o saldo entre pagamentos de dívida
e rendimentos do caixa, o pagamento de impostos e o recebimento de dividendos de
participações que a empresa possa ter em outras empresas. Essa métrica representa
de fato o caixa restante que cabe à empresa, agregando ao Ebitda aspectos não
operacionais.
iv. Lucro Líquido Móvel: O lucro líquido móvel procura capturar, da mesma forma
que o Ebitda móvel, a não estacionariedade dos indicadores financeiros. Representa a
média dos indicadores dos últimos quatro trimestres.
v. Dividendos: O dividendo representa a transferência de caixa da empresa para
seus acionistas. Ele se baseia, quase sempre, no lucro líquido da Companhia.
Entretanto, para que a empresa possa executá-lo, diversos outros aspectos da saúde
financeira precisam ser analisados, como: vencimento de dívidas no curto prazo,
disponibilidade de caixa, capital de giro, nível de investimento, dentre outros. A grande
maioria das Companhias tem em seu estatuto ou acordo de acionistas, uma regra para
pagamento de dividendo mínimo que se baseia em percentual do lucro líquido. Por isso,
para evitar de escolher dois indicadores muito correlatos, optou-se por tornar o
pagamento de dividendos um parâmetro binário. O seu aspecto quantitativo já está
representado no lucro líquido. O aspecto qualitativo nos responde à seguinte questão:
Esse lucro líquido foi distribuído aos acionistas ou retido para futuros investimentos?
vi. Dívida Líquida/Ebitda: Essa métrica é calculada pela razão entre a dívida líquida
– que também pode ser chamada neste trabalho Net Debt (ND), no termo em inglês –
da companhia e seu Ebitda. É uma métrica amplamente utilizada nos mercados
financeiros e costuma ser a mais empregada para medir o grau de endividamento de
uma empresa, isto é, sua capacidade de pagamento. A dívida líquida de uma empresa
é calculada somando todas as suas dívidas e subtraindo o caixa e disponibilidades
existentes. O Ebitda, por outro lado, representa a geração de caixa operacional. Logo,
quanto maior esse índice, mais difícil para a empresa será para arcar com a
amortização de sua dívida. Esse indicador é muito comum em contratos de dívida.
Muitas vezes, dívidas podem ser executadas quando a empresa ultrapassa um nível
pré-determinado.
22
Torna-se também adequado nesta seção tratar de alguns indicadores comumente
utilizados pelo mercado na avaliação das empresas. Estes foram também relevantes
na seleção de empresas para este trabalho, embora não utilizados diretamente:
i. ROE (Returno on Equity): Este indicador aponta para a capacidade da
empresa de gerar valor a partir de seus próprios recursos. Ele é definido pelo
lucro líquido dividido pelo patrimônio líquido.
ii. ROIC (Returno on Invested Capital): Este indicador, por sua vez, traduz a
capacidade de uma empresa de alocar capital sob seu controle para
investimentos rentáveis. Ele é calculado dividindo-se o lucro líquido
operacional menos os impostos ajustados pelo capital investido total.
iii. P/E (Price/Earnings): Este indicador é calculado dividindo-se o valor por ação
de uma empresa pelo seu lucro líquido por ação. Através de seu cálculo,
pode-se comparar o preço de duas empresas de um mesmo setor e que
possuem negócios muito parecidos. Se uma delas tiver um múltiplo muito
acima da outra, pode-se buscar os motivos para tal e chegar a uma conclusão
de justiça ou não do prêmio existente.
iv. EV/Ebitda (Enterprise Value/Ebitda): Este indicador é calculado dividindo-se
o valor da empresa, que pode ser obtido somando o valor de mercado com o
valor da dívida, pelo Ebitda da empresa. Pode-se fazer uma análise
semelhante à análise do P/E.
2.2. Setor de Utilities
Após definidos os indicadores financeiros utilizados, procurou-se estabelecer,
segundo a metodologia proposta pelo autor, as empresas que seriam alvo do estudo.
Anteriormente, estabeleceu-se que o setor de Utilities seria o setor da economia
escolhido. Essa foi uma escolha baseada em uma preferência pessoal do autor.
Primeiramente, é necessário definir o escopo do setor de Utilities. Em tradução
literal, podemos chama-lo de setor de utilidades. Logo, configura insumos básicos que
23
são imprescindíveis para empresas e pessoas. Os principais são: energia elétrica e
saneamento básico. O fornecimento de gás também está dentro do escopo de Utilities.
No Brasil, o setor elétrico foi incentivado no início da industrialização dada a sua
importância. A política pública pautou-se em uma estratégia de desenvolvimento a partir
de uma estatal: a Eletrobrás. O setor se desenvolveu muito e hoje diversas empresas
privadas atuam nele, principalmente após uma série de privatizações realizadas na
década de 90, que inclusive permitiu a entrada de controladores estrangeiros. Esse é
um setor altamente regulado e que sofreu e sofre influência política ao longo de sua
existência.
O organograma do setor é como se segue:
Figura 1: Agentes do Setor Elétrico – Extraído de [10]
24
Tabela 2: Elaboração Própria Agentes do Setor Elétrico
CNPE
Segundo o portal da entidade, este é um órgão presidido também pelo
ministro de Minas e Energia que tem como dever prestar assessoria à Presidência da República na formulação de políticas e diretrizes de
energia.
MME
Segundo site próprio, o MME é diretamente vinculado à administração federal. É
responsável por formular, implementar e fiscalizar as políticas públicas. O
Ministério atua nas seguintes áreas: geologia, recursos minerais e energéticos,
aproveitamento de energia hidráulica, mineração e metalurgia e petróleo,
combustível e energia elétrica, inclusive energia nuclear.
ANEEL
De acordo com a própria Aneel, ela é uma autarquia vinculada ao MME. Ela foi
fundada em 1997 para agir como o regulador do setor. Ela atua como agente
regulador dos três subsetores que serão explicitados a seguir. A Aneel também é
responsável por fiscalizar a qualidade dos serviços prestados por meio de
concessões, autorizações e permissões. Ela estabelece tarifas, implanta políticas
estabelecidas pelo CNPE e MME, promove atividades de outorgas de concessões
e pode solucionar divergências intra-setoriais.
CCEE A CCEE funciona como uma clearing house, isto é, o local onde se dão as
negociações de energia elétrica. Como atuadora no âmbito comercial, é
responsável pela contabilização de todas as operações de compra e venda.
ONS
Segundo o seu portal, a ONS é o órgão responsável pelo controle e operação das
usinas geradoras de energia elétrica no país e do sistema de transmissão. Cabe a
ele estabelecer quais usinas estarão despachando energia, isto é, ligadas, em
determinados momentos, de forma à garantir a sustentabilidade do fornecimento
energético e a modicidade tarifária.
EPE
A EPE é uma empresa pública que funciona como uma consultoria para o
Governo Federal e MME. Ela fornece estudos sobre diversos aspectos setoriais,
auxiliando na toma de decisão. Dentro do seu escopo encontramos: previsões de
demanda de energia elétrica no médio e longo prazo, estruturação da matriz
energética, projetos de novas linhas de transmissão, dentro outros.
O setor é subdividido em três subsetores: geração, transmissão e distribuição.
Segue uma breve explanação sobre cada um deles:
i. Setor de geração: é o primeiro elo da cadeia da energia elétrica. As geradoras
são responsáveis pela operação e manutenção das usinas, sendo eles de quaisquer
fontes. No Brasil, a matriz é majoritariamente hidrelétrica e dividida da seguinte forma,
segundo o Balanço Energético Nacional, estudado encomendado anualmente à EPE:
25
Figura 2: Elaboração Própria, adaptado de [1]
ii. Setor de Transmissão: O setor de transmissão é responsável pela transmissão
da energia gerada para todos os subsistemas do SIN, o Sistema Integrado Nacional. No
Brasil, ainda há vastos investimentos a serem realizados em transmissão para integrar
sistemas isolados de energia na Região Norte do país. Esses investimentos são sempre
feitos de maneira a otimizar o escoamento de energia e reduzir custos.
iii. Setor de Distribuição: É o setor mais complexo e trata da distribuição da energia
elétrica que é transportada das usinas geradoras até centros de consumo. As empresas
concessionárias são responsáveis pela compra de energia das geradoras em leilões de
acordo com a sua expectativa de demanda. Elas são também responsáveis pela
manutenção de abastecimento e qualidade do serviço, medido pelos indicadores DEC
(Duração Equivalente de Interrupção por Unidade Consumidora) e FEC (Frequência
Equivalente de Interrupção por Unidade Consumidora). Fazem também o papel de
cobrança dos consumidores e gerenciamento de default.
Torna-se, por fim, importante ressaltar que diversas empresas que atuam no setor
são conhecidas como integradas, atuando em dois ou três setores dentre os
supracitados.
O setor de saneamento é consideravelmente defasado em relação ao setor elétrico,
apresentando um grau de penetração ainda muito menor no Brasil. Segundas diversas
Matriz Elétrica Brasileira (2016)
Hidráulica Biomassa Eólica
Solar Gás Natural Derivadas de Petróleo
Nuclear Carvão e Derivados
26
publicações do SNIS (Sistema Nacional de Informações sobre Saneamento), apenas
cerca de 50% dos brasileiros tem acesso à coleta de esgoto. A ANA é a Agência
Nacional de Àguas e age dentro de um escopo bem distinto da Aneel. Esse órgão é
ligado ao MMA (Ministério do Meio Ambiente) e tem como principal objetivo cumprir os
objetivos e diretrizes da Lei das Águas do país. Os órgãos que estabelecem tarifas e
fiscalizam as concessionárias de águas são ainda estaduais, como a ARSESP em São
Paulo, ARSAE em Minas Gerais e a AGEPAR no Paraná. Em termos de acesso ao
mercado de capitais, poucas empresas são listadas em bolsa, sendo apenas três com
relevante liquidez: Sabesp, concessionária paulista, Copasa, a empresa mineira e a
Sanepar, responsável pelos serviços no Paraná. O aspecto regulatório no âmbito
estadual ainda é um grande empecilho ao maior acesso dessas empresas a
democratização de seu capital, principalmente em se tratando de capital estrangeiro.
2.3. Seleção da Empresas
Após a apresentação do setor, buscou-se selecionar um pool de empresas que
pudesse ser diverso e heterogêneo. Primeiramente, selecionou-se uma empresa do
setor de saneamento dentre as três citadas no item anterior. Optou-se pela Sabesp
devido à sua maior importância, atuando dentro do maior centro urbano no país. Além
disso, é uma empresa que já passou por dois ciclos de revisão tarifária, quando é
recalculada a tarifa de uma concessionária, e já é listada há mais tempo no Ibovespa e
fora do Brasil. Vale ressaltar que a empresa é estatal.
Dentro do setor elétrico, foi escolhida uma geradora pura com controlador
estrangeiro, uma empresa estatal integrada e uma distribuidora também tradicional.
Vale ressaltar que o pré-requisito mais importante nesta seleção foi o tempo de listagem
em bolsa, pois apenas com uma amostra grande poderiam ser aplicados os métodos
estatísticos que serão descritos a seguir.
A geradora escolhida foi a Engie Brasil, controlada pela empresa francesa Engie. A
empresa integrada escolhida foi a Cemig, que atua na geração com usinas hidrelétricas
e eólicas, na distribuição no estado de Minas Gerais e em transmissão. Por fim, foi
selecionada a Light, que é a distribuidora de energia na cidade do Rio de Janeiro.
Optou-se pela escolha pelo contexto de desenvolvimento deste trabalho na
Universidade Federal do Rio de Janeiro. A Light é uma empresa importante no
desenvolvimento da cidade do Rio de Janeiro ao longo de sua história.
27
No setor de fornecimento de gás, não há empresas listadas grandes o suficiente
para que possamos incluir no presente trabalho.
2.4. Contextualização Engie
A Engie Brasil é uma empresa brasileira que possuí como controlador uma empresa
franco-belga: A Engie. Sua estrutura acionária é como se segue:
Figura 3: Extraído de [3]
Ela atua atualmente majoritariamente no segmento de geração, sendo a maior
geradora privada no Brasil, com capacidade instalada própria de 4283 MW. A grande
parte de seu parque gerador é composto de empreendimentos hidrelétricos,
aproximadamente 80%.
Além da geração propriamente dita, a Companhia realiza atividades de
comercialização de energia, isto é, adquire energia e revende no mercado livre e no
mercado de curto prazo de energia. A Engie vende energia tanto através de contratos
regulados no ambiente regulado para distribuidoras, como também para grandes
consumidores livres, como grandes ou médias indústrias.
Recentemente, a Companhia adquiriu em leilão o direito de construir e operar um
lote de linha de transmissão localizado em Santa Catarina, mesmo local onde a
empresa está sediada.
Engie Brasil - Composição Acionária
Engie Brasil Participações Banco Clássico Outros
28
Assim, a Engie adentra também o segmento de transmissão de energia, não
atuando apenas na distribuição, dada a natureza de risco distinta e a expertise da
empresa.
No ano de 2017, a Engie arrematou também em leilão a concessão das Usinas de
Jaguara e Miranda, antes pertencentes a Cemig, adicionando cerca de 800 MW de
energia para seu portfólio, completando a sua consolidação como líder privada.
Do ponto de vista do mercado, é uma empresa eficiente do ponto de vista
operacional, com muita expertise no setor elétrico, experiência na regulação brasileira,
que é muito complexa, e boa alocadora de capital, isto é, investe um projeto que trará
um retorno para seus acionistas condizente com o nível de risco dos mesmos, gerando
valor.
Logo, não apresenta um elevado grau de complexidade já que o negócio de geração
não é de difícil operação, como a distribuição. Além disso, grande parte dos ativos da
empresa já estão em operação, reduzindo o risco de atrasos na construção que podem
gerar problemas.
Finalmente, estes fatores favorecem a uma liquidez relativamente alta da empresa,
ainda graças ao free float, isto é, o percentual de ações que pertence ao mercado e
estão sujeitas a serem negociadas diariamente ou com frequência elevada, é alto em
21%. Obviamente, devido ao tamanho da empresa, que tem valor de mercado
oscilando entre R$ 20 bilhões e R$ 25 bilhões no último ano, sua liquidez é favorecida
também. Assim, muitos investidores estrangeiros são capazes de investir na empresa,
dado seu perfil de risco e de liquidez, o que favorece um desinvestimento rápido caso
um aspecto macroeconômico, por exemplo, se deteriore.
2.5. Contextualização Light S.A
A Light é uma empresa do setor de Utilities que atua em distribuição e geração
de energia. A empresa foi fundada em 1899 é foi muito importante atuando na
construção e operação de Usinas Hidrelétricas, como a Parnaíba e a Fontes. No
entanto, é no segmento de distribuição que ganhou notoriedade e atua há muitos anos.
Sua concessão de distribuição é localizada no estado do Rio de Janeiro, mais
especificamente em 31 municípios, atendendo cerca de 10 milhões de clientes. A Light
S.A. é um grupo que engloba a Light Serviços de Eletricidade (Light SESA) que presta
29
serviços de distribuição, a Light Energia S.A., subsidiária de geração, dentre outras
subsidiárias menores.
A Light S.A. é uma empresa privada, cuja composição acionária se segue:
Figura 4: Extraído de [4]
A RME é uma sociedade controlada integralmente pela Cemig, que é a
controladora da Light.
A distribuição de energia da Light é a quinta maior do Brasil em termos de volume
de energia distribuído no mercado cativo. Por outro lado, a concessão fluminense é
uma das mais problemáticas em termos de perdas não técnicas de energia. As perdas
não técnicas configuram o furto de energia, muito difuso na concessão da Light. No Rio
de Janeiro, estabeleceu-se a cultura dos “gatos de energia”, encontrados tanto em
áreas de população mais pobre quanto em regiões mais abastadas. Além disso, em
áreas consideradas de risco, o poder paralelo que coabita a cidade do Rio de Janeiro
não permite que a concessão atua, difundindo ainda mais a prática. A ANEEL permite
que parte das perdas de energia sejam repassadas ao consumidor na tarifa, mas a
concessão ainda é ineficiente e possuí um nível de perdas acima do regulatório. Essa
conjuntura faz com que a tarifa de energia no Rio de Janeiro seja uma das mais caras
do país.
Composição Acionária - Light S.A.
Luce Empreendimentos e Participações RME - Rio Minas Energia Participações
Cemig BNDESPAR
Outros
30
Outro aspecto importante do contexto operacional da empresa é o nível acima
da média de inadimplência, muito em razão da tarifa elevada.
Todo esse contexto operacional complexo faz com que os investidores fiquem
sempre muito atentos na parte operacional da Companhia, verificando sua geração de
caixa e indicadores financeiros da operação de distribuição.
2.6. Contextualização Cemig
A Cemig é uma empresa estatal do setor de Utilities estabelecida em Minas
Gerais. É uma empresa estatal controlada pelo estado de Minas Gerais. Ela atua nos
setores de geração, distribuição e transmissão, tendo uma participação relevante no
setor de Utilities brasileiro. Novamente, o setor de distribuição acaba sendo o mais
emblemático e mais marcantes para empresas do perfil da Cemig. Isso porque é um
setor que interage diretamente com a população. Em termos de população atendida, a
Cemig atende cerca de 11 milhões de consumidores. A composição acionária é como
segue:
Figura 5: Extraído de [5]
A influência política em estatais é algo quase inerente no Brasil e esse aspecto
também influencia a Cemig. É importante ressaltar que a empresa participou do boom
de projetos hidrelétricos estruturantes com uma participação na Usina de Santo
Antônio. Além disso, a Cemig possui diversas participações em outras empresas
relevantes, aumentando seu grau de influência no setor. Podemos citar como exemplo:
Composição Acionária - Cemig
Estado de Minas Gerais FIA Dinâmica Energia BNDESPAR
Itaú Unibanco Outros
31
a Light, a Transmissora Aliança de Energia Elétrica e a Aliança Energia. A empresa
possui também uma subsidiária de telecomunicações, a Cemig Telecom. No total, a
Holding possui mais de 200 participações.
A Cemig também possui uma participação muito relevante no setor de
transmissão e geração, tendo como subsidiária a empresa Cemig GT. Recentemente,
a empresa perdeu duas usinas importantes que tiveram sua concessão expirada: as
Usinas de Jaguara e Miranda. Ainda assim, a companhia pretende manter sua
participação no mercado em termos de volume de energia e, assim, intensificou a
compra de energia e é cada vez mais atuadora na parte de comercialização.
Recentemente, dado o perfil da empresa, ela passou por problemas de liquidez
e ficou com grau de endividamento muito alto, correndo risco de ultrapassar covenant
e ter dívidas executadas. O grande problema da empresa foi o grau de liquidez de seus
ativos, sendo difícil convertê-los em caixa para sanar alguns compromissos.
2.7. Contextualização Sabesp
A Sabesp é a maior empresa de saneamento básico do país. Ela atua desde a
sua fundação em 1973 como a concessionária de saneamento básico majoritária no
estado de São Paulo, atendendo 368 municípios. Ela atua no fornecimento de água,
coleta e tratamento de esgoto. Dada a penetração de saneamento no estado e o seu
número elevado de habitantes, a empresa é responsável por um volume de
investimentos altíssimo, de cerca de ¼ do total realizado no país. Segue sua estrutura
acionária:
Figura 6: Extraído de [6]
Composição Acionária - Sabesp
Secretaria da Fazenda do Estado de SP
Lazard Asset Management
Outros
32
Na condição de empresa estatal, a Sabesp sofre dos mesmos problemas das
duas últimas empresas citadas. Obviamente, as influências sobre cada uma são
particulares e em graus distintos.
A Sabesp, como empresa de saneamento, também passa por processos de
revisão tarifária dentro do âmbito estadual. A metodologia inclui, de maneira simplista,
a remuneração do capital sobre os investimentos que a empresa realiza, e cobre os
custos operacionais incorridos. Entretanto, como a empresa possui ineficiências, a
carga tarifária é abaixo do necessário. Além disso, nos processos de revisão, é comum
que a base de ativos sobre a qual a companhia tem direito de receber retorno
regulatório seja avaliada diferentemente pela empresa e pelo regulador, gerando
incertezas. Esse contexto gera uma importância da operação da Sabesp e da melhoria
do seu grau de eficiência.
Recentemente, foi aprovada uma Lei Estadual que permite que o estado crie
uma Holding para a empresa, que será a dona de suas ações. Assim, a Holding poderá
vender ações para outros investidores e utilizar o capital para realizar investimentos na
Sabesp. Essa é uma estratégia para que o estado possa reduzir o stake econômico na
empresa sem perder seu controle. Esse é um exemplo de mudança relevante que não
é capturada pelo contexto operacional da Companhia, traduzido por métricas
financeiras.
2.8. Contextualização BRF S.A.
A BRF é uma empresa do setor de consumo básico. A partir deste item, estamos
tratando de empresas muito distintas das anteriores, de forma a verificar que tipos de
variáveis são mais relevantes e a qualidade das regressões.
A BRF tem uma característica ainda não vista nas outras empresas. Ela é uma
corporation, isto é, tem seu controle difuso. Segue sua composição acionária:
33
Figura 7: Extraído de [7]
A empresa surgiu da fusão entre Sadia e Perdigão e possui um portfólio extenso
de marcas como: Qualy, Paty, Dánica e Bocatti. A empresa atua não apenas no Brasil,
mas também em outros países da América Latina, Europa, África e Ásia.
2.9. Contextualização Lojas Renner
A Lojas Renner é a maior varejista do país. A empresa tem 53 anos de existência.
A empresa foi a primeira corporação a obter 100% de suas ações negociadas na bolsa
de valores. A empresa possui a seguinte composição acionária:
Figura 8: Extraído de [8]
Composição Acionária - BRF S.A.
Petros Previ
Tarpon Standard Life Aberdeen PLC
Conselho de Administração ADR
Tesouraria Outros
Composição Acionária - Lojas Renner
Standard Life Aberdeen PLC T. Rowe Price Associates, INC.
J.P. Morgan Asset Management H. Inc. Outros
Tesouraria
34
Dentre suas principais marcas, destacamos a Renner, Camicado e Youcom. A
intenção de, novamente, selecionar uma empresa de um setor distinto, o varejo, se deu
no sentido de verificar como se comportam as regressões para empresas outros
setores da economia
35
3. Métodos Estatísticos
3.1. Métodos Estatísticos
Em estatística, quando busca-se avaliar a relação entre duas variáveis, dois termos
são evocados: correlação e regressão. No entanto, ambas não são sinônimas. A
análise de correlação mede o grau de associação linear entre duas variáveis e o
coeficiente de correlação (r) mede o grau dessa associação. Por outro lado, na análise
de regressão, busca-se estabelecer uma relação causal. Intenta-se prever ou estimar
o valor de uma variável com base em valores fixos de outras. A variável que se quer
explicar é denominada dependente, explicada ou prevista. Por outro lado, a outra
variável é conhecida como explicativa, independente ou entrada.
Logo, na análise de regressão não encontramos a relação simétrica da correlação.
Ainda, na correlação as variáveis são aleatórias e na correlação as variáveis
independentes são estocásticas e as dependentes fixas.
A Regressão linear simples se dá com duas variáveis: uma dependente (Y) e outra
explanatória (X). Para cada valor de X, estabelece-se uma população de valores de Y
em forma de distribuição probabilística. Sobre os valores médios dessa distribuição
passa a reta de regressão.
Quando utilizamos o termo linear, podemos estabelecer duas diferentes
interpretações: linearidade dos parâmetros e linearidade das variáveis. A linearidade
das variáveis ocorre quando Y é uma função linear de X, ou seja, o expoente máximo
de X é 1. A linearidade dos parâmetros configura um modelo em que os coeficientes de
X são lineares, podendo X ser elevado a uma potência maior que 1.
Os modelos de Regressão Linear são sempre lineares nos parâmetros. No modelo
de Regressão Linear Simples, o coeficiente de X é 1. Logo, é um modelo que apresenta
ambas as classificações de linearidade. Ele é expresso por:
𝑌𝑖 = 𝛽1 ̂ + 𝛽2 ̂ 𝑋𝑖 + �̂�
Quando o conjunto de dados se trata de uma amostra da população, o objetivo
passa a ser estimar a função de regressão amostral (FRA), que é uma função
estimada:
�̂�𝑖 = 𝛽1 ̂ + 𝛽2 ̂ 𝑋𝑖 + �̂�
36
Para estimar essa reta, o método mais comum é o método dos mínimos quadrados.
Neste método busca-se minimizar o erro, que é expresso nas equações acima por 𝜇.
Para tal, busca-se minimizar o somatório dos erros quadráticos. Assim, leva-se em
consideração os erros positivos e negativos.
O valor do erro é caracterizado por:
𝑌𝑖 = �̂�𝑖 + �̂�
�̂� = 𝑌𝑖 − �̂�𝑖
O somatório dos erros quadráticos é:
∑ 𝜇𝑖2
Utiliza-se o processo de derivação parcial para chegar aos valores que minimizam
a expressão acima e chega-se em:
𝛽1 ̂ = 𝑌 − 𝛽 ̂𝑋
𝛽2 ̂ = ∑ 𝑋𝑖𝑌𝑖 − 𝑛𝑋𝑌
∑(𝑋𝑖 − 𝑋)2
O erro padrão é o desvio padrão da distribuição amostral do estimador (betas). Para
calcular o erro padrão de cada estimador, precisamos conhecer o estimador da
variância do método dos mínimos quadrados:
�̂� = √∑ 𝜇�̂�
2
𝑛 − 2
Esse indicador indica o desvio padrão dos valores de Y em relação à linha de
regressão, sendo muitas vezes utilizado como medida de qualidade da regressão.
O estimador também tem cada um seu erro padrão, dados por:
37
𝑒𝑝(𝛽1) = √∑ 𝑋𝑖
2
𝑛 ∑ 𝑥𝑖2 �̂�
𝑒𝑝(𝛽2) = √�̂�2
∑ 𝑥𝑖2
Segundo o Teorema de Gauss Markov, os estimadores de mínimos quadrados têm
variância mínima, isto é, são o melhor estimador linear não viesado (MELNT).
Uma medida importante é o coeficiente de determinação (𝑅2). Ele mede a qualidade
geral do ajustamento de regressão. Ele mostra qual proporção da variável dependente
é explicada pela explanatória. Ele seria igual a 1 caso todas as observações estivessem
situadas exatamente na linha de regressão. Para calculá-lo, precisamos introduzir
algumas medidas da regressão:
A soma total dos quadrados (STQ) é dada por:
𝑆𝑇𝑄 = ∑ 𝑦𝑖2 = ∑(𝑦𝑖 − 𝑌)2
Ela representa a variação total dos valores de Y em torno de sua média amostral.
A soma dos quadrados explicada pela regressão (SQE) é dada por:
𝑆𝑇𝐸 = ∑ 𝑦�̂�2 = ∑(�̂�𝑖 − �̂�)2
Ela representa a variação dos valores estimados de Y em torno de sua média.
Estabelece-se que a soma dos quadrados dos resíduos, que é o termo que
desejamos minimizar, é dado pelo termo SQR. Logo:
𝑆𝑄𝑇 = 𝑆𝑄𝐸 + 𝑆𝑄𝑅
Assim, o 𝑅2 é dado por:
𝑅2 = 𝑆𝑄𝐸
𝑆𝑄𝑇= 1 −
𝑆𝑄𝑅
𝑆𝑄𝑇
38
O modelo clássico de regressão linear supõe que cada distúrbio 𝜇1 é normal é
independente, com média zero e variância constante que é igual à variância da
regressão �̂�2. Além disso, esses distúrbios não são autocorrelacionados. Assim, os
estimadores também são normalmente distribuídos com média e variância dadas.
Poderíamos empregar a distribuição normal para determinar um intervalo de confiança
para os estimadores se conhecêssemos 𝜎2. Porém, como raramente conhecemos o
erro padrão populacional, utilizamos �̂�2, que é o estimador amostral. Assim, utiliza-se
não a distribuição normal, mas a distribuição t de Student:
Com (1 − 𝛼) como coeficiente de explicação, chegamos nos intervalos:
𝛽1̂ ± 𝑡𝛼2⁄ 𝜎𝛽1
𝛽2̂ ± 𝑡𝛼2⁄ 𝜎𝛽2
3.2. Regressão Linear Múltipla
O modelo de regressão linear múltipla é análogo ao modelo de regressão linear
simples descrito no item acima. A diferença primordial é que agora não haverá mais
apenas uma variável independente, mas sim duas ou mais. No que toca a linearidade,
o modelo continua sendo linear nos parâmetros e também nas variáveis. O modelo
pode ser descrito pela seguinte equação:
�̂�𝑖 = 𝛽1 ̂ + 𝛽2̂𝑋2𝑖 + 𝛽3 ̂ 𝑋3𝑖 + 𝛽4 ̂ 𝑋4𝑖 + ⋯ + �̂�
Pelo método dos mínimos quadrados chega-se nos estimadores do modelo.
3.3. Modelo Log-Normal (Cobb Douglas)
O modelo Log-Normal é um modelo de regressão não linear nas variáveis, mas
continua sendo linear nos parâmetros. Ele será um dos modelos testados neste
trabalho, assim como os modelos descritos nos itens acima. Novamente, o modelo é
encontrado pelo método dos mínimos quadrados. Esse modelo foi popularmente
39
conhecido como Função de Cobb-Douglas, e chegou-se à conclusão de que era um
bom modelo para a medida da produção. Ele é descrito por:
�̂�𝑖 = 𝛽1 ̂ 𝑋2𝑖𝛽2
𝑋3𝑖𝛽3
𝑋4𝑖𝛽4
… 𝑒𝜇𝑖 = ln 𝛽1 + β2 ln 𝑋2𝑖 + β3 ln 𝑋3𝑖 + β4 ln 𝑋4𝑖 + ⋯ + 𝜇𝑖
A tabela ANOVA (Analysis of Variance) é uma ferramenta resumo da análise de
regressão. A partir dela realizaremos neste trabalho o teste de hipótese que nos
indicará a existência ou não de regressão nos modelos construídos.
O teste de hipótese que desejamos realizar buscará determinar se os parâmetros
são significativos dado um coeficiente de explicação de 95%.
A Tabela é construída da seguinte maneira:
Tabela 3: Adaptada de [2] Anova Geral
Fonte de Variação Soma dos
Quadrados
Graus de
Liberdade
Média da Soma dos
Quadrados
Regressão (SQE) ∑ 𝑦�̂�
2
k-1 ∑ 𝑦�̂�
2
Resíduos (SQR) ∑ 𝜇𝑖
2
n-k
�̂�2 = ∑ 𝜇�̂�
2
𝑛 − 2
Total (STQ) ∑ 𝑦𝑖
2 n-1
Assim, calculamos a estatística F, dada pela razão da média da soma dos
quadrados (MSQ) da SQE pela média da soma dos quadrados da SQR. A MSQ é
sempre obtida dividindo a soma dos quadrados pelo número de graus de liberdade
correspondentes.
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 𝑀𝑆𝑄 𝑑𝑒 𝑆𝑄𝐸
𝑀𝑆𝑄 𝑑𝑒 𝑆𝑄𝑅
40
Assim, desejamos testar as seguintes hipóteses:
𝐻0: 𝛽2 = 0
𝐻𝑎: 𝛽2 ≠ 0
A hipótese nula é a que desejamos rejeitar para confiarmos na existência da
regressão.
Chegamos nesse resultado através na padronização da distribuição t de Student,
com 𝛽2 = 0. Este teste de hipótese segue a mesma linha do teste de hipótese com
distribuição normal.
𝑡 = 𝛽2̂ − 𝛽2
𝜎𝛽2
Assim, calculamos a estatística F através da tabela ANOVA e verificamos se 𝐻0
existe ou não verificando a tabela F. Caso o valor calculado de F seja maior que o valor
tabelado, rejeitamos 𝐻0 e vice versa.
É válido ressaltar que a distribuição F é o quadrado da distribuição t de Student.
Para consultar a tabela F, deve-se levar em conta dois fatores: o número de parâmetros
do modelo subtraído de 1 (𝑘 − 1). Esse é o número de graus de liberdade da Soma dos
Quadrados Explicados (SQE). Esse é o valor das colunas da tabela. Em seguida,
levamos em consideração (𝑛 − 𝑘), que é o valor de graus de liberdade do erro.
Buscamos esse valor nas linhas da tabela.
Utilizando a ANOVA e realizando o teste descrito acima, foram feitas as análises de
regressão deste trabalho.
3.4. Seleção de Regressores: Métodos Exaustivo e Progressivo
Quando, em um problema de regressão, busca-se a melhor regressão possível,
surge um dilema. Existem dois métodos mais difusos para tal propósito: o método
exaustivo e o método progressivo.
No método exaustivo, todas as possíveis regressões são realizadas, isto é, faz-se
todas as combinações de regressões existentes dentro do modelo inicialmente
proposto. O grande problema oriundo desse método é que ele se torna inviável a
medida que aumenta o número de variáveis independentes. O aumento das
possibilidades é exponencial. O número de combinações é descrito por:
2𝑗 − 1 ; 𝑗 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡𝑒𝑠
41
No método progressivo, por sua vez, parte-se de um modelo específico e
acrescentam-se outras variáveis, verificando se a contribuição marginal aumenta ou
não. Caso ela aumente, adota-se essa nova variável e o procedimento se segue.
No desenvolvimento deste trabalho, temos como variáveis independentes: Ebitda,
Lucro Líquido, Ebitda Móvel, Lucro Líquido, Lucro Líquido Móvel, Dividendos e Dívida
Líquida/Ebitda.
Assim, estabeleceu-se um método para chegar na melhor regressão possível. Como
o Ebitda e o Lucro Líquido são indicadores com grau de correlação alto [2], estabeleceu-
se que apenas um deles seria utilizado. Assim, dentre Ebitda, Lucro Líquido, Ebitda
Móvel e Lucro Líquido Móvel, verificou-se qual métrica traria a melhor regressão,
utilizando o teste F e o 𝑅2. Em seguida, acrescentou-se a dívida líquida para verificar,
segundo o método progressivo, se houve melhora de resultados ou não. Assim, adota-
se, ou não, este novo modelo. Por fim, acrescenta-se a variável binária (variável
Dummy) que é o dividendo, e verifica-se novamente se houve melhora incremental do
modelo. Estabelece-se, então, a modelagem de cada empresa com um modelo de
regressão linear, simples ou múltiplo.
Finalmente, testa-se, se, com as mesmas variáveis dependentes já selecionadas,
um modelo Log-Normal é melhor fit para a regressão, ou seja, apresente estatística F
e o 𝑅2 superiores.
3.5. Conceitos de Séries Históricas
Neste item, serão apresentados os conceitos de séries históricas que foram
utilizados para o desenvolvimento da segunda modelagem proposta neste trabalho, que
se utiliza apenas das séries históricas.
Em primeiro lugar, a classificação formal de uma série de variáveis aleatórias
ordenada no tempo é de processos aleatório ou estocástico. Um processo deste tipo
pode ser classificado em estacionário ou não estacionário. O processo estacionário é
aquele em que os dados possuem média e variância constantes ao longo do tempo,
além da covariância entre dois períodos depender apenas do tempo entre eles.
Definimos:
𝐸(𝑌𝑡) = 𝜇
𝑣𝑎𝑟(𝑌𝑡) = 𝐸(𝑌𝑡 − 𝜇)2 = 𝜎2
𝑐𝑜𝑣𝑎𝑟 = 𝐸[(𝑌𝑡 − 𝜇)(𝑌𝑡+𝑘 − 𝜇)]
42
Se k=1, tratamos da covariância de Markov.
Quando tratamos, em oposição, de séries não estacionárias, sua média ou variância
varia com o tempo. Este tipo de série pode ter uma tendência determinística, isto é,
claramente é possível identificar à direção para qual ela caminha, ou estocástica, no
caso contrário. Estudamos majoritariamente séries estacionárias de forma a poder
prever seu comportamento em períodos subsequentes.
Assim, a primeira etapa do tratamento que deverá ser realizado para as séries
temporais dos preços das ações é verificar a sua estacionariedade por meio de
métodos adequados. Para tal, aplicamos o método de Dickey Fuller e o método de
Dickey Fuller aumentado neste trabalho, que são os métodos mais tradicionais.
Para tal, iniciamos com a seguinte equação:
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝜇𝑡
Testamos então se 𝜌 = 1. Nesse caso, trata-se de um passei aleatório, isto é, um
dado é igual ao dado anterior mais um componente errático.
Obtemos a primeira diferença da equação acima fazendo a seguinte mudança:
𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝜇𝑡
Sendo :
𝜌 − 1 = 𝛿
∆𝑌 = 𝛿𝑌𝑡−1 + 𝜇𝑡
Testamos, então, se 𝛿 = 0. Se isso for estatisticamente verdadeiro, temos 𝜌 = 1 e a
série será não estacionária. Realizamos este teste de hipótese dividindo o coeficiente
encontrado por seu desvio padrão, que segue uma distribuição 𝜏 (tau). Em seguida,
verificamos a tabela de Dickey Fuller para esta distribuição.
O teste de Dickey Fuller aumentado é realizado por meio da seguinte equação:
∆𝑌 = 𝛽1 + 𝛽2𝑡 + 𝛿𝑌𝑡−1 + ∑ 𝛼𝑖∆𝑌𝑡−1
𝑚
𝑖=1
+ 휀𝑡
43
Esse teste é realizado uma vez no teste inicial, parte-se do pressuposto que o termo
𝜇𝑡 é não correlacionado. Ele adiciona valores defasados da variável dependente ∆𝑌. O
teste de hipótese é análogo para este teste em relação ao método anterior.
3.6. Modelagem ARIMA e Método Box Jenkins
Quando tratamos de séries históricas, três modelagens tradicionais são invocadas:
AR, MA e ARIMA. A modelagem AR significa Auto Regressive (auto regressivo), a
modelagem MA se define como Moving Average (Média Móvel) e o modelo ARIMA
significa Auto Regressive Integrated Moving Average.
O modelo AR expressa a relação entre uma variável e seu valor em períodos
anteriores. Pode ser expresso da seguinte forma:
𝑌𝑡 = 𝜇 + ∑ 𝛼𝑖
𝑝
𝑖=1
𝑌𝑡−1 + 휀𝑡
Sendo 𝜇 uma constante e 𝛼 o coeficiente do termo anterior i.
Um modelo AR (1), por exemplo, seria da seguinte forma:
𝑌𝑡 = 𝜇 + 𝛼𝑌𝑡−1 + 휀𝑡
Já um modelo AR (2):
𝑌𝑡 = 𝜇 + 𝛼1𝑌𝑡−1 + 𝛼2𝑌𝑡−2 + 휀𝑡
O modelo MA, por sua vez, relaciona o valor de uma variável com o termo residual
de períodos anteriores. Pode ser expresso como:
𝑌𝑡 = 𝜇 + ∑ 𝜃𝑖
𝑝
𝑖=1
𝜖𝑡−1 + 휀𝑡
Um modelo MA (1) seria descrito da seguinte forma:
𝑌𝑡 = 𝜇 + 𝜃1𝜖𝑡−1 + 휀𝑡
Já um modelo MA (2):
𝑌𝑡 = 𝜇 + 𝜃1𝜖𝑡−1 + 𝜃2𝜖𝑡−2 + 휀𝑡
44
Uma série que tem característica de AR e de MA prevê uma modelagem ARMA. O
que é importante é que essa série seja uma série estacionária. Caso a série não seja
estacionária, torna-se necessária obter a primeira diferença de seus valores para obter
uma série estacionária. Caso a série de primeiras diferenças não seja estacionária,
repete-se o processo. Daí, surge o termo I de integrado. Se a séria for estacionária I =
0, se ela for estacionária na primeira diferença I = 1 e assim em diante.
Classificamos um modelo ARIMA da seguinte forma: (p, d, q). Sendo p, a ordem de
AR, d o número de vezes que precisamos realizar a diferenciação e q a ordem de MA.
Para que possamos aplicar a modelagem ARIMA, devemos seguir a metodologia
Box-Jenkins. Ela é composta de três etapas principais: Identificação, Estimação e
Verificação de Diagnóstico.
A primeira etapa consiste em encontrar os valores adequados de p, d e q. Para tal,
utilizam-se duas ferramentas: a função de auto correlação e a função de auto
correlação parcial.
A função de auto correlação (ACF) é a razão entre a covariância entre Yt e Yt-k e a
variância de Yt. Ela traduz a correlação bruta entre Yt e Yt-k.
Por outro lado, a função de auto correlação parcial (PACF) é a correlação entre Yt
e Yt-k subtraída da parte que é explicada pelos lags intermediários. Dizemos que ela
traduz a correlação líquida entre Yt e Yt-k.
Pela inspeção do PACF, pode-se determinar a quantidade de termos AR da
modelagem, quando a correlação entre Yt e Yt-k for estatisticamente diferente de zero.
Ao observarmos o ACF, se a série possuir uma quebra brusca em determinado lag,
pode-se determinar um caráter MA com a ordem desse lag.
Após a definição dos parâmetros do modelo, é possível estimá-lo por meio de uma
regressão.
Por fim, verifica-se se os resíduos do modelo são ruídos brancos. Se o forem,
podemos aceitar a modelagem.
Verificamos, finalmente, o AIC do modelo. O AIC (Akaike Information Criterion) dos
modelos selecionados configura uma medida de qualidade dos modelos levando em
consideração um conjunto de dados específico. O AIC é encontrado por meio da
seguinte fórmula:
𝐴𝐼𝐶 = 2𝑘 − 2 ln (𝐿)
Sendo k o número de parâmetros do modelo e L o valor máximo da função de
verossimilhança.
45
Quando comparamos dois modelos, o que possuir o menor AIC será aquele em que
perdeu menos informação, olhando retroativamente para os dados responsáveis por
aqueles modelos.
3.7. Softwares Selecionados
Para realizar a análise de regressões múltiplas, selecionamos o Microsoft Excel,
que nos fornece facilmente os coeficientes da regressão e a tabela ANOVA.
Utilizamos o software R para realizar a modelagem de séries históricas. Por meio
dele, podemos fazer o teste de Dickey Fuller aumentado. Ele nos indica a probabilidade
de rejeitarmos a hipótese H0 de série não estacionária. Ele nos fornece também a ACF
e PACF e nos permite realizar a metodologia Box Jenkins.
3.8. Demais Informações do Método
Para a devida aplicação dos métodos estatísticos, é necessário explanar antes
como foi feito o tratamento dos dados. A coleta de dados de preços de ações foi feita
desde o período de janeiro de 2002 até março de 2018. A escolha foi arbitrária, desde
que pudesse captar um intervalo de dados relevante. Algumas das empresas
escolhidas neste trabalho ainda não eram listadas no início da amostra e, por isso,
foram coletados dados a partir de início da listagem no Ibovespa e quando já tinham
um nível de liquidez relevante. A liquidez é importante porque sem ela, o preço das
ações não traduz o que de fato o mercado pensa em termos de valor a cada dia. Para
exemplificar, basta pensar em uma empresa fictícia que tem 90% do seu capital nas
mãos do estado, que não negocias essas ações, e os outros 10% nas mãos de apenas
um acionista. Essa ação não será negociada diariamente e, logo, seu preço não ditará
o seu real valor no dia. Foi estabelecida uma lógica em termos de retorno, isto é, tomou-
se o preço da ação no primeiro dia como 1 e, caso ela tenha subido no dia seguinte
5%, o novo preço será 1,05.
Uma questão que se seguiu foi a diferença de frequência dos dados em questão.
Se por um lado temos preços diários, Ebitda e Lucro são métricas que temos apenas
quatro vezes em um ano. Assim estabeleceu-se que a frequência seria mensal. Dessa
forma, uma média de retornos pegando todos os dados de um determinado mês foi o
retorno selecionado. Para o Ebitda e o Lucro Líquido, utilizou-se o mesmo valor pelos
46
três meses do trimestre correspondente. Para o Ebitda Móvel e o Lucro Líquido Móvel,
utilizou-se a média dos últimos três meses sempre. Para a Dívida Líquida/Ebitda, os
valores selecionados foram sempre a razão da Dívida Líquida sobre a soma dos Ebitda
dos últimos 12 meses. Essa escolha foi feita para que esse indicador fosse calculado
da mesma forma que é no mercado financeiro, considerando o Ebitda de 12 meses.
Assim, os valores não se repetem e vão se alterando dado que o denominador é móvel.
47
4. RESULTADOS OBTIDOS E DISCUSSÕES
4.1. Engie Brasil
4.1.1. Seleção de Modelo de Regressão
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 4: Brasil – Elaboração Própria Modelo 1 – Engie
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,710032105
Coeficiente de Determinação R^2 0,50414559
R^2 Ajustado 0,501576396
Erro Padrão 5,515327015
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1,0 5969,0 5969,0 196,2
Resíduos 193,0 5870,8 30,4
Total 194,0 11839,8
Coeficientes Erro Padrão
Intercepto (β1) 1,474341999 0,848110751
LL 0,036327541 0,002593322
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,4743 + 0,0363 𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 196,2
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
48
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 50,4%.
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 5: – Elaboração Própria Modelo 2 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,74818079
Coeficiente de Determinação R^2 0,5597745
R^2 Ajustado 0,55749354
Erro Padrão 5,1967494
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 6627,637939 6627,637939 245,4116783
Resíduos 193 5212,197444 27,00620437
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -0,313268306 0,868954588
LLM 0,042391508 0,002706022
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −0,3132 + 0,0424 𝐿𝐿𝑀
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 245,4
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 56,0%.
49
Adotamos este modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda
Tabela 6:– Elaboração Própria Modelo 3 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,86807218
Coeficiente de Determinação R^2 0,75354931
R^2 Ajustado 0,752272363
Erro Padrão 3,888294911
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 8921,899781 8921,899781 590,1181153
Resíduos 193 2917,935601 15,11883731
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -4,061674496 0,716962265
E 0,028037179 0,001154157
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −4,0616 + 0,0280 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 590,1
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 75,3%.
50
Adotamos este modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda Móvel
Tabela 7: Elaboração Própria Modelo 4 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,903531679
Coeficiente de Determinação R^2 0,816369495
R^2 Ajustado 0,815418041
Erro Padrão 3,356344972
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 9665,680428 9665,680428 858,0236287
Resíduos 193 2174,154954 11,26505157
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -5,257465392 0,635910344
ME 0,030484436 0,001040707
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −5,2575 + 0,0305 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 858,0
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 81,6%.
Adotamos este modelo em relação ao anterior, pois temos um F calculado maior.
51
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dividendos
Tabela 8: Elaboração Própria Modelo 5 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,910254776
Coeficiente de Determinação R^2 0,828563757
R^2 Ajustado 0,826777963
Erro Padrão 3,251423479
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 9810,058491 4905,029245 463,9749419
Resíduos 192 2029,776891 10,57175464
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -4,52311704 0,647287644
ME 0,026127288 0,001551299
Dividendo 2,743526613 0,742389995
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −4,5231 + 0,0261 𝑀𝐸 + 2,7435 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 464,0
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 82,9%.
52
Não adotamos este modelo em relação ao anterior, pois temos um F calculado menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dívida Líquida/Ebitda
Tabela 9: Elaboração Própria Modelo 6 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,906402815
Coeficiente de Determinação R^2 0,821566063
R^2 Ajustado 0,819707376
Erro Padrão 3,317118198
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 9727,206939 4863,603469 442,0142449
Resíduos 192 2112,628443 11,00327314
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -6,780274663 0,899833731
ME 0,032039638 0,00122084
ND/Ebitda 0,495913643 0,209718074
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −6,7803 + 0,0320 𝑀𝐸 + 0,4959 𝑁𝐷/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 442,0
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 82,1%.
53
Não adotamos este modelo em relação ao anterior, pois temos um F calculado menor.
Modelo: Modelo Log-Normal
Variáveis: Ebitda Móvel
Tabela 10: Elaboração Própria Modelo 7 – Engie Brasil
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,848669635
Coeficiente de Determinação R^2 0,72024015
R^2 Ajustado 0,718790617
Erro Padrão 4,142732304
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 8527,52481 8527,52481 496,8774071
Resíduos 193 3312,310572 17,16223094
Total 194 11839,83538
Coeficientes Erro Padrão
Intercepto (β1) -67,81545215 3,592380618
ln(ME) 12,81610589 0,574951832
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 12,81 ln(𝑀𝐸)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 442,0
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 72,0%.
54
Não adotamos este modelo em relação ao anterior, pois temos um F calculado menor.
4.1.2. Seleção de modelo ARIMA
Realizamos primeiramente um teste de estacionariedade:
adf.test(X)
Augmented Dickey-Fuller Test
data: X Dickey-Fuller = -2.7185, Lag order = 5, p-value = 0.2749
alternative hypothesis: stationary
adf.test(DX)
Augmented Dickey-Fuller Test
data: DX Dickey-Fuller = -6.7135, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 11: Elaboração Própria Engie Brasil – ACF das primeiras diferenças
LAG
55
Tabela 12: Elaboração Própria Engie Brasil – PACF das primeiras diferenças
LAGS
Logo, pela inspeção do PACF consideramos significativos os lags 2 e 9. Pela
inspeção do ACF, consideramos os lags 2 e 9 também. Logo, a combinação desses
elementos será testada. Vamos evidenciar aqui o modelo escolhido, que será aquele
que possuir um AIC menor:
ARIMA (9,1,2)
𝑌𝑡 = 0,12 + 0,27 𝑌𝑡−1 − 1,07 𝑌𝑡−2 + 0,11𝑌𝑡−3 − 0,24𝑌𝑡−4 − 0,06𝑌𝑡−5
− 0,07𝑌𝑡−6 + 0,01𝑌𝑡−7 − 0,04𝑌𝑡−8 − 0,10 𝑌𝑡−6 − 0,12휀𝑡−1
+ 0,89휀𝑡−2
AIC =256,9
56
4.2. Light S.A.
4.2.1. Seleção de Modelo
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 13: Elaboração Própria Modelo 1 – Light S.A.
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,020923328
Coeficiente de Determinação R^2 0,000437786
R^2 Ajustado -0,006651308
Erro Padrão 0,483118399
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 0,014413782 0,014413782 0,061754812
Resíduos 141 32,90987765 0,233403388
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,795725156 0,048111937
LL 6,30441E-05 0,000253693
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,7957 + 0,00006 𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 0,06
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão não existe. O 𝑅2 é 0,04%.
57
Não adotamos esse modelo.
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 14: Elaboração Própria Modelo 2 – Light S.A.
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,037375769
Coeficiente de Determinação R^2 0,001396948
R^2 Ajustado -0,005685343
Erro Padrão 0,482886548
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 0,045993528 0,045993528 0,197245229
Resíduos 141 32,87829791 0,233179418
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,816408743 0,051493996
MLL -0,000137661 0,000309961
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,8164 − 0,0001 𝑀𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 0,019
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão não existe. O 𝑅2 é 0,1%.
Não adotamos este modelo.
58
Modelo: Modelo Linear Simples
Variáveis: Ebitda
Tabela 15: Elaboração Própria Modelo 3 – Light S.A.
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,195283722
Coeficiente de Determinação R^2 0,038135732
R^2 Ajustado 0,031314
Erro Padrão 0,473920569
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 1,255591952 1,255591952 5,59032951
Resíduos 141 31,66869948 0,224600706
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,599236111 0,094555642
E 0,000571348 0,000241647
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,5992 + 0,0006 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 5,59
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 3,81%.
Adotamos esse modelo.
Modelo: Modelo Linear Simples
Variáveis: Ebitda Móvel
59
Tabela 16: Elaboração Própria Modelo 4 – Light S.A.
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,195896718
Coeficiente de Determinação R^2 0,038375524
R^2 Ajustado 0,031555493
Erro Padrão 0,473861491
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 1,263486946 1,263486946 5,626883533
Resíduos 141 31,66080449 0,224544713
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,540353975 0,117289551
ME 0,000747118 0,00031496
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,5404 + 0,0007 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 5,63
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 3,83 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dividendos
60
Tabela 17: Elaboração Própria Modelo 5 – Light S.A.
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,196073615
Coeficiente de Determinação R^2 0,038444862
R^2 Ajustado 0,02470836
Erro Padrão 0,475533697
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 1,265769856 0,632884928 2,798737448
Resíduos 140 31,65852158 0,226132297
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,538297941 0,119468964
ME 0,000744467 0,000317171
Dividendo 0,008370305 0,083306373
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,5382 + 0,0007 𝑀𝐸 + 0,0083 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 2,79
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão não existe. O 𝑅2 é 3,84 %.
Não adotamos esse modelo pois não há regressão.
61
Tabela 18: Elaboração Própria Modelo 6 – Light S.A
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dívida Líquida/Ebitda
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,236000977
Coeficiente de Determinação R^2 0,055696461
R^2 Ajustado 0,042206411
Erro Padrão 0,471248531
Observações 143
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 1,833766524 0,916883262 4,12870664
Resíduos 140 31,09052491 0,222075178
Total 142 32,92429143
Coeficientes Erro Padrão
Intercepto (β1) 1,552097392 0,116872772
ME 0,000676246 0,00031633
ND/Ebitda 0,006116956 0,00381717
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,5521 + 0,0007 𝑀𝐸 + 0,0061 𝐷í𝑣𝑖𝑑𝑎 𝐿í𝑞𝑢𝑖𝑑𝑎/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 4,14
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 5,57 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
62
Modelo: Modelo Log-Normal
Variáveis: Ebitda Móvel
Tabela 19: Elaboração Própria Modelo 7 – Light S.A. –
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,247737883
Coeficiente de Determinação R^2 0,061374059
R^2 Ajustado 0,054669588
Erro Padrão 0,463975217
Observações 142
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 1,970651805 1,970651805 9,154198564
Resíduos 140 30,13822028 0,215273002
Total 141 32,10887208
Coeficientes Erro Padrão
Intercepto (β1) 0,178828464 0,540052649
ln(ME) 0,281300409 0,092973718
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,1788 + 0,2813 ln (𝑀𝐸)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 9,15
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 6,13 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
4.2.2. Seleção de modelo ARIMA
63
Realizamos primeiramente um teste de estacionariedade:
Augmented Dickey-Fuller Test
data: B Dickey-Fuller = -3.063, Lag order = 5, p-value = 0.1337
alternative hypothesis: stationary
Augmented Dickey-Fuller Test
data: DB Dickey-Fuller = -4.5122, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 20: Light S.A. – ACF das primeiras diferenças – Elaboração Própria
LAGS
Tabela 21: Elaboração Própria
64
Light S.A. – PACF das primeiras diferenças
LAGS
Logo, pela inspeção do PACF consideramos significativos os lags 1 e 13. Pela
inspeção do ACF, consideramos os lags 1 e 13 também. Logo, a combinação desses
elementos será testada. Vamos evidenciar aqui o modelo escolhido, que será aquele
que possuir um AIC menor:
ARIMA (1,1,1)
𝑌𝑡 = 0,01 + 0,15 𝑌𝑡−1 + 0,08 휀𝑡−1
AIC =-142,14
65
4.3. Cemig
4.3.1. Seleção de Modelo
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 22: Elaboração Própria Modelo 1 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,458741678
Coeficiente de Determinação R^2 0,210443927
R^2 Ajustado 0,206288369
Erro Padrão 1,801034037
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 164,2672022 164,2672022 50,64155348
Resíduos 190 616,3074843 3,243723601
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) 2,87519775 0,20116933
LL 0,002333883 0,000327964
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,852 + 0,0023 LL
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 50,64
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 21,04 %.
66
Adotamos esse modelo.
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 23: Elaboração Própria Modelo 2 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,539962247
Coeficiente de Determinação R^2 0,291559229
R^2 Ajustado 0,287830593
Erro Padrão 1,706012484
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 227,5837534 227,5837534 78,19461506
Resíduos 190 552,9909331 2,910478595
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) 2,521608402 0,204712192
MLL 0,003085633 0,000348944
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,5216 + 0,0031 𝑀𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 78,19
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 29,15 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
67
Modelo: Modelo Linear Simples
Variáveis: Ebitda
Tabela 24: Elaboração Própria Modelo 3 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,535225024
Coeficiente de Determinação R^2 0,286465826
R^2 Ajustado 0,282710383
Erro Padrão 1,71213427
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 223,6079727 223,6079727 76,28016857
Resíduos 190 556,9667138 2,931403757
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) 1,877868796 0,269313694
E 0,002297078 0,000263009
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,779 + 0,0023 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 76,28
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 28,65 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Simples
68
Variáveis: Ebitda Móvel
Tabela 25: Elaboração Própria Modelo 4 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,668682581
Coeficiente de Determinação R^2 0,447136394
R^2 Ajustado 0,444226585
Erro Padrão 1,507090847
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 349,0233503 349,0233503 153,6652329
Resíduos 190 431,5513362 2,271322822
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) 0,963367721 0,265656366
ME 0,003341659 0,000269572
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,9634 + 0,0033 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 153,67
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 44,71 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dividendos
69
Tabela 26: Elaboração Própria Modelo 5 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,730539272
Coeficiente de Determinação R^2 0,533687628
R^2 Ajustado 0,528753105
Erro Padrão 1,387761385
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 416,5830526 208,2915263 108,1538552
Resíduos 189 363,991634 1,925881661
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) 1,945099348 0,295489925
ME 0,002570363 0,000280313
Dividendo -1,844885389 0,311487288
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,9451 + 0,0026 𝑀𝐸 − 1,8449 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 108,15
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 53,37 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dívida Líquida/Ebitda
70
Tabela 27: Elaboração Própria Modelo 6 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,779187993
Coeficiente de Determinação R^2 0,607133928
R^2 Ajustado 0,602976615
Erro Padrão 1,27379222
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 473,9133753 236,9566876 146,0399872
Resíduos 189 306,6613112 1,62254662
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) -1,357836743 0,347008058
ME 0,004200197 0,000247968
ND/Ebitda 0,680743433 0,07759222
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −1,378 + 0,0042 𝑀𝐸 + 0,6807 𝐷í𝑣𝑖𝑑𝑎 𝐿í𝑞𝑢𝑖𝑑𝑎/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 146,04
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 60,71 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Log-Normal
Variáveis: Ebitda Móvel
71
Tabela 28: Elaboração Própria Modelo 7 – Cemig
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,675508391
Coeficiente de Determinação R^2 0,456311587
R^2 Ajustado 0,453450069
Erro Padrão 1,494532866
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 356,1852737 356,1852737 159,4648687
Resíduos 190 424,3894128 2,233628488
Total 191 780,5746865
Coeficientes Erro Padrão
Intercepto (β1) -13,98870832 1,42605421
ln(ME) 2,685095639 0,212631327
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −13,9887 + 2,6851 ln (𝑀𝐸)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 159,46
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 45,63 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
4.3.2. Seleção de Modelo ARIMA
Realizamos primeiramente um teste de estacionariedade:
Augmented Dickey-Fuller Test
data: Y Dickey-Fuller = -2.4224, Lag order = 5, p-value = 0.399
72
alternative hypothesis: stationary
Augmented Dickey-Fuller Test
data: DY Dickey-Fuller = -9.7043, Lag order = 0, p-value = 0.01
alternative hypothesis: stationary
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 29: Elaboração Própria Cemig – ACF das primeiras diferenças
LAGS
73
Tabela 30: Elaboração Própria Cemig – ACF das primeiras diferenças
LAGS
Logo, pela inspeção do PACF consideramos significativos os lags 2 e 3. Pela
inspeção do ACF, consideramos os lags 1 e 3. Logo, a combinação desses elementos
será testada. Vamos evidenciar aqui o modelo escolhido, que será aquele que possuir
um AIC menor:
ARIMA (2,1,3)
𝑌𝑡 = 0,02 + 0,25𝑌𝑡−1 + 0,39 𝑌𝑡−2 + 0,09휀𝑡−1 − 0,52 휀𝑡−2 − 0,45 휀𝑡−3
AIC =74,58
74
4.4. Sabesp
4.4.1. Seleção de Modelo
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 31: Elaboração Própria Modelo 1 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,568857637
Coeficiente de Determinação R^2 0,323599011
R^2 Ajustado 0,320039006
Erro Padrão 1,27145843
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 146,9470542 146,9470542 90,89846579
Resíduos 190 307,1552424 1,616606539
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) 1,424631752 0,126291324
LL 0,002800226 0,000293707
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,4246 + 0,0028 𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 90,89
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 32,36 %.
Adotamos esse modelo.
75
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 32: Elaboração Própria Modelo 2 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,670226374
Coeficiente de Determinação R^2 0,449203392
R^2 Ajustado 0,446304462
Erro Padrão 1,147349359
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 203,9842919 203,9842919 154,9549203
Resíduos 190 250,1180046 1,316410551
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) 1,104795095 0,123889833
MLL 0,003889549 0,000312462
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 1,1048 + 0,0039 MLL
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 154,95
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 44,92 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda
76
Tabela 33: Elaboração Própria Modelo 3 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,816501947
Coeficiente de Determinação R^2 0,66667543
R^2 Ajustado 0,66492109
Erro Padrão 0,89255238
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 302,7388438 302,7388438 380,0149859
Resíduos 190 151,3634527 0,796649751
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) -0,948440319 0,176357296
E 0,004151272 0,000212952
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −0,9484 + 0,042 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 380,01
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 66,66 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda Móvel
77
Tabela 34: Elaboração Própria Modelo 4 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,884209741
Coeficiente de Determinação R^2 0,781826866
R^2 Ajustado 0,780678586
Erro Padrão 0,722105552
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 355,0293752 355,0293752 680,8679946
Resíduos 190 99,07292135 0,521436428
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) -1,524915702 0,153839074
ME 0,004940574 0,000189342
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −1,5249 + 0,0049 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 680,87
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 78,18 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dividendos
78
Tabela 35: Elaboração Própria Modelo 5 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,904543044
Coeficiente de Determinação R^2 0,818198118
R^2 Ajustado 0,816274289
Erro Padrão 0,660914278
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 371,5456446 185,7728223 425,2966003
Resíduos 189 82,55665196 0,436807682
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) -1,002621406 0,164438303
ME 0,004524943 0,000186012
Dividendo -0,689053404 0,112057786
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −1,0026 + 0,0045 𝑀𝐸 − 0,6891 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 425,30
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 81,82 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dívida Líquida/Ebitda
79
Tabela 36: Elaboração Própria Modelo 6 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,898361835
Coeficiente de Determinação R^2 0,807053987
R^2 Ajustado 0,80501223
Erro Padrão 0,680869455
Observações 192
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 366,4850688 183,2425344 395,2743076
Resíduos 189 87,61722768 0,463583215
Total 191 454,1022965
Coeficientes Erro Padrão
Intercepto (β1) -1,315229001 0,1510628
ME 0,004952342 0,000178545
ND/Ebitda -0,088548071 0,017812803
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −1,3152 + 0,0050 𝑀𝐸 − 0,0885 𝐷í𝑣𝑖𝑑𝑎 𝐿í𝑞𝑢𝑖𝑑𝑎/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 395,27
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 80,71 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Log-Normal
Variáveis: Ebitda Móvel
80
Tabela 37: Elaboração Própria Modelo 7 – Sabesp
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,850105155
Coeficiente de Determinação R^2 0,722678774
R^2 Ajustado 0,721203661
Erro Padrão 0,81602975
Observações 190
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 326,2361036 326,2361036 489,9142111
Resíduos 188 125,1900559 0,665904553
Total 189 451,4261595
Coeficientes Erro Padrão
Intercepto (β1) -22,09053 1,101915549
ln(ME) 3,695104326 0,166942413
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −22,09 + 3,6951 ln (𝑀𝐸)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 489,91
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 72,27 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
81
4.4.2. Seleção de Modelagem ARIMA
Realizamos primeiramente um teste de estacionariedade:
Augmented Dickey-Fuller Test
data: A Dickey-Fuller = -2.3709, Lag order = 5, p-value = 0.4206
alternative hypothesis: stationary
Augmented Dickey-Fuller Test
data: DA Dickey-Fuller = -4.7208, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 38: Elaboração Própria Sabesp – ACF das primeiras diferenças
LAGS
82
Tabela 39: Elaboração Própria
Sabesp – PACF das primeiras diferenças
LAGS
Logo, pela inspeção do ACF consideramos significativos os lags 1, 5, 8 E 13. Pela
inspeção do ACF, consideramos o lag 1 apenas. Logo, a combinação desses elementos
será testada. Vamos evidenciar aqui o modelo escolhido, que será aquele que possuir
um AIC menor:
ARIMA (8,1,2)
𝑌𝑡 = 0,01 𝑌𝑡−1 + 0,04 𝑌𝑡−2 − 0,11𝑌𝑡−4 + 0,11𝑌𝑡−5 + 0,15𝑌𝑡−6 − 0,11𝑌𝑡−7
+ 0,16𝑌𝑡−8 + 0,19휀𝑡−1 + 0,02휀𝑡−2
AIC =-148
83
4.5. BRF
4.5.1. Seleção de Modelo
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 40: Elaboração Própria Modelo 1 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,409594621
Coeficiente de Determinação R^2 0,167767753
R^2 Ajustado 0,163455669
Erro Padrão 9,554473635
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 3551,687861 3551,687861 38,90641888
Resíduos 193 17618,57752 91,28796644
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 12,14267764 0,753462329
LL 0,014027985 0,002248975
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 12,1227 + 0,0140 𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 38,91
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 16,78 %.
Adotamos esse modelo.
84
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 41: Elaboração Própria Modelo 2 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,47422275
Coeficiente de Determinação R^2 0,224887217
R^2 Ajustado 0,220871089
Erro Padrão 9,220764841
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 4760,922064 4760,922064 55,99602254
Resíduos 193 16409,34332 85,02250425
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 11,54373585 0,744109404
MLL 0,018097195 0,002418425
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 11,5437 + 0,0181 𝑀𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 56,00
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 22,49 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda
85
Tabela 42: Elaboração Própria Modelo 3 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,895162394
Coeficiente de Determinação R^2 0,801315712
R^2 Ajustado 0,80028626
Erro Padrão 4,668380636
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 16964,06628 16964,06628 778,3903491
Resíduos 193 4206,199107 21,79377776
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 3,139983975 0,516128778
E 0,022182738 0,00079509
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 3,1400 + 0,0222 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 778,39
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 80,13 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Simples
Variáveis: Ebitda Móvel
Tabela 43: Elaboração Própria Modelo 4 – BRF
Estatísticas de Regressão
86
Coeficiente de Correlação Múltipla 0,923313575
Coeficiente de Determinação R^2 0,852507958
R^2 Ajustado 0,851743751
Erro Padrão 4,022247503
Observações 195
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 18047,81971 18047,81971 1115,545176
Resíduos 193 3122,44567 16,17847497
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 2,604647937 0,449049915
ME 0,0235246 0,000704334
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,6046 + 0,0235 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 1115,5
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 85,25 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dividendos
Tabela 44: Elaboração Própria Modelo 5 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,923407932
Coeficiente de Determinação R^2 0,852682209
R^2 Ajustado 0,851147649
Erro Padrão 4,030325623
Observações 195
87
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 18051,50866 9025,754328 555,6524545
Resíduos 192 3118,756728 16,24352463
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 2,498097696 0,502441122
ME 0,023488613 0,000709777
Dividendo 0,278271471 0,583926159
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,4981 + 0,0235 𝑀𝐸 + 0,2783 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 555,65
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 85,27 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Ebitda Móvel e Dívida Líquida/Ebitda
Tabela 45: Elaboração Própria Modelo 6 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,931686726
Coeficiente de Determinação R^2 0,868040156
R^2 Ajustado 0,866665574
Erro Padrão 3,814463233
Observações 195
88
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 18376,64047 9188,320235 631,4940409
Resíduos 192 2793,624913 14,55012976
Total 194 21170,26538
Coeficientes Erro Padrão
Intercepto (β1) 0,191727486 0,662554715
ME 0,024459629 0,000696306
ND/Ebitda 0,694396357 0,146070076
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,1917 + 0,0245 𝑀𝐸 + 0,6944 𝐷í𝑣𝑖𝑑𝑎 𝐿í𝑞𝑢𝑖𝑑𝑎/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 631,49
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 86,80 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.Modelo: Modelo Log-Normal
Variáveis: Ebitda Móvel
Tabela 46: Elaboração Própria Modelo 7 – BRF
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,887148204
Coeficiente de Determinação R^2 0,787031936
R^2 Ajustado 0,785928475
Erro Padrão 0,5111014
Observações 195
89
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 186,3156441 186,3156441 713,2391626
Resíduos 193 50,41635568 0,261224641
Total 194 236,7319997
Coeficientes Erro Padrão
Intercepto (β1) -3,380270681 0,212667798
ln(ME) 0,970994957 0,03635795
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −3,3803 + 0,9710 ln (𝑀𝐸)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 713,24
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 78,70 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
4.5.2. Seleção de Modelo ARIMA
Realizamos primeiramente um teste de estacionariedade:
Augmented Dickey-Fuller Test
data: D Dickey-Fuller = -0.60233, Lag order = 5, p-value = 0.9764
alternative hypothesis: stationary
Augmented Dickey-Fuller Test
data: DD Dickey-Fuller = -6.1981, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
90
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 47: Elaboração Própria BRF S.A. – ACF das primeiras diferenças –
LAGS
Tabela 48: Elaboração Própria BRF S.A. – PACF das primeiras diferenças
91
LAGS
Logo, pela inspeção do ACF consideramos significativos os lags 1 e 13. Pela
inspeção do ACF, consideramos os lags 1 e 13 também. Logo, a combinação desses
elementos será testada. Vamos evidenciar aqui o modelo escolhido, que será aquele
que possuir um AIC menor:
ARIMA (1,1,13)
𝑌𝑡 = 0,05 + 0,64 𝑌𝑡−1 − 0,42휀𝑡−1 − 0,14휀𝑡−2 + 0,07휀𝑡−3 + 0,02휀𝑡−4
− 0,06휀𝑡−5 − 0,20휀𝑡−6 + 0,07휀𝑡−7 + 0,03휀𝑡−8 − 0,24휀𝑡−9
− 0,05휀𝑡−210 + 0,24휀𝑡−11 − 0,1휀𝑡−12 + 0,34휀𝑡−13
AIC =629,7
92
4.6. Lojas Renner
4.6.1. Seleção de Modelo
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido
Tabela 49: Elaboração Própria Modelo 1 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,665109293
Coeficiente de Determinação R^2 0,442370371
R^2 Ajustado 0,438602603
Erro Padrão 5,945418847
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 4150,178883 4150,178883 117,4091395
Resíduos 148 5231,50478 35,34800527
Total 149 9381,683663
Coeficientes Erro Padrão
Intercepto (β1) 3,985459397 0,768000727
LL 0,071312592 0,006581354
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 3,9855 + 0,0713 𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 117,41
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 44,24 %.
93
Adotamos esse modelo.
Modelo: Modelo Linear Simples
Variáveis: Lucro Líquido Móvel
Tabela 50: Elaboração Própria Modelo 2 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,83487674
Coeficiente de Determinação R^2 0,69701917
R^2 Ajustado 0,694972003
Erro Padrão 4,382451414
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 6539,213364 6539,213364 340,4797504
Resíduos 148 2842,470299 19,2058804
Total 149 9381,683663
Coeficientes Erro Padrão
Intercepto (β1) 0,337412435 0,653789212
MLL 0,112298506 0,006085949
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,3374 + 0,1123 𝑀𝐿𝐿
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 340,48
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 69,70 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
94
Modelo: Modelo Linear Simples
Variáveis: Ebitda
Tabela 51: Elaboração Própria Modelo 3 – Lojas Renner –
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,741311916
Coeficiente de Determinação R^2 0,549543357
R^2 Ajustado 0,546499731
Erro Padrão 5,343625735
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 5155,641936 5155,641936 180,5554833
Resíduos 148 4226,041727 28,55433599
Total 149 9381,683663
Coeficientes Erro Padrão
Intercepto (β1) 2,77955807 0,717536796
E 0,043513081 0,003238281
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,7796 + 0,0435 𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 180,55
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 54,95 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Simples
Variáveis: Ebitda Móvel
95
Tabela 52: Elaboração Própria Modelo 4 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,801829143
Coeficiente de Determinação R^2 0,642929975
R^2 Ajustado 0,640517339
Erro Padrão 81,05268005
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 1750679,934 1750679,934 266,4845253
Resíduos 148 972291,4676 6569,536943
Total 149 2722971,401
Coeficientes Erro Padrão
Intercepto (β1) 14,52477241 11,89677416
ME 0,927186791 0,056797764
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 14,5247 + 0,9272 𝑀𝐸
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 266,48
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 64,29 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Lucro Líquido Móvel e Dividendos
96
Tabela 53: Elaboração Própria Modelo 5 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,85015715
Coeficiente de Determinação R^2 0,72276718
R^2 Ajustado 0,718995305
Erro Padrão 4,206336828
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 6780,773045 3390,386523 191,6201254
Resíduos 147 2600,910618 17,69326951
Total 149 9381,683663
Coeficientes Erro Padrão
Intercepto (β1) -0,581044776 0,674954623
MLL 0,103990957 0,006259136
Dividendo 2,775620662 0,751193695
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −0,5810 + 0,1040 𝑀𝐿𝐿 + 2,7756 𝐷
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 191,62
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 72,28 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Linear Múltiplo
Variáveis: Lucro Líquido Móvel e Dívida Líquida/Ebitda
97
Tabela 54:– Elaboração Própria Modelo 6 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,843559053
Coeficiente de Determinação R^2 0,711591876
R^2 Ajustado 0,707667956
Erro Padrão 4,290278352
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 2 6675,929878 3337,964939 181,3471901
Resíduos 147 2705,753785 18,40648833
Total 149 9381,683663
Coeficientes Erro Padrão
Intercepto (β1) 0,581846034 0,64629196
MLL 0,103465821 0,00678238
ND/Ebitda 1,295435817 0,475325247
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,5818 + 0,1035 𝑀𝐿𝐿 + 1,2954 𝐷í𝑣𝑖𝑑𝑎 𝐿í𝑞𝑢𝑖𝑑𝑎/𝐸𝑏𝑖𝑡𝑑𝑎
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 181,35
3,00 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,07
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 71,16 %.
Não adotamos esse modelo em relação ao anterior, pois temos um F calculado
menor.
Modelo: Modelo Log-Normal
Variáveis: Lucro Líquido Móvel
98
Tabela 55: Elaboração Própria Modelo 7 – Lojas Renner
Estatísticas de Regressão
Coeficiente de Correlação Múltipla 0,888353949
Coeficiente de Determinação R^2 0,789172738
R^2 Ajustado 0,78774823
Erro Padrão 0,369285711
Observações 150
Análise de Variância
GL SQ SQM Estatística F
Regressão 1 75,5495756 75,5495756 553,9965003
Resíduos 148 20,18304661 0,136371937
Total 149 95,73262221
Coeficientes Erro Padrão
Intercepto (β1) -2,114223458 0,179619035
ln(MLL) 0,977381924 0,04152511
O modelo encontrado é:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −2,1142 + 0,9774 ln (𝑀𝐿𝐿)
Realizando o teste de hipótese:
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 554,00
3,84 < 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 < 3,92
𝐹𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝐹𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜
A Regressão existe. O 𝑅2 é 78,92 %.
Adotamos esse modelo em relação ao anterior, pois temos um F calculado maior.
4.6.2. Seleção do Modelo ARIMA
Realizamos primeiramente um teste de estacionariedade:
Augmented Dickey-Fuller Test
data: D Dickey-Fuller = -1.2318, Lag order = 5, p-value = 0.8966
99
alternative hypothesis: stationary
Augmented Dickey-Fuller Test
data: DD Dickey-Fuller = -5.4206, Lag order = 5, p-value = 0.01
alternative hypothesis: stationary
Verificamos que a série não é estacionária. Contudo, a série de primeiras
diferenças é estacionárias. Logo, utilizaremos um modelo ARIMA com I = 1.
O ACF e PACF são:
Tabela 56: Elaboração Própria Lojas Renner – ACF das primeiras diferenças
LAGS
100
Tabela 57– Elaboração Própria Lojas Renner – PACF das primeiras diferenças
LAGS
Logo, pela inspeção do ACF consideramos significativos os lags 1, 13 E 20. Pela
inspeção do ACF, consideramos o lag 1. Logo, a combinação desses elementos será
testada. Vamos evidenciar aqui o modelo escolhido, que será aquele que possuir um
AIC menor:
ARIMA (1,1,1)
𝑌𝑡 = 0,05 − 0,13 𝑌𝑡−1 + 0,5휀𝑡−1
AIC =373
101
5. ANÁLISE COMPARATIVA
5.1. Conclusão Engie
O modelo adotado foi um modelo de regressão linear simples com 𝑅2 = 81,6%:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −5,2575 + 0,0305 𝑀𝐸
Na primeira etapa da seleção do modelo, durante a verificação da utilização de
Lucro Líquido, Lucro Líquido Móvel, Ebitda ou Ebitda Móvel, verificaram-se alguns
fatos: os indicadores móveis foram mais eficientes para um valor maior da estatística
F. Também demonstraram um coeficiente de explicação superior. Além disso, o Ebitda
foi um indicador superior. Utilizando-se o Lucro Líquido, a explicação ficou na casa dos
50,55%. Utilizando-se o Ebitda, ela saltou para 75,80%.
Uma possível explicação para tal fato é que o Ebitda é um melhor indicador do
desempenho operacional das empresas. O preço das ações pode ser muito impactado
por melhorias na receita ou em eficiência operacional por meio da redução de custos.
Por outro lado, por mais que impostos e juros sejam saídas de caixas importantes, a
previsibilidade destas é maior e a parte operacional será um maior indicador de retorno.
Acrescentando outras variáveis como dividendos e endividamento, a variação na
explicação foi positiva, mas muito marginal. A estatística F piorou e por isso esses
modelos não foram selecionados. Novamente, uma possível explicação é que muitas
vezes o mercado pode esperar previamente o pagamento ou não de dividendos de uma
empresa, baseado no entendimento prévio de sua saúde financeira e investimentos
futuros.
Por fim, testou-se se o modelo Log-Normal seria um fit melhor para o modelo, o
que não ocorreu, com explicação reduzida e estatística F também.
Em se tratando de séries históricas, o modelo selecionado foi um modelo ARIMA
de ordem 9,1,2.
5.2. Conclusão Light S.A.
O modelo adotado foi um modelo de regressão Log-Normal com 𝑅2 = 6,13 %:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 0,1788 + 0,2813 ln (𝑀𝐸)
102
Como podemos observar, a análise de regressão no modelo da Light teve um
coeficiente de explicação baixíssimo. No modelo Log-Normal escolhido, chegamos em
apenas 6%. Apesar disso, há regressão com a variável Ebitda Móvel.
Uma possível explicação para esse fato é a complexidade operacional da
empresa, muito distinta da Engie Brasil, onde verificamos uma geradora com fluxo de
caixa bem menos volátil. A situação problemática do Rio de Janeiro gera muitas
incertezas e consequentemente, os indicadores financeiros tornam-se mais descolados
do retorno real do ativo.
Outra hipótese levantada é pelo free float, isto é, percentual do capital que circula
no mercado, em diversos períodos da amostra ser reduzido e, por consequência,
podendo gerar uma acurácia menor dos preços de mercado em relação à real situação
da empresa.
Além disso, o fato de a Cemig controlar a Light também é um fator de incerteza,
dado que é uma empresa estatal que muitas vezes sofre interferência política.
Em se tratando de séries históricas o modelo selecionado foi um modelo ARIMA
de ordem 1,1,1.
5.3. Conclusão Cemig
O modelo adotado foi um modelo de regressão Log-Normal com 𝑅2 = 45,63 %:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −13,9887 + 2,6851 ln (𝑀𝐸)
Novamente, verificou-se que um modelo logarítmico apresenta um ajuste melhor
para uma empresa. Pela terceira vez verificamos que a variável Ebitda Móvel é muito
relevante na regressão. Também, adotamos um modelo com apenas uma variável,
rejeitando aqueles que incluem dividendos e Dívida Líquida/Ebitda.
No caso da Cemig, assim como o da Light, que apesar de não ser estatal, é
controlada pela Cemig, encontramos um coeficiente de explicação mais baixo que na
Engie Brasil. Podemos explicar também este fato com o descolamento do retorno e do
maior indicador de desempenho operacional, o Ebitda Móvel.
Isso ocorre porque o investidor tem diversas outras preocupações, além da
geração de caixa apenas, que podem modificar repentinamente aspectos importantes
103
da empresa, como trocas de diretoria, investimentos com viés que não sejam apenas
de rentabilidade para o acionista, dentre outros fatores.
Na modelagem ARIMA, selecionamos um modelo de parâmetros 2,1,3.
5.4. Conclusão Sabesp
O modelo adotado foi um modelo de regressão Linear Simples com 𝑅2 = 78,18 %:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −1,5249 + 0,0049 𝑀𝐸
Pela quarta vez verificamos que o Ebitda Móvel a variável independente que nos
fornece um melhor resultado de regressão. Novamente escolhemos um modelo linear
simples.
Em oposição aos últimos dois modelos selecionados, obtivemos um grau de
explicação elevado para uma empresa estatal. O 𝑅2 se aproximou dos 81,6% obtidos
para a Engie Brasil, a geradora privada.
Uma das possíveis conclusões que podemos tirar deste fato é que empresas do
ramo de distribuição de energia possuem uma explicação menor com indicadores
operacionais, dada a complexidade operacional e volatilidade de resultados.
No caso específico da Sabesp, ainda que a incerteza regulatória seja grande diante
de órgão regulador estadual, verificamos que conseguimos obter resultados mais
eficientes.
O modelo ARIMA selecionado foi de ordem 8,1,1.
5.5. Conclusão BRF S.A.
O modelo adotado foi um modelo de regressão Linear Simples com 𝑅2 = 78,18 %:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = 2,6046 + 0,0235 𝑀𝐸
Verificamos novamente a primazia do Ebitda Móvel como melhor variável
na construção do modelo de regressão. Mais uma vez também constatamos que
os modelos com médias móveis são superiores na qualidade da regressão.
No caso da BRF, os modelos que se utilizaram do Ebitda foram muito
superiores, demonstrando que, neste caso específico, ele é um proxy muito mais
importante do que o lucro líquido.
104
Com relação ao coeficiente de explicação, verificamos um nível que ronda
os 80%, em acordo com a Engie Brasil, outra empresa não estatal. Dentre as
estatais, apenas a Sabesp alcançou estes patamares.
O modelo ARIMA foi selecionado de ordem 1, 1, 13.
5.6. Conclusão Lojas Renner
O modelo adotado foi um modelo de regressão Linear Simples com 𝑅2 = 78,91 %:
𝑅𝑒𝑡𝑜𝑟𝑛𝑜 = −2,1142 + 0,9774 ln (𝑀𝐿𝐿)
Na última empresa selecionada, verificamos e atestamos a preferência por
indicadores móveis. Contudo, no caso da Renner, podemos notar que o Lucro Líquido
representou um fit melhor. Uma explicação plausível é a pouca previsibilidade de
alíquota de imposto, aumentando a importância do Lucro Líquido em relação ao Ebitda
na explicação do preço das ações da Companhia.
Novamente, optou-se por uma regressão Log-Normal, sendo a primeira a
aparecer em uma empresa não-estatal ou não controlada por uma estatal.
Com relação ao modelo ARIMA, selecionamos um modelo de parâmetros 1,1,1.
105
5.7. Tabelas Comparativas
Tabela 58: Tabela Resumo Regressões – Elaboração Própria
Empresa Modelo Variáveis Modelagem 𝑅2
Engie Brasil Linear
Simples
Ebitda Móvel 𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= −5,2575
+ 0,0305 𝑀𝐸
81,6%
Light S.A. Log Normal Ebitda Móvel 𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= 0,1788
+ 0,2813 ln (𝑀𝐸)
6,13%
Cemig Log Normal Ebitda Móvel 𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= −13,9887
+ 2,6851 ln (𝑀𝐸)
45,63%
Sabesp Linear
Simples
Ebitda Móvel 𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= −1,5249
+ 0,0049 𝑀𝐸
72,27%
BRF Linear
Simples
Ebitda Móvel 𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= 2,6046
+ 0,0235 𝑀𝐸
78,18%
Lojas Renner Log Normal Lucro Líquido
Móvel
𝑅𝑒𝑡𝑜𝑟𝑛𝑜
= −2,1142
+ 0,9774 ln (𝑀𝐿𝐿)
78,91%
106
A primeira conclusão geral que chegamos é que indicadores móveis são
superiores para obtermos um grau de explicação melhor e uma regressão melhor. Em
todas as empresas eles foram utilizados. Apenas no caso da Renner, utilizamos o Lucro
Líquido Móvel no lugar do Ebitda.
Dentre as seis empresas, três tiveram como modelo selecionado um modelo Log-
Normal. Dentre essas, duas são ou estatal ou controlada por uma estatal. A única
estatal que fugiu desse padrão foi a Sabesp.
Fora esses modelos, os outros foram de regressão linear simples, demonstrando
que a explicação incremental de outras variáveis não é positiva. Apenas uma variável
nos traz o melhor modelo dentro dos parâmetros selecionados no âmbito deste
trabalho.
Ainda, verificamos que selecionamos para empresas de Utilities e de outros setores
uma modelagem semelhante, com regressões com apenas um parâmetro. No caso da
Lojas Renner, foi a única empresa selecionada em que o Lucro Líquido Móvel foi
selecionado.
Dentre as empresas selecionadas, verificamos que empresas privadas como Engie,
BRF e Lojas Renner, encontramos um coeficiente de explicação superior. No caso da
Light, encontramos o menor coeficiente de explicação, cujas causas foram exploradas
no item 5.2.
Em se tratando de modelos ARIMA, temos:
Tabela 59: Tabela Resumo ARIMA – Elaboração Própria
Engie Brasil
Light S.A.
Cemig
Sabesp
BRF S.A.
Lojas Renner
107
Comparativamente, de forma a apresentar uma seleção final para as modelagens
supracitadas, elegemos o critério AIC. A tabela abaixo exprime o valor encontrado para
cada modelo por empresa.
Tabela 60: Tabela AIC – Elaboração Própria
AIC Modelo de Regressão Modelo ARIMA
EGIE3 1029 257
CMIG4 703 175
LIGT3 227 -142
SBSP3 378 -148
BRFS3 1100 630
LREN3 871 373
Podemos concluir, finalmente, que a perda de informações ocorre em menor escala
quando selecionamos a modelagem ARIMA para quaisquer empresas, apesar de seu
caráter estatal ou privado, ou do setor de atuação. Logo, uma modelagem via séria
histórica de preços é mais eficaz na previsão futuro de preços de ações do que a
regressão via seus indicadores financeiros.
Assim, como principal contribuição prática da modelagem explicitada, podemos
citar: previsão do comportamento futuro de preços de modo a dar subsídios à tomada
de decisão de investidores de fundos de investimentos, por um lado. Por outro, o
conhecimento desta dinâmica pode favorecer as empresas em decisões de um
aumento de capital ou operações similares.
108
6. Bibliografia
[1] EPE, Empresa de Pesquisa Energética – Balanço Energético Nacional 2017 – Relatório
Síntese
[2] GUJARATI, DAMODAR N. – Econometria Básica
[3] Formulário de Referência 2017 – Engie Brasil Energia
[4] Formulário de Referência 2017 – Light S.A.
[5] Formulário de Referência 2017 – Cemig
[6] Formulário de Referência 2017 – Sabesp
[7] Formulário de Referência 2017 – BRF S.A.
[8] Formulário de Referência 2017 – Lojas Renner
[9] KMENTA, JAN – Elements of Econometrics
[10] http://comunica.energiaeambiente.org.br/ - Portal do Instituto de Energia em Meio
Ambiente – Acesso em 15/12/2018
[11] CVM – Mercado de Valores Mobiliários Brasileiro – 2014
[12] FRANCO DE ABREU FILHO, JOSÉ CARLOS; PEREIRA DE SOUZA, CRISTOVÃO;
AMERIO GONÇALVES, DANILO; QUINTELLA CURY, MARCUS VINICIUS – Finanças
Corporativas (FGV Management)
[13] BREALEY, RICHARD – Princípios de Finanças Corporativas
[14] DAVISON, MATT – Quantitative Finance: A Simulation-Based Introduction Using Excel