Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional do FGV (FGV Repositório Digital) |
Texto Completo: | http://hdl.handle.net/10438/25871 |
Resumo: | Muitos estudos procuram relacionar dividendos com retornos futuros no mercado acionário. Campbell e Shiller em 1988 e Vuoltenahoo em 1999, fundamentam modelos que, de formas distintas, a variável dividendos é levada em consideração. No entanto, ambos os modelos, partem de premissas de estacionaridade em suas variáveis, o que é questionável do ponto de vista empírico. Em 2010 um novo modelo é proposto, o Modelo de Cointegração Loglinear (MCLL) por Jiang e Lee que, se baseia nos dois modelos citados anteriormente, mas pressupõe que premissas de estacionaridade, podem ser melhor fundamentadas através da cointegração entre as variáveis Dividend Yield e Book-to-Market Ratio, além de, apresentar um poder preditivo melhor do que os modelos predecessores. A proposta deste trabalho é adaptar este modelo ao mercado brasileiro, com o propósito de verificar se este tem, não só algum poder preditivo, mas também verificar se é um modelo melhor do que aqueles em que se baseia. Dois horizontes amostrais (médias móveis e trimestral) e duas ponderações (equal weighted e value weighted) foram feitas, com a finalidade de minimizar problemas de tamanho da amostra e sazonalidade na política de dividendos. Os resultados das regressões (In the sample) no horizonte amostral trimestral apresentaram, maior significância estatística, principalmente para os modelos de Voultenahoo e o MCLL. Além disso, para as regressões um passo à frente (Out-of-the-sample), os resultados do teste de Diebold-Mariano, no mesmo horizonte amostral, evidenciaram superioridade do MCLL em quase todas as comparações feitas. No entanto, apesar dos resultados apresentados, uma conclusão definitiva é no mínimo precipitada, uma vez que 1) para alguns testes realizados, especificamente naqueles em que ajustes mitigadores foram feitos, como o caso da ponderação de médias móveis, os resultados foram piores e 2), o MCLL apresentou resultados semelhantes aos outros modelos em parte dos testes. |
id |
FGV_02f980b45024536a50a97b495076750a |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/25871 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Ferro, Adalberto dos SantosEscolas::EESPSampaio, Joelson OliveiraRidolfo Neto, ArthurRochman, Ricardo Ratner2019-01-14T14:20:50Z2019-01-14T14:20:50Z2018-12-13http://hdl.handle.net/10438/25871Muitos estudos procuram relacionar dividendos com retornos futuros no mercado acionário. Campbell e Shiller em 1988 e Vuoltenahoo em 1999, fundamentam modelos que, de formas distintas, a variável dividendos é levada em consideração. No entanto, ambos os modelos, partem de premissas de estacionaridade em suas variáveis, o que é questionável do ponto de vista empírico. Em 2010 um novo modelo é proposto, o Modelo de Cointegração Loglinear (MCLL) por Jiang e Lee que, se baseia nos dois modelos citados anteriormente, mas pressupõe que premissas de estacionaridade, podem ser melhor fundamentadas através da cointegração entre as variáveis Dividend Yield e Book-to-Market Ratio, além de, apresentar um poder preditivo melhor do que os modelos predecessores. A proposta deste trabalho é adaptar este modelo ao mercado brasileiro, com o propósito de verificar se este tem, não só algum poder preditivo, mas também verificar se é um modelo melhor do que aqueles em que se baseia. Dois horizontes amostrais (médias móveis e trimestral) e duas ponderações (equal weighted e value weighted) foram feitas, com a finalidade de minimizar problemas de tamanho da amostra e sazonalidade na política de dividendos. Os resultados das regressões (In the sample) no horizonte amostral trimestral apresentaram, maior significância estatística, principalmente para os modelos de Voultenahoo e o MCLL. Além disso, para as regressões um passo à frente (Out-of-the-sample), os resultados do teste de Diebold-Mariano, no mesmo horizonte amostral, evidenciaram superioridade do MCLL em quase todas as comparações feitas. No entanto, apesar dos resultados apresentados, uma conclusão definitiva é no mínimo precipitada, uma vez que 1) para alguns testes realizados, especificamente naqueles em que ajustes mitigadores foram feitos, como o caso da ponderação de médias móveis, os resultados foram piores e 2), o MCLL apresentou resultados semelhantes aos outros modelos em parte dos testes.Many studies seek to relate dividends to stock market excess returns. Campbell and Shiller in 1988 and Vuoltenahoo in 1999, grounded models, in which, in distinct ways, the dividends is, take in consideration. However, both models, assume stationarity premises that is at least, controversial based on empirical evidence. In 2010, a new model is proposed, Loglinear Cointegration Model (LLCM) by Jiang and Lee that is based on the two models mentioned above, but presupposes that stationarity premises can be better grounded through the cointegration between Dividend Yield and Book-to-Market Ratio, besides to have a predictive power better than the predecessors’ models. The purpose of this paper is to adapt this model to the Brazilian market aiming to verifying if it has not only some predictive power but, also to verify if it really is a better model than those on which it is based. Two sample horizons (Moving Average and Quarterly) and two ponderations (Value-Weighted and Equal-Weighted) were made in order to minimize problems related to the sample’s size and seasonality from the dividends policy. The results for the regressions In the Sample in the quarterly horizon presented greater statistical significance than the results from the moving average horizon. In addition, for regressions Out of the Sample, the Diebold-Mariano test results, in the same sample horizon, presented LLCM superior in almost all comparisons made. However, in spite of the results presented, a definitive conclusion is at least hasty, since 1) for some tests carried out, specifically in those in which mitigating adjustments were made, such as the case of moving averages, the results are worst and 2) LLCM presented similar results to other models in part of the tests made.porDividendosAçõesPreçoPrevisãoEconomiaDividendosAções (Finanças) - Preços - PrevisãoMercado de capitais - BrasilPoder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiroinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVTEXTDissertação_Mestrado.Adalberto Ferro.pdf.txtDissertação_Mestrado.Adalberto Ferro.pdf.txtExtracted texttext/plain104455https://repositorio.fgv.br/bitstreams/de42c53b-a5cb-4f5a-92fb-c490b0d262de/download3dbeb2ce94600e88c9df41f366dc3dc7MD56LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/25a33c91-bb35-4c36-97c5-2d717cf0773a/downloaddfb340242cced38a6cca06c627998fa1MD52ORIGINALDissertação_Mestrado.Adalberto Ferro.pdfDissertação_Mestrado.Adalberto Ferro.pdfPDFapplication/pdf1418038https://repositorio.fgv.br/bitstreams/f53b84fd-edbd-4bd1-9d3c-3f43c8beb013/downloadac1e785114e13a54699137d7bdc428d0MD53THUMBNAILDissertação_Mestrado.Adalberto Ferro.pdf.jpgDissertação_Mestrado.Adalberto Ferro.pdf.jpgGenerated Thumbnailimage/jpeg2494https://repositorio.fgv.br/bitstreams/ebf7f02f-a14a-4359-9d9b-09435e8b5cb9/download74700c6eb9207ec4a29c804a36ed3075MD5710438/258712023-11-26 08:09:30.555open.accessoai:repositorio.fgv.br:10438/25871https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-26T08:09:30Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.por.fl_str_mv |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
title |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
spellingShingle |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro Ferro, Adalberto dos Santos Dividendos Ações Preço Previsão Economia Dividendos Ações (Finanças) - Preços - Previsão Mercado de capitais - Brasil |
title_short |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
title_full |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
title_fullStr |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
title_full_unstemmed |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
title_sort |
Poder dos dividendos para predição dos preços das ações: modelos aplicados ao mercado brasileiro |
author |
Ferro, Adalberto dos Santos |
author_facet |
Ferro, Adalberto dos Santos |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EESP |
dc.contributor.member.none.fl_str_mv |
Sampaio, Joelson Oliveira Ridolfo Neto, Arthur |
dc.contributor.author.fl_str_mv |
Ferro, Adalberto dos Santos |
dc.contributor.advisor1.fl_str_mv |
Rochman, Ricardo Ratner |
contributor_str_mv |
Rochman, Ricardo Ratner |
dc.subject.por.fl_str_mv |
Dividendos Ações Preço Previsão |
topic |
Dividendos Ações Preço Previsão Economia Dividendos Ações (Finanças) - Preços - Previsão Mercado de capitais - Brasil |
dc.subject.area.por.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Dividendos Ações (Finanças) - Preços - Previsão Mercado de capitais - Brasil |
description |
Muitos estudos procuram relacionar dividendos com retornos futuros no mercado acionário. Campbell e Shiller em 1988 e Vuoltenahoo em 1999, fundamentam modelos que, de formas distintas, a variável dividendos é levada em consideração. No entanto, ambos os modelos, partem de premissas de estacionaridade em suas variáveis, o que é questionável do ponto de vista empírico. Em 2010 um novo modelo é proposto, o Modelo de Cointegração Loglinear (MCLL) por Jiang e Lee que, se baseia nos dois modelos citados anteriormente, mas pressupõe que premissas de estacionaridade, podem ser melhor fundamentadas através da cointegração entre as variáveis Dividend Yield e Book-to-Market Ratio, além de, apresentar um poder preditivo melhor do que os modelos predecessores. A proposta deste trabalho é adaptar este modelo ao mercado brasileiro, com o propósito de verificar se este tem, não só algum poder preditivo, mas também verificar se é um modelo melhor do que aqueles em que se baseia. Dois horizontes amostrais (médias móveis e trimestral) e duas ponderações (equal weighted e value weighted) foram feitas, com a finalidade de minimizar problemas de tamanho da amostra e sazonalidade na política de dividendos. Os resultados das regressões (In the sample) no horizonte amostral trimestral apresentaram, maior significância estatística, principalmente para os modelos de Voultenahoo e o MCLL. Além disso, para as regressões um passo à frente (Out-of-the-sample), os resultados do teste de Diebold-Mariano, no mesmo horizonte amostral, evidenciaram superioridade do MCLL em quase todas as comparações feitas. No entanto, apesar dos resultados apresentados, uma conclusão definitiva é no mínimo precipitada, uma vez que 1) para alguns testes realizados, especificamente naqueles em que ajustes mitigadores foram feitos, como o caso da ponderação de médias móveis, os resultados foram piores e 2), o MCLL apresentou resultados semelhantes aos outros modelos em parte dos testes. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-12-13 |
dc.date.accessioned.fl_str_mv |
2019-01-14T14:20:50Z |
dc.date.available.fl_str_mv |
2019-01-14T14:20:50Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10438/25871 |
url |
http://hdl.handle.net/10438/25871 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
instname_str |
Fundação Getulio Vargas (FGV) |
instacron_str |
FGV |
institution |
FGV |
reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/de42c53b-a5cb-4f5a-92fb-c490b0d262de/download https://repositorio.fgv.br/bitstreams/25a33c91-bb35-4c36-97c5-2d717cf0773a/download https://repositorio.fgv.br/bitstreams/f53b84fd-edbd-4bd1-9d3c-3f43c8beb013/download https://repositorio.fgv.br/bitstreams/ebf7f02f-a14a-4359-9d9b-09435e8b5cb9/download |
bitstream.checksum.fl_str_mv |
3dbeb2ce94600e88c9df41f366dc3dc7 dfb340242cced38a6cca06c627998fa1 ac1e785114e13a54699137d7bdc428d0 74700c6eb9207ec4a29c804a36ed3075 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
repository.mail.fl_str_mv |
|
_version_ |
1810023734734487552 |