Este documento apresenta uma abordagem bayesiana para estimar os parâmetros do modelo CAPM para ações de companhias de seguro no Brasil. O autor estima os parâmetros α, β e γ do modelo CAPM usando dados de 2012-2013 de ações da Porto Seguros e Sul América, juntamente com taxas de juros livres de risco e índice de mercado. Os resultados sugerem que a abordagem bayesiana produz estimativas consistentes com o modelo CAPM clássico.
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
CAPM bayesiano para ações de seguradoras no Brasil
1. ESTIMAÇÃO DOS RETORNOS DAS AÇÕES DE
COMPANHIAS DE SEGURO NO BRASIL: UMA
ABORDAGEM BAYESIANA DO MODELO CAPM
Aluno: Paulo Bragança
Orientador: Leandro Ferreira
Coorientador: Marçal Serafim
2. Introdução
Importância dos modelos de precificação de
ativos.
O Modelo CAPM:
Wiliam Sharpe (1964)
Robert Lucas (1978)
Estrada, J. (2001)
3. Objetivo
CAPM Original (Sharpe, 1964):
Ri - RF = β(RM – RF)
Parâmetro β:
Parâmetro escalar encontrado por métodos
determinísticos.
Objetivo:
Usar inferência Bayesiana para transformar em variável
aleatória o parâmetro β do modelo CAPM
4. O Modelo CAPM
Estudar o modelo CAPM implica em estudar escolhas
de um individuo ao montar sua carteira de ativos.
Equação do Modelo:
Ri - RF = β(RM – RF)
5. Sharpe considerava que o modelo funcionava sem
interferências externas e que o mercado seguia as
ideias apresentadas por Adam Smith.
Jensen (1968) admitiu que poderia haver
interferências externas ao modelo e propôs um ajuste
para tornar o CAPM mais real.
Ri - RF = α + β(RM – RF)
Alfa de Jensen
6. Aplicação Bayesiana em Finanças
Jacquier & Polson (2010) – Arbitrage Pricing Model
(ATP)
Moraes & Pimentel (2007) – CAPM
Paul Davies (2006) – C-CAPM
7. Histórico:
Antes de 1960: Problemas com integrações
matemáticas devido à atrasos tecnológicos;
1960 à 1990: Trabalhos teóricos (Jeffreys, 1961);
A partir de 1990: Alternativa para o problema das
integrações (Gelfan & Smith,1990 – Algoritmo de Gibbs
Sampler).
Metodologia bayesiana:
Função verossimilhança
Prioris
Posteriori
Inferência Bayesiana
9. Métodos de Simulação
Método de Monte Carlo via Cadeias de Markov
Algoritmo de Metropolis-Hastings
Amostrador de Gibbs
10. Metodologia
Modelo Utilizado:
Ri – RF = α + β(RM – RF) + γS
Variáveis do modelo:
Ri é o retorno esperado do ativo analisado;
RF é o retorno esperado do ativo livre de risco;
RM é o retorno esperado do mercado;
S é a sinistralidade das seguradoras;
α é a interferência externa ao modelo;
β é o risco inerente ao ativo analisado.
γ é a interferência da sinistralidade no modelo.
12. Tipos de Dados
Retornos:
Ações da Porto Seguros S.A. (PSSA3) - (2012-2013)
Ações da Sul América S.A. (SULA11) - (2012-2013)
Sinistralidade:
Porto Seguros S.A. - (2012-2013)
Sul América S.A. - (2012-2013)
Taxa livre de risco e retorno do mercado:
SELIC - (2012-2013)
Índice BOVESPA - (2012-2013)
13. Algoritmo MCMC
Softwares:
R (DEVELOPMENT CORE TEAM, 2014)
Winbugs
120.000 iterações
Burn-in de 50%
Thin de 6
14. Resultados
CAPM Clássico sem sinistralidade:
CAPM clássico considerando sinistralidade:
Nível de significância de 5%
Ativo α β R²
Sul América 0,0135n.s
1,0013* 99,82
Porto Seguros 0,0738n.s
1,0093* 99,95
Ativo α β γ R²
Sul América 0,4042n.s.
0,9979* -0,4731n.s.
99,84
Porto Seguros 0,1058n.s.
1,0087* -0,0759n.s.
99,96
15. Resultados
Modelos Bayesianos:
Nível de significância de 5%.
Ativo α β γ
Modelo
Bayesiano 1
Sul América 0,4056n.s.
0,99979* -0,4745n.s.
Porto Seguros 0,11062n.s.
1,009* -0,0764n.s.
Modelo
Bayesiano 2
Sul América 0,3197n.s.
0,9974* -0,3813n.s.
Porto Seguros 0,1035n.s.
1,008* -0,0764n.s.
Modelo
Bayesiano 3
Sul América 0,3201n.s.
0,9981* -0,4731n.s.
Porto Seguros 0,1058n.s.
1,0086* -0,0758n.s.