Upload
dangphuc
View
213
Download
0
Embed Size (px)
Citation preview
FACULDADE DE ECONOMIA E FINANÇAS IBMEC PROGRAMA DE PÓS-GRADUAÇÃO E PESQUISA EM
ADMINISTRAÇÃO E ECONOMIA
DISSERTAÇÃO DE MESTRADO PROFISSIONALIZANTE EM ECONOMIA
“Avaliação da efetividade na utilização de indicadores de análise técnica”
Emerson Tizziani
ORIENTADOR: Dr. José Valentim Machado Vicente
Rio de Janeiro, 12 de julho de 2012.
“AVALIAÇÃO DA EFETIVIDADE NA UTILIZAÇÃO DE INDICAD ORES DE ANÁLISE TÉCNICA”
EMERSON TIZZIANI
Dissertação apresentada ao curso de Mestrado Profissionalizante em Economia como requisito parcial para obtenção do Grau de Mestre em Economia. Área de Concentração: Finanças
ORIENTADOR: Dr. José Valentim Machado Vicente
Rio de Janeiro, 12 de julho de 2012.
“AVALIAÇÃO DA EFETIVIDADE NA UTILIZAÇÃO DE INDICADO RES DE ANÁLISE TÉCNICA”
EMERSON TIZZIANI
Dissertação apresentada ao curso de Mestrado Profissionalizante em Economia como requisito parcial para obtenção do Grau de Mestre em Economia. Área de Concentração: Finanças
Avaliação:
BANCA EXAMINADORA:
_____________________________________________________
Professor: Dr. José Valentim Machado Vicente (Orientador) Instituição: IBMEC _____________________________________________________
Professor: Dr. Claudio Henrique da Silveira Barbedo Instituição: IBMEC _____________________________________________________
Professor: Dr. Gustavo Silva Araújo Instituição: Banco Central do Brasil
Rio de Janeiro, 12 de julho de 2012.
FICHA CATALOGRÁFICA Prezado aluno (a), Por favor, envie os dados abaixo assim que estiver com a versão definitiva, ou seja, quando não faltar mais nenhuma alteração a ser feita para o e-mail [email protected], colocando no assunto: FICHA CATALOGRÁFICA - MESTRADO. Enviaremos a ficha catalográfica o mais breve possível para o seu e-mail (se possível em até 72 horas). 1) Emerson Tizziani; 2) Avaliação da efetividade na utilização de indicadores técnicos de análise técnica; 3) 2012; 4) Finanças; 5) Teste de indicadores de análise técnica no período de 1995 à 2011 para o os 6 ativos mais líquidos da BOVESPA e o índice IBOVESPA; 6) Assuntos secundários; 7) análise técnica, estocástico lento, MACD, índice de força relativa, bollinger band’s; 8) Resumo (se possível) 9) Mestrado profissionalizante em Economia. Ou envie os anexos contendo a página de rosto e a do resumo, além da área de concentração.
vi
AGRADECIMENTOS
Obrigado pai, mãe, irmão, namorada, a paciência inesgotável do meu orientador, aos colegas
de trabalho e ao empréstimo de seus computadores.
vii
RESUMO
Este trabalho tem como objetivo avaliar se o uso de indicadores de análise técnica possibilita
ganhos superiores à estratégia buy and hold quando utilizados para geração de sinais de
compra e venda nas séries de preço dos seis ativos mais líquidos negociados na
BMF&Bovespa e o índice IBOVESPA. Foram testados os indicadores Estocástico Lento,
Índice de Força Relativa, MACD e Bollinger Band’s durante o período de 1997 à 2011. Os
indicadores tiveram seus parâmetros otimizados em um período de 24 meses e foram testados
em um período, fora da amostra, de 12 meses. Os resultados indicam que não é possível obter
ganhos superiores à estratégia de buy and hold com a utilização de indicadores técnicos, de
forma consistente e generalizada, o que está de acordo com a hipótese de eficiência de
mercado em sua forma fraca.
Palavras Chave: análise técnica, estocástico lento, MACD, índice de força relativa, bollinger
band’s.
viii
ABSTRACT
This dissertation has the purpose of evaluation the performance of some technical analysis
indicators over a buy and hold strategy. The indicators used to generate buy and sell signals
based on the price series of the six most active stocks in the BMF&Bovespa stock exchange
and the Ibovespa index. The technical indicators studied were Slow Stochastic, Relative
Strength Index, MACD and Bollinger Band’s and they were tested during the period between
1997 and 2011. The indicators’ parameters were optimized using a period of 24 months, and
tested in a period out-of-sample of 12 months. The results indicate that it is not possible to
archive profits above a buy and hold strategy using technical analysis, in a consistent and
generalized way. This is aligned with the Efficient Market Hypothesis in its weak form.
Key Words: technical analysis, slow stochastic, MACD, relative strength index, bollinger
band’s.
ix
LISTA DE FIGURAS
Figura 1 - Representação gráfica do processo de teste fora da amostra ................................... 18
x
LISTA DE TABELAS
Tabela 1 - Combinações dos parâmetros de cada indicador ..................................................... 15 Tabela 2 - Estatística descritiva dos ativos estudados .............................................................. 22 Tabela 3 - Rentabilidade anual dos ativos estudados ............................................................... 23 Tabela 4 - Valor final das carteiras simuladas por ativo e indicador ....................................... 24 Tabela 5 - Número de operações e duração média em dias por operação ................................ 25 Tabela 6 - Número de dias dentro e fora do mercado .............................................................. 26 Tabela 7 - Índice de Sharpe das carteiras ................................................................................. 27
xi
SUMÁRIO
1 INTRODUÇÃO ...................................................................................................... 1
2 METODOLOGIA ....................................... ............................................................. 8
2.1 SISTEMAS TÉCNICOS DE NEGOCIAÇÃO .......................................................................................... 9
2.2 INDICADORES TÉCNICOS E ESTRATÉGIAS UTILIZADAS...... ................................................... 10
2.3 TESTE FORA DA AMOSTRA ................................................................................................................ 16
2.4 CONSIDERAÇÕES SOBRE O PROCESSO DE COMPRA E VENDA ............................................. 19
3 DADOS ................................................................................................................ 21
4 RESULTADOS .................................................................................................... 24
5 CONCLUSÃO ...................................................................................................... 30
REFERÊNCIAS BIBLIOGRÁFICAS .......................................................................... 32
APÊNDICE A ............................................................................................................. 34
APÊNDICE B ............................................................................................................. 38
1
1 INTRODUÇÃO
O mercado acionário brasileiro vem crescendo consistentemente em volume financeiro nos
últimos anos. Segundo informações divulgadas no site da BMF&Bovespa, em 2001 o volume
médio diário, somente das operações no mercado à vista da Bovespa, era de R$ 552,5
milhões/dia; 10 anos depois, em 2011, este montante já alcançava R$ 6,1 bilhões/dia. Isto
demonstra a força com que este mercado vem se desenvolvendo. Mesmo com esta expansão
expressiva, a participação dos investidores do segmento pessoa física manteve-se estável: em
2001 detinha 21,7% do volume total e em 2011 este número ficou inalterado, apesar das
variações de participação nos últimos 10 anos. O fato é que, em volume financeiro, os
investimentos do segmento de pessoa física em ações aumentaram mais de 10 vezes no
período (BMF&BOVESPA, 2012).
Esta expansão do mercado de ações brasileiro, com o aumento concomitante no volume de
operações de pessoa física, é uma das justificativas para o estudo da efetividade na utilização
de indicadores de análise técnica. Decisões de compra e venda podem ser motivadas por
análises fundamentalistas, onde aspectos relacionados à “saúde” da empresa, ao mercado onde
ela atua, às previsões de expansão, ao investimento, à gestão e tantos outros são considerados.
As motivações também podem ser de fundo psicológico e social, como estudado em finanças
comportamentais onde a literatura utiliza-se de explicações behavioristas para explicar ganhos
econômicos.
2
As decisões de investimento em ações podem, ainda, utilizar estudos dos padrões de
comportamento dos preços no passado na esperança que estes padrões se repitam no futuro.
Em linhas gerais, isto é a base do que conhecemos hoje por análise técnica.
Esta dissertação busca testar a eficiência de alguns modelos de análise técnica através da
aplicação de indicadores técnicos na geração de sinais de compra e venda para as seis ações
mais líquidas da BMF&Bovespa e o índice Ibovespa no período de 1997 a 2011.
Desde a criação da Teoria Dow, resultado de uma série de artigos publicados por Charles
Henry Dow no The Wall Street Journal entre 1900 e 1902, e talvez um dos precursores dos
modelos de análise técnica modernos, este conjunto de ferramentas têm sido usado, com
maior ou menor peso, para orientar as decisões de compra e venda nos mais diversos
mercados, incluindo ações, derivativos, commodities, seja entre pessoas físicas ou entre
gestores profissionais de carteiras.
Os modelos de análise técnica têm se difundido, nos últimos anos, devido ao aumento da
velocidade (da disponibilidade de conexões de Internet e do poder de processamento dos
computadores); à expansão dos sistemas de cotação online e das plataformas de operação
eletrônicas; à facilidade na manipulação e à disponibilidade de bases de dados de preços de
praticamente todos os ativos negociados no mundo; além da baixa complexidade matemática
dos modelos de análise técnica, algumas vezes derivados apenas da formação de “figuras”,
fruto da variação de preços dos ativos, como ombro-cabeça-obro, triângulos, flâmulas,
morning star ou simples diferenças de médias móveis.
Segundo Ferreira (2009), os modelos de análise técnica podem ser divididos basicamente em
dois grupos: análise gráfica e sistemas técnicos de negociação (technical trading systems). No
3
primeiro grupo, o analista procura identificar figuras pré-determinadas formadas pela
movimentação dos preços dos ativos para indicar um sinal de compra ou venda, assim como,
o tamanho potencial do movimento seguinte, o que traz um alto grau de subjetividade na
análise. No segundo grupo, o analista utiliza de regras mecânicas para gerar os sinais de
compra e venda, na maioria das vezes através de indicadores técnicos.
Os sistemas técnicos de negociação não apresentam grandes barreiras de entrada à sua
aplicação. Isso faz com que o investidor iniciante fique tentado a utilizar indicadores técnicos,
como o IFR1 ou o MACD2, ao invés de investir no aprendizado das especificidades da análise
fundamentalista, onde o entendimento sobre demonstrações contábeis, projeções setoriais e
macroeconômicas, taxas de desconto, risco e todo um arcabouço econômico-financeiro-
contábil, o que, a primeira vista, indica um caminho muito mais custoso.
Os modelos de análise técnica se fundamentam basicamente na premissa de que o passado se
repete e que formações e comportamentos que ocorreram nos preços se repetirão no futuro.
Qual seja: estes modelos procuram padrões recorrentes nos preços das ações, como
apresentado por Minardi (2004). No entanto, esta teoria contraria a hipótese de eficiência do
mercado, proposta por Fama (1970), onde se afirma que os preços dos ativos refletem todas as
informações relevantes disponíveis sobre ele em um determinado momento. Logo, não
haveria nenhuma informação sobre a movimentação futura do preço do ativo na série histórica
de preços, e o melhor indicativo do preço de amanhã é o preço de hoje, o que não deixaria
nenhuma oportunidade para o investidor obter lucros anormais de forma consistente.
1 IFR – Índice de Força Relativa é um indicador técnico que mede a razão entre ganhos e perdas, em pontos, do ativo em um determinado período. 2 MACD – Convergência-Divergência de Média Móveis é um indicador técnico calculado pela diferença de médias móveis exponenciais do preço de fechamento usando períodos distintos.
4
Com a análise gráfica, Minardi (2004) identifica alguma previsibilidade em dados de preços
passados no mercado brasileiro, o que seria contrário à teoria do passeio aleatório. Minardi
(2004) afirma ainda que os resultados encontrados levam a crer que as premissas que
sustentam as técnicas de análise gráfica não podem ser refutadas de maneira tão enfática.
Boainain e Pereira (2009), testam uma formação de análise gráfica conhecida como ombro-
cabeça-ombro, replicando para o mercado brasileiro um estudo realizado por Osler e Chang
(1995). Concluíram que os padrões gráficos estudados têm poder de previsão no mercado de
ações brasileiro, e conseguiram capturar padrões recorrentes utilizando apenas as informações
históricas de preços.
Já Saffi (2003) mostra que, considerando medidas específicas de performance, os indicadores
técnicos não conseguem de forma consistente gerar retornos superiores e não devem ser
utilizados para auxiliar as decisões de investimento. Por sua vez Vidotto et al. (2009),
demonstram que o MACD é uma ferramenta eficaz para compra e venda de ações, seu estudo
deste indicador técnico testou 5 empresas do mercado brasileiro durante o ano de 2006.
Baptista e Pereira (2008) avaliam a performance de alguns sistemas técnicos de negociação,
usando um conjunto de regras, filtros, médias móveis, níveis de suporte e resistência e canais,
aplicados ao mercado intradiário do contrato de Ibovespa futuro. O estudo aponta a
possibilidade de ganhos; no entanto, os autores advertem quanto a grande sensibilidade dos
resultados aos custos de corretagem. E, recentemente, Guimarães et al. (2011) também aponta
para resultados positivos na utilização de indicadores técnicos entre 2008 e 2010, quando
aplicados aos minicontratos futuros do Ibovespa, indicando que este ativo não apresentou a
forma fraca de eficiência de mercado neste período. Por outro lado, Sachetim (2006), compara
5
a performance de indicadores técnicos com a estratégia de buy and hold3, concluindo que é
irrealista acreditar que a utilização de um único indicador de técnico possa trazer retornos
anormais, o que estaria de acordo com a hipótese de mercado eficiente em sua forma fraca.
Sachetim (2006) utilizou como indicadores técnicos o Bollinger Band’s, a média móvel
exponencial, o MACD, o ROC, o IFR e o estocástico lento no período de 1995 a 2005.
Malavoglia (2009) avalia ainda o comportamento dos índices das dez maiores bolsas de
valores do mundo no período de junho de 1999 a junho 2009, com o objetivo de testar a
existência da memória longa ou de um passeio aleatório, usando o cálculo do expoente de
Hust. Malavoglia (2009) conclui que o comportamento dos índices analisados apresenta fortes
indícios de presença de memória longa.
São vários argumentos e estudos contra e a favor dos conceitos e aplicações dos modelos de
análise técnica, seja com análise gráfica, seja com sistemas técnicos de negociação. No
entanto, é inegável que, funcionando ou não, estes modelos estão presentes na maioria dos
terminais de corretoras de valores e em quase todas as plataformas eletrônicas de negociação
do mundo.
Este trabalho, basicamente, irá testar a utilização de sistemas técnicos de negociação através
da aplicação de quatro indicadores técnicos a seis dos ativos mais líquidos negociados na
BMF&Bovespa no período de 1997 a 2011 e ao índice Ibovespa. Utilizaremos um período
inicial, dentro da amostra, de 24 meses de cotações para otimizar os parâmetros de cada
indicador para cada ativo, depois deixaremos o indicador funcionar com estes parâmetros por
um período de 12 meses à frente, fora da amostra, computaremos os sinais de compra e venda,
retiraremos os 12 meses mais antigos da base utilizada para otimização e incluiremos um
3 Estratégia de comprar o ativo e mantê-lo até o final do período em análise.
6
novo período de 12 meses, rodaremos a otimização novamente e simularemos as operações
com o indicador nos 12 meses à frente. Repetiremos este processo até o final da base de
cotações.
Este procedimento de reservar um período que não foi usado na otimização foi utilizado por
Colby (2003) para testar a performance de indicadores técnicos e sugerido também por Katz e
Mccormick (2000). Foi usado por Guimarães et al. (2011) em sua análise de operações dos
minicontratos futuros do Ibovespa utilizando indicadores técnicos. Sua aplicação visa
diminuir os efeitos de data-snooping4 na análise de performance dos modelos de análise
técnica.
Iniciamos os testes dos indicadores técnicos com uma carteira de R$ 1 milhão para cada par
de indicador e ativo. Aplicamos integralmente este valor na compra do ativo quando ocorre o
sinal de compra. Não são permitidas operações de venda a descoberto. Quando a carteira não
estiver comprada, aplicamos todos os recursos em CDI. As taxas de corretagem e
emolumentos são consideradas em todos os testes. As diferenças entre os valores das ofertas
de compra (bid) e venda (ask) não foram consideradas.
Cada indicador técnico gerou sinais de compra e venda individualmente para cada ativo, o que
resultou em 28 carteiras (quatro indicadores x sete ativos). O resultado de cada uma dessas
carteiras foi comparado com a estratégia buy and hold. O Índice de Sharpe (SHARPE, 1966)
da carteira foi usado para se comparar os resultados, considerando a relação risco x retorno à
estratégia da carteira de benchmark, buy and hold.
4 O data-snooping ocorre quando um conjunto de dados é utilizado mais de uma vez com o objetivo de se inferir algo ou selecionar um modelo explicativo.
7
Os resultados apontam que, em alguns casos, a utilização de indicadores técnicos pode
resultar em ganhos superiores à estratégia de benchmark. Das 28 carteiras analisadas, sete
obtiveram retornos superiores, e apenas cinco com o Índice de Sharpe favorável às estratégias
utilizando indicadores técnicos.
Nenhum dos quatro indicadores técnicos estudados conseguiu superar a estratégia buy and
hold para os ativos IBOVESPA e VALE5, o que poderia sugerir que a hipótese de eficiência
de mercado, em sua forma fraca, seria verdadeira para estes ativos.
As carteiras dos ativos PETR4, ITUB4, BBDC4 e USIM5 obtiveram retornos superiores à
estratégia de benchmark em ao menos um indicador técnico, e quando avaliadas pelo Índice
de Sharpe, somente USIM5 teve resultados inferiores à carteira buy and hold.
A carteira do ativo GGBR4 não apresentou resultado superior à carteira de benchmark. No
entanto, obteve um Índice de Sharpe superior à estratégia de buy and hold para o indicador
técnico MACD.
8
2 METODOLOGIA
A teoria de eficiência de mercado (FAMA, 1970) surge com o conceito de que todas as
informações relevantes são incorporadas de forma imediata aos preços dos ativos.
Ainda segundo esta teoria existem três formas da Hipótese de Eficiência do Mercado:
• Na hipótese em sua forma fraca, todas as informações públicas passadas estão
refletidas nos preços;
• Na hipótese em sua forma semiforte os preços contêm todas as informações públicas
passadas e reagem imediatamente às novas informações públicas;
• Na hipótese em sua forma forte, os preços além de incorporarem todas as informações
públicas passadas, também incorporam imediatamente as novas informações públicas
e não públicas (insider information). Desta forma nem mesmo inside traders
conseguiriam obter excesso de retornos de forma consistente.
Este estudo baseia-se na hipótese de mercado em sua forma fraca, que segundo Ross et al.
(2002), é o tipo menos exigente de eficiência, pois os preços históricos são o conjunto de
informações mais fáceis de se adquirir sobre um ativo. Isto quer dizer que se esta teoria
estiver correta e for aplicável ao mercado brasileiro, qualquer tentativa em se usar dados
históricos dos preços dos ativos para se obter ganhos futuros consistentemente será inútil, pois
todos os integrantes do mercado dispõem destas informações.
9
A hipótese de eficiência de mercado em sua forma fraca afirma ainda que no longo prazo
nenhum excesso de retorno pode ser alcançado ao se utilizar estratégias baseadas nos preços
históricos dos ativos. Com base nesta afirmação, nenhuma estratégia utilizando mecanismos
ou modelos de análise técnica poderia teoricamente obter excessos de retorno no longo prazo.
2.1 SISTEMAS TÉCNICOS DE NEGOCIAÇÃO
Nos sistemas técnicos de negociação geralmente são utilizados indicadores técnicos para a
geração objetiva e mecânica de sinais de compra e venda. Estes indicadores podem ser
agrupados basicamente em indicadores de tendência, momento, volatilidade e volume.
Indicadores de tendência são usados para captar a direção de uma tendência. São muito
difundidos entre os analistas que utilizam os modelos de análise técnica e basicamente são
compostos por alguma relação entre médias móveis. Alguns exemplos são: Convergência e
Divergência de Médias Móveis (MACD), Cruzamento de Médias Móveis, TRIX e Parabolic
SAR.
Indicadores de momento ou de força são usados para captar a força ou velocidade dos
movimentos dos preços e são aplicados para identificar a mudança de direção de uma
tendência. Normalmente são calculados como osciladores que variam entre posições sobre-
compradas (overbought) e sobre-vendidas (oversold). Alguns exemplos são o Índice de Força
Relativa (IFR), o CCI e o Estocástico Lento.
Indicadores de volatilidade são usados para captar alterações na volatilidade dos ativos, o que
normalmente leva a uma mudança no preço do ativo. Alguns exemplos são o ATR, Bollinger
Band’s e os envelopes de volatilidade.
10
Indicadores de volume são usados para captar as variações nos volumes das transações dos
ativos. Estes indicadores podem ser usados para confirmar a direção de uma tendência ou de
um sinal de mudança de patamar no preço de negociação do ativo (breakout). Alguns
exemplos são Chaikin, Demand Index e OBV.
2.2 INDICADORES TÉCNICOS E ESTRATÉGIAS UTILIZADAS
Neste estudo, os indicadores técnicos escolhidos foram: o Estocástico Lento (momento), o
Índice de Força Relativa (momento), o MACD (tendência) e o Bollinger Band’s
(volatilidade). Todos eles já foram utilizados em estudos anteriores, possuem baixa
complexidade matemática, são normalmente encontrados em quase todas as plataformas de
negociação e bases de dados como o economática, e sua utilização é amplamente difundida
entre os analistas que fazem uso dos modelos de análise técnica.
O Estocástico Lento é um indicador técnico de momento utilizado em Saffi (2003), que
compara o preço atual com a faixa de variação do preço em um determinado período como
destacado em Achelis (1995). Possui na sua forma lenta, quatro parâmetros que podem ser
otimizados: o período T para cálculo do estocástico %K, o período D utilizado para cálculo da
média móvel de %K, chamada de linha %D e as linhas de gatilho superior (GS) e inferior
(GI). Foi utilizada a forma simples para cálculo da média móvel.
dias T últimos nosmáxima da Valor
dias T últimos nosmínima da Valor
tem fechamento deValor
:,)(
)(%
==
=
−−=
T
T
t
TT
Tt
Máxima
Mínima
Fechamento
ondeMínimaMáxima
MínimaFechamentoK
11
dias Dde simples móvelMédia
:),(%%
=
=
D
D
MMS
ondeKMMSD
O sinal de compra é gerado quando a linha %D cruza a linha GI de baixo para cima
(oversold). E o sinal de venda quando a linha %D cruza a linha GS de cima para baixo
(overbought).
Os parâmetros foram otimizados da seguinte forma:
• T – 2 a 100 de 3 em 3;
• D – 3 a 10 de 1 em 1;
• GS – 70 a 90 de 10 em 10;
• GI – 10 a 30 de 10 em 10.
Desta forma temos 2.376 combinações por período de otimização, 35.640 combinações nos
15 períodos usados para otimização do indicador para cada um dos sete ativos, totalizando
249.480 cenários testados.
O Índice de Força Relativa (IFR) é um indicador técnico de momento utilizado em Saffi
(2003), que foi introduzido por Wilder (1978) e analisado em Colby (2003), e que,
basicamente, mede a razão entre a média móvel exponencial dos ganhos em pontos e a média
móvel exponencial das perdas em pontos de um ativo em um período T, resultando na linha
do IFR. Possui três parâmetros que podem ser otimizados: o período T para cálculo da média
móvel exponencial, e as linhas de gatilho superior (GS) e inferior (GI).
12
anteriordia ao relação em ativo do pontos em Perdas
anteriordia ao relação em ativo do pontos em Ganhos
dias T de lexponencia móvelMédia
:,)(
)(
:,1
100100
==
=
=
+−=
Perdas
Ganhos
MME
ondePerdasMME
GanhosMMEFR
ondeFR
IFR
T
T
T
O sinal de compra é gerado quando a linha de IFR cruza a linha GI de baixo para cima
(oversold). E o sinal de venda quando a linha de IFR cruza a linha GS de cima para baixo
(overbought).
Os parâmetros foram otimizados da seguinte forma:
• T – 2 a 252 de 2 em 2;
• GS – 70 a 90 de 10 em 10;
• GI – 10 a 30 de 10 em 10.
Desta forma temos 1.134 combinações por período de otimização, 17.010 combinações nos
15 períodos usados para otimização do indicador para cada um dos sete ativos, totalizando
119.070 cenários testados.
O MACD é um indicador técnico de tendência utilizado em Saffi (2003) e Vidotto et al.
(2009), e discutido em Colby (2003) e Pring (1993) que mostra a relação entre duas médias
móveis exponenciais do preço e fechamento. Calculado através da diferença entre uma média
móvel exponencial longa de K dias e uma média móvel exponencial curta de S dias,
resultando na linha do MACD. Possui ainda uma linha de sinal ou gatilho que é a media
móvel exponencial de D períodos do MACD. Possui 3 parâmetros que podem ser otimizados:
13
o período K da média móvel exponencial lenta, o período S da média móvel exponencial
rápida e o período D da média móvel exponencial do MACD.
ativo do fechamento de Preço
dias S de lexponencia móvelMédia
dias K de lexponencia móvelMédia
:),()(
===
−=
Fechamento
MME
MME
ondeFechamentoMMEFechamentoMMEMACD
S
K
SK
dias Dde lexponencia móvelMédia
:),(
=
=
D
D
MME
ondeMACDMMESINAL
O sinal de compra é gerado quando a linha do MACD cruza a linha de SINAL de baixo para
cima. E o sinal de venda quando a linha do MACD cruza a linha de SINAL de cima para
baixo.
Os parâmetros foram otimizados da seguinte forma:
• K – 2 a 84 de 3 em 3;
• S – 2 a 252 de 3 em 3;
• D – 3 a 10 de 2 em 2.
Desta forma temos 3.400 combinações por período de otimização, 51.000 combinações nos
15 períodos usados para otimização do indicador para cada um dos sete ativos, totalizando
357.000 cenários testados.
14
O Bollinger Band’s é um indicador de volatilidade que foi desenvolvido por John A.
Bollinger, como citado em Achelis (1995). Calcula-se basicamente duas linhas, uma de
suporte e outra de resistência, que variam de acordo com o aumento ou diminuição da
volatilidade do preço de fechamento do ativo. Este indicador também foi utilizado por Saffi
(2003) e é descrito em Achelis (1995) e Colby (2003). A linha de resistência ou banda
superior é composta da soma de uma média móvel simples de T períodos do preço de
fechamento do ativo e N desvios-padrão do preço de fechamento no período T. A linha de
suporte ou banda inferior é calculada da mesma forma, no entanto, subtraem-se os desvios-
padrão da média móvel simples, criando desta forma um envelope.
dias T de simples móvelMédia
:),(
=
=
T
T
MMS
ondeFechamentoMMSMÉDIA
períodos T de padrão-Desvio
padrão-desvios de Número
:),(_
==
×+=
T
T
DESVIOPAD
N
ondeFechamentoDESVIOPADNMÉDIASUPERIORBANDA
períodos T de padrão-Desvio
padrão-desvios de Número
:),(_
==
×−=
T
T
DESVIOPAD
N
ondeFechamentoDESVIOPADNMÉDIAINFERIORBANDA
O sinal de compra é gerado quando o preço de fechamento do ativo fica abaixo da linha de
suporte ou banda inferior. E o sinal de venda quando o preço de fechamento fica acima da
linha de resistência ou banda superior.
15
Os parâmetros foram otimizados da seguinte forma:
• T – 2 a 50 de 1 em 1;
• N – 0,5 a 5 de 0,5 em 0,5.
Desta forma temos 490 combinações por período de otimização, 7.350 combinações nos 15
períodos usados para otimização do indicador para cada um dos sete ativos, totalizando
51.450 cenários testados.
A tabela 1 mostra de forma consolidada as combinações geradas. Os parâmetros de cada
indicador técnico foram otimizados utilizando-se 15 períodos móveis de 24 meses para cada
ativo. O melhor conjunto de parâmetros do indicador, isto é, aquele conjunto que resultou o
maior valor final de carteira para o período de otimização foi aplicado em um período
subsequente de 12 meses para que sua eficácia fosse testada, simulando desta forma, um
“mercado não visto” pelo processo de otimização.
Estocástico Lento IFR MACD Bollinger
Band’s Total
Parâmetro 1 33 126 17 49
Parâmetro 2 8 3 50 10
Parâmetro 3 3 3 4
Parâmetro 4 3
Subtotal (a) 2.376 1.134 3.400 490 7.400
Períodos (b) 15 15 15 15 15
Subtotal (c = a * b) 35.640 17.010 51.000 7.350 111.000
Ativos (d) 7 7 7 7 7
Total (e = c * d) 249.480 119.070 357.000 51.450 777.000
Tabela 1 - Combinações dos parâmetros de cada indicador
Esta tabela apresenta as combinações de parâmetros geradas nas simulações para cada carteira. Os campos “parâmetros” referem-se às variáveis que foram utilizadas em cada indicador técnico. O campo “períodos” refere-se à quantidade de subperíodos utilizados nas otimizações dos parâmetros, o que no caso em estudo resultou em 15 subperíodos de 24 meses cada. O campo “total” refere-se à quantidade de simulações geradas para cada indicador técnico durante o processo de otimização.
16
O valor da carteira no período de otimização considera todos os custos de transação
(emolumentos e corretagem), o investimento da carteira em CDI de 1 dia (valor líquido de
impostos) nos períodos em que o indicador não retorna um sinal de compra, além da saída
compulsória no final do período de otimização (isto é, se no último dia do período de
otimização a carteira estiver comprada no ativo, o sistema gera um sinal de venda para
encerrar as operações e apurar o ganho total da estratégia).
2.3 TESTE FORA DA AMOSTRA
Os modelos de previsão podem gerar bons resultados puramente como fruto do acaso. Esta
possibilidade faz com que, mesmo que se utilizem dados totalmente aleatórios, exista a
chance de se encontrar um modelo de previsão com um resultado de retornos anormais e que
na verdade não pode ser aplicado a outras amostras. Isto é, aquele modelo funciona apenas
para aquela amostra, com uma determinada especificação.
Este problema é conhecido como data-snooping ou data-mining. Por exemplo, um dos
indicadores técnicos muito difundidos é o cruzamento de médias móveis. Se uma série de
combinações for exaustivamente testada para os períodos de médias móveis em uma amostra,
existe uma grande chance de encontrar-se ao menos um resultado que gere retornos acima do
que seria esperado, mesmo que a amostra tenha sido gerada de forma aleatória, o que levaria a
acreditar no poder de previsibilidade daquele indicador técnico.
Este problema de data-snooping foi minimizado através do procedimento de se testar fora da
amostra, onde separa-se a série histórica de preços em dois períodos; um utilizado para
otimização ou período dentro da amostra e outro para validação dos resultados ou período
fora da amostra, como proposto por Irwin e Uhrig (1984) e Sweeny (1986).
17
Este procedimento citado em diversos trabalhos, livros e artigos como Praetz (1976),
Schwager (1984), Kaufman (1998), Katz & McCormick (2000), Colby (2003), Pardo (2008) e
Guimarães et al. (2011), foi o método escolhido para testar as estratégias selecionadas, pois
permite que seja simulado, com dados reais, o que teria acontecido com as carteiras caso as
opções de parâmetros resultantes da otimização tivessem sido efetivamente utilizadas.
O teste fora da amostra baseia-se na premissa de que é necessário reservar uma parte da
amostra para validação dos resultados da otimização dos indicadores. A utilização de toda a
amostra na otimização dos indicadores levaria a um excesso de otimização e ajustamento dos
parâmetros ao comportamento do ativo ou data-snooping. O período utilizado na otimização
das variáveis é conhecido como dentro da amostra e o conjunto não utilizado na otimização,
de fora da amostra (COLBY, 2003).
Pardo (2008) sugere que o período fora da amostra deve possuir no mínimo 20% do tamanho
total utilizado no período dentro da amostra. Conservadoramente, utilizou-se 50% do tamanho
total do período dentro da amostra (24 meses contra 12 meses do período fora da amostra).
Neste estudo os quatro indicadores técnicos selecionados foram utilizados individualmente
em cada uma das séries de ativos para gerar os sinais de compra e venda. Detalhadamente o
processo ocorreu da seguinte forma:
1. Utiliza-se 24 meses como base para otimização dos parâmetros do indicador, ou
período de aprendizado. Este é o período dentro da amostra.
2. Uma vez que os parâmetros do indicador foram otimizados, aplica-se o conjunto de
regras do indicador com os parâmetros que obtiveram o maior retorno da carteira em
um trecho subsequente de 12 meses da amostra. Este é o período fora da amostra.
18
3. Registram-se as operações de compra e venda executadas unicamente no período fora
da amostra através dos sinais dados pelo indicador técnico.
4. O período dentro da amostra é redimensionado, retirando-se da amostra os 12 meses
mais antigos e incluindo-se os 12 meses mais novos.
5. Busca-se novamente os melhores parâmetros para o indicador técnico.
6. Aplica-se este novo conjunto de parâmetros para mais um período fora da amostra, 12
meses à frente do último trecho.
7. Registram-se as operações de compra e venda.
As atividades de 4 a 7 são repetidas até o final da amostra.
Vale ressaltar que são utilizados 24 meses para otimização dos parâmetros do indicador,
período dentro da amostra, e que estes parâmetros são utilizados no indicador para a execução
das operações nos 12 meses subsequentes, período fora da amostra.
A figura 1 ilustra o procedimento.
Figura 1 - Representação gráfica do processo de teste fora da amostra
19
2.4 CONSIDERAÇÕES SOBRE O PROCESSO DE COMPRA E VENDA
1. Foram considerados todos os custos de transação (emolumentos e corretagem). Para
emolumentos foi utilizada a tabela de valores informada pela BMF&Bovespa em seu
site que é de 0,0345% sobre o valor da operação. A corretagem utilizada foi composta
por uma parte fixa e outra variável, também informada, como orientação às corretoras
de valores, pela BMF&Bovespa, no entanto, para a parte variável foi utilizado um
redutor de 75% a título de rebate na corretagem, prática comum utilizada pelas
corretoras de valores no Brasil. Com isso, o custo de corretagem utilizado ficou em R$
25,21 acrescido de 0,125% do valor da operação. Vale salientar que este custo é muito
superior aos valores cobrados pelas corretoras on-line que utilizam a plataforma de
homebroker e que cobram apenas uma taxa fixa por operação. Não foram
considerados os custos de custódia, pois para carteiras que possuem movimentação é
comum as corretoras isentarem seus clientes desta taxa.
2. O preço utilizado para as compras e vendas é o preço de abertura do dia seguinte ao
sinal do indicador técnico. A opção por se escolher o preço de abertura deu-se em
função da possibilidade de não execução da operação no fechamento e também porque
o valor de fechamento é uma informação que compõe alguns dos indicadores
propostos. Outro motivo para utilização do preço de abertura do dia seguinte ao sinal
do indicador é evitar os efeitos indesejados da slippage, que é a diferença entre o
preço emitido pelo sinal de compra ou venda e o preço efetivamente executado no
mercado, conforme citado em Katz e McCormick (2000). As diferenças entre os
valores das ofertas de compra (bid) e venda (ask) não foram consideradas.
3. O valor inicial atribuído à carteira foi de R$ 1.000.000,00 em 01/01/1995, o que para
os ativos escolhidos não representa problemas de liquidez. Ressalta-se que os 24
20
meses iniciais são utilizados na primeira sequência de otimização, logo não fazem
parte do período de análise da performance da carteira.
4. Não são executadas vendas a descoberto. Somente operações de compra para abertura
da posição e venda para fechamento da posição.
5. Sinalizações do indicador que sugerem a realização de uma operação na direção da
posição atual da carteira são desconsideradas em todas as estratégias. Por exemplo, se
a carteira está comprada e o indicador dá um novo sinal de compra, este sinal é
desconsiderado, uma vez que não há mais dinheiro disponível para novas compras, o
mesmo vale para venda, se a carteira está líquida, isto é, fora do mercado, o novo sinal
de venda é ignorado.
6. O encerramento da operação de compra só se dá quando o indicador fornece um sinal
de venda ou quando o período de análise termina.
7. Não foi utilizado nenhum tipo de stop.
8. Todo o valor disponível na carteira é remunerado (líquido de imposto de renda de
22,5%) a cotação do CDI de 1 dia divulgado pela CETIP em seu site (CETIP, 2012).
9. Todo o valor disponível utilizado na carteira é utilizado para a compra, com atenção
aos lotes-padrão negociados pelo ativo, o que leva a carteira, quando comprada, a um
valor investido no ativo e um valor residual remunerado pelo CDI de 1 dia.
10. Não foram considerados os efeitos de impostos da carteira no que tange os ganhos de
renda variável, uma vez que a carteira será comparada com as estratégias buy and
hold, e estes efeitos também não são considerados neste caso.
21
3 DADOS
Os valores diários de abertura, máxima, mínima, fechamento e volume das 6 ações mais
líquidas da BMF&Bovespa, ajustados para eventos como dividendos, bonificações,
desdobramentos, redução de capital, grupamentos, subscrição e cisão, de janeiro de 1995 a
dezembro de 2011, foram extraídos da base de dados economática. Os dias onde não houve
pregão, ou em que a ação não foi negociada, não foram considerados na análise.
As ações selecionadas neste período utilizando o critério de liquidez de 10 anos, fornecido
pela base de dados economática, foram: Petrobras PN (PETR4), Vale PNA (VALE5),
ItauUnibanco PN (ITUB4), Bradesco PN (BBDC4), Gerdau PN (GGBR4) e Usiminas PNA
(USIM5), além do índice IBOVESPA (IBOV).
De um total de 4.207 pregões de 02/01/1995 a 29/12/2011 registrados pelo índice
IBOVESPA, foram registrados negócios em 4.203 pregões para PETR4, 4.206 para VALE5,
4.207 para ITUB4, 4.207 para BBDC4, 4.180 para GGBR4 e 4.206 para USIM5.
A partir da série de preços diários, foi construída uma série de retornos para cada ativo por
meio da seguinte relação:
22
anteriordia nox ativo do fechamento de Preço
dia t nox ativo do fechamento de Preço
dia t nox ativo do diário Retorno
:,1
1
,
1,
,,
==
=
−=
−
−
t
t
tx
tx
txtx
PREÇO
PREÇO
RETORNO
ondePREÇO
PREÇORETORNO
Na tabela 2 encontram-se as principais medidas estatísticas das séries de retornos diários.
IBOVESPA PETR4 VALE5 ITUB4 BBDC4 GGBR4 USIM5
Média 0,000881 0,001212 0,001288 0,001350 0,001260 0,001429 0,001092
Mediana 0,001348 0,000812 0,000214 0,000000 0,000000 0,000000 0,000000
Máximo 0,333992 0,235294 0,469688 0,233727 0,333333 0,232877 0,180905
Mínimo -0,158267 -0,190698 -0,151625 -0,145473 -0,194915 -0,149007 -0,165823
Desvio Padrão 0,023319 0,027637 0,027134 0,025987 0,026423 0,030015 0,032104
Assimetria 1,011068 0,294412 1,533200 0,553964 0,694825 0,424669 0,309983
Curtose 20,78553 10,06883 27,80934 7,744003 13,27773 6,849453 5,840656
Jarque-Bera 56152,59 8809,331 109488,7 4159,220 18850,41 2705,844 1481,156
Observações 4206 4202 4205 4206 4206 4179 4205
Tabela 2 - Estatística descritiva dos ativos estudados
Esta tabela apresenta algumas estatísticas descritivas da rentabilidade diária dos ativos estudados. A assimetria de uma distribuição simétrica é zero. Valores positivos para assimetria indicam que a distribuição possui uma cauda alongada para a direita e valores negativos para assimetria indicam uma cauda alongada para a esquerda. A curtose de uma distribuição normal é três. Para distribuições que ultrapassam este valor chamamos a distribuição de leptocúrtica ou mais “pontuda” do que a distribuição normal, já para valores baixo de três, a distribuição e chamada de platicúrtica ou mais “achatada” do que a distribuição normal. A hipótese nula da estatística de Jarque-Bera é de normalidade da distribuição. Nas séries de rentabilidade apresentadas não há indicações de normalidade. O teste relaciona o distanciamento da assimetria e da curtose de uma dada distribuição à distribuição normal.
Observa-se que a maior rentabilidade registrada no período de análise foi a de Vale PNA com
valorização de 46,9% e a menor de Bradesco PN com desvalorização de 19,5%. Os ativos
mais voláteis são Usiminas PNA, 3,2% de desvio padrão e Gerdau PN com 3,0%. Pode-se
verificar ainda na tabela 2 que o resultado do teste estatístico de Jarque-Bera indica que
23
devemos rejeitar a hipótese de normalidade de todas as séries de rentabilidade estudadas. O
histograma de cada ativo pode ser encontrado no Apêndice A.
A tabela 3 apresenta um resumo com os valores das rentabilidades anuais dos ativos
estudados.
IBOVESPA PETR4 VALE5 ITUB4 BBDC4 GGBR4 USIM5
1995 14% -5% 13% 34% 43% -54% -20%
1996 49% 89% -5% 49% 28% 63% 34%
1997 52% 67% 20% 66% 52% 100% -25%
1998 -35% -50% -24% -8% -29% -38% -51%
1999 144% 265% 235% 176% 130% 450% 263%
2000 -2% 8% 6% 24% 40% -15% 11%
2001 -14% 11% 21% 0% -4% 37% -28%
2002 -19% -3% 85% -2% -9% 47% 2%
2003 103% 93% 74% 85% 59% 176% 481%
2004 9% 19% 24% 40% 35% 42% 45%
2005 34% 75% 45% 46% 120% 49% 18%
2006 29% 30% 24% 39% 31% 31% 54%
2007 42% 81% 92% 11% 20% 49% 63%
2008 -34% -39% -42% -11% -26% -30% -40%
2009 69% 54% 60% 56% 57% 76% 73%
2010 1% -24% 21% 4% 13% -18% -18%
2011 -20% -18% -21% -14% -6% -38% -50%
Tabela 3 - Rentabilidade anual dos ativos estudados
Esta tabela apresenta a rentabilidade anual dos ativos estudados. Observa-se que nos 17 anos em apenas seis as rentabilidades foram negativas para o índice Ibovespa, o que também ocorreu com PETR4 e GGBR4. Já BBDC4 obteve cinco anos com retornos negativos, ITUB4 e VALE5, quatro e USIM5, sete. Observamos ainda que em 1998 o mercado reagiu muito negativamente à crise russa, e mais recentemente, em 2008, à Grande Recessão.
Observa-se que todos os ativos registraram retornos positivos expressivos nos anos de 1999,
2003 a 2007 e 2009.
24
4 RESULTADOS
Na tabela 4 observa-se o resultado final obtido para cada carteira operada com apenas um
ativo usando os sinais de compra e venda de cada indicador técnico individualmente nos
períodos fora da amostra de 06/01/1997 a 29/12/2011, totalizando 15 anos de operação. Cada
carteira possuía o valor inicial de R$ 1 milhão. Os valores apresentados são comparados ainda
com a carteira de benchmark: o buy and hold do ativo.
Estocástico
Lento IFR MACD Bollinger Band’s buy and hold
IBOV 5.512.893,59 4.345.158,02 7.874.697,43 4.511.866,16 7.927.089,88
PETR4 29.803.746,49 5.155.128,90 34.273.144,75 5.520.976,16 18.556.626,64
VALE5 17.258.179,45 23.077.510,67 8.788.982,56 8.635.314,22 46.099.702,59
ITUB4 37.873.552,78 39.283.403,35 12.941.134,66 22.338.288,07 37.745.631,76
BBDC4 21.680.181,53 24.254.947,33 5.896.174,54 29.719.240,46 26.762.937,50
GGBR4 2.462.794,67 10.510.496,80 78.344.542,71 5.995.580,48 83.287.319,43
USIM5 14.259.754,41 2.736.638,88 15.361.099,91 968.053,32 11.127.485,30
CDI de 1 dia 10.857.362,48
Tabela 4 - Valor final das carteiras simuladas por ativo e indicador
Esta tabela apresenta o valor final das carteiras formadas por um ativo e operadas com base nos sinais de compra e venda de um indicador. Observa-se que sete das 28 carteiras obtiveram rentabilidade superior à estratégia buy and hold e que três conseguiram entre 90% e 100% da rentabilidade da estratégia buy and hold. O estocástico lento obteve o maior número de carteiras vencedoras, três de sete. O IFR e o Bollinger Band’s obtiveram apenas uma carteira vencedora cada.
25
Na tabela 4 foram marcadas em negrito as estratégias onde ocorreu uma valorização acima da
estratégia buy and hold e com sombreado as estratégias que conseguiram entre 90% e 100%
da rentabilidade da estratégia buy and hold.
Das 28 carteiras estudadas, sete obtiveram retornos acima da carteira de benchmark e 14
conseguiram um retorno acima da rentabilidade do CDI.
Na tabela 5 encontra-se a quantidade de operações e a média de dias em que a carteira ficou
posicionada por operação.
Estocástico
Lento IFR MACD Bollinger Band’s
# oper. # dias # oper. # dias # oper. # dias # oper. # dias
IBOV 19 88 22 93 154 13 6 347
PETR4 34 51 17 123 191 10 11 182
VALE5 19 82 60 38 224 9 13 89
ITUB4 19 108 26 80 376 5 17 62
BBDC4 18 117 20 79 206 9 11 144
GGBR4 21 78 15 130 335 6 12 128
USIM5 25 60 22 73 237 9 10 159
Tabela 5 - Número de operações e duração média em dias por operação
Esta tabela apresenta a quantidade de operações e o número médio de dias por operação. O Bollinger Band’s foi o indicador que apresentou, na média, as operações mais longas e o menor número de operações no período em análise. Já o MACD apresentou as operações mais curtas e o maior número de operações.
Observa-se que o MACD é o indicador que apresentou mais sinais de compra, resultando em
operações mais curtas, abaixo de 15 dias. Por outro lado, o Bollinger Band’s apresentou o
menor número de operações, resultando em menos de 20 operações no período de 15 anos,
com uma duração média de 159 dias.
26
Na tabela 6 apresenta-se o tempo, em dias, em que a carteira ficou comprada no ativo ou
“dentro do mercado”, assim como, quantos dias a carteira ficou líquida ou “fora do mercado”,
investida em CDI.
Estocástico
Lento IFR MACD Bollinger Band’s
dentro fora dentro fora dentro Fora dentro fora
IBOV 1.677 2.035 2.042 1.670 1.994 1.718 2.079 1.633
PETR4 1.724 1.985 2.090 1.619 1.947 1.762 2.003 1.706
VALE5 1.550 2.162 2.271 1.441 1.956 1.756 1.157 2.555
ITUB4 2.053 1.659 2.085 1.627 1.856 1.856 1.060 2.652
BBDC4 2.106 1.606 1.583 2.129 1.801 1.911 1.589 2.123
GGBR4 1.629 2.079 1.950 1.758 1.872 1.836 1.532 2.176
USIM5 1.505 2.206 1.612 2.099 2.064 1.647 1.592 2.119
Tabela 6 - Número de dias dentro e fora do mercado
Esta tabela apresenta o número de dias em que a carteira se manteve comprada no ativo (dentro) ou comprada no CDI (fora). Destaca-se aqui que, em uma parcela significativa do tempo (40% em média), as carteiras se mantiveram, de uma forma geral, fora dos ativos, posicionando-se em CDI, diminuindo-se desta forma a volatilidade e, consequentemente, o risco, destas carteiras.
Observa-se que, de uma forma geral, as carteiras ficaram, no mínimo, 40% do tempo “fora do
mercado” investidas em CDI.
As medidas de desempenho das carteiras geradas devem ser ajustadas ao risco. Normalmente
comparamos o resultado da carteira estudada a uma carteira de benchmark, o que no nosso
caso é a aplicação do valor integral da carteira na compra do ativo e venda somente no final
do período de análise, o buy and hold. No entanto, essa medida de desempenho, baseada
somente na rentabilidade final das estratégias analisadas, deve ser ajustada para medir o risco
dos modelos de previsão testados. Utilizamos o Índice de Sharpe (SHARPE, 1966), como
proposto em LeBaron (1999), onde, além dos retornos, são consideradas as variâncias dos
retornos.
27
Na tabela 7 encontramos os valores calculados para os Índices de Sharpe Simples e
Generalizado das carteiras geradas. Comparamos estas carteiras à estratégia buy and hold de
cada ativo. Observa-se que das 28 carteiras analisadas, seis obtiveram um Índice de Sharpe
superior ao da carteira de benchmark Estas carteiras estão destacadas em negrito.
Estocástico
Lento IFR MACD Bollinger Band’s
buy and hold
Simples Gene-
ralizado Simples
Gene-ralizado
Simples Gene-
ralizado Simples
Gene-ralizado
Simples Gene-
ralizado
IBOV 0,00 0,00 (0,04) (0,04) 0,05 0,05 (0,05) (0,05) 0,14 0,14
PETR4 0,43 0,43 0,05 0,05 0,46 0,47 0,05 0,05 0,31 0,32
VALE5 0,28 0,28 0,35 0,35 0,13 0,14 0,11 0,11 0,45 0,45
ITUB4 0,44 0,45 0,45 0,46 0,21 0,21 0,34 0,35 0,43 0,43
BBDC4 0,33 0,34 0,36 0,36 0,01 0,01 0,41 0,42 0,37 0,38
GGBR4 (0,10) (0,11) 0,20 0,20 0,60 0,61 0,05 0,05 0,54 0,54
USIM5 0,25 0,25 (0,03) (0,03) 0,27 0,28 (0,23) (0,24) 0,28 0,28
Tabela 7 - Índice de Sharpe das carteiras
Esta tabela apresenta o Índice de Sharpe, simples e generalizado, calculado para cada carteira. O Índice de Sharpe relaciona a diferença entre o retorno da carteira e o retorno de um ativo livre de risco com a volatilidade desta carteira. A diferença entre o cálculo do Índice Sharpe simples e o generalizado é que neste último a volatilidade do ativo livre de risco é considerada. Observamos que em seis (21%) das 28 carteiras o Índice de Sharpe obteve valores superiores ao da estratégia buy and hold, isto é, a rentabilidade por unidade de risco corrido nestas carteiras foi superior ao benchmark.
O Estocástico Lento obteve resultados superiores à estratégia de buy and hold em três ativos,
PETR4, ITUB4 e USIM5, com uma exposição de mercado de 1.724, 2.054 e 1.505 dias
respectivamente. O indicador efetuou 34, 19 e 25 operações respectivamente, o que resultou
em um tempo médio de operação de 51, 108 e 60 dias, conforme tabela 5. O Índice de Sharpe
aponta que apenas nas operações com os ativos PETR4 e ITUB5 houve ganho na relação risco
x retorno comparando-se com a estratégia buy and hold. Os valores podem ser observados na
tabela 7.
28
O Índice de Força Relativa obteve resultados superiores à estratégia de buy and hold em
apenas um ativo, ITUB4, com uma exposição de mercado de 2.085 dias. O indicador efetuou
26 operações, o que resultou em um tempo médio de operação de 80 dias, conforme tabela 5.
O Índice de Sharpe aponta que houve ganho na relação risco x retorno comparando-se com a
estratégia buy and hold. Os valores podem ser observados na tabela 7.
O MACD obteve resultados superiores à estratégia de buy and hold em dois ativos, PETR4 e
USIM5, com uma exposição de mercado de 1.947 e 1.856 dias respectivamente. O indicador
efetuou 191 e 376 operações respectivamente, o que resultou em um tempo médio de
operação de 10 e 5 dias, conforme tabela 5. O Índice de Sharpe, no entanto, aponta que apenas
nas operações com os ativos PETR4 e GGBR4 houve ganho na relação risco x retorno
comparando-se com a estratégia buy and hold. Os valores podem ser observados na tabela 7.
Destaca-se aqui que o desempenho da carteira de GGBR4 foi muito próximo ao da estratégia
buy and hold (R$ 78,3 milhões do indicador contra R$ 83,3 milhões do buy and hold). No
entanto, seu Índice de Sharpe foi melhor (0,60 contra 0,54) o que demonstra que esta carteira
operada pelo indicador obteve uma melhor relação risco x retorno, se expondo apenas a 1.872
dias no mercado e ficando fora, aplicado em CDI, por 1.836 dias.
O Bollinger Band’s obteve resultados superiores à estratégia de buy and hold em apenas um
ativo, BBDC4, com uma exposição de mercado de 1.589 dias. O indicador efetuou 11
operações, o que resultou em um tempo médio de operação de 144 dias, conforme tabela 5. O
Índice de Sharpe aponta que houve ganho real na relação risco retorno comparando-se com a
estratégia buy and hold. Os valores podem ser observados na tabela 7.
Para o ativo VALE5 e o índice IBOVESPA os indicadores não conseguiram gerar carteiras
com ganhos superiores à carteira de benchmark.
29
As evoluções das carteiras comparadas às estratégias de buy and hold podem ser observadas
no Apêndice B.
30
5 CONCLUSÃO
Analisando os resultados podemos concluir que não é possível obter ganhos superiores à
estratégia de buy and hold com a utilização de indicadores técnicos, de forma consistente e
generalizada. No entanto, isto ocorreu em sete das 28 carteiras testadas. Já com o Índice de
Sharpe superior a carteira buy and hold, em apenas cinco carteiras.
É importante frisar que nenhum dos quatro indicadores conseguiu superar a estratégia buy and
hold para os ativos IBOVESPA e VALE5, o que poderia nos levar a crer que a hipótese de
eficiência de mercado, na sua forma fraca, seria verdadeira quando aplicada a estes ativos.
Nos demais ativos, PETR4, ITUB4, BBDC4 e USIM5 pelo menos um indicador técnico
resultou em carteiras com retornos superiores à carteira buy and hold. No entanto, no caso de
USIM5 estas carteiras apresentaram um Índice de Sharpe inferior ao da carteira buy and hold.
No caso de GGBR4 apesar da carteira não ter apresentado resultado superior à carteira buy
and hold, a carteira construída com o indicador técnico obteve um Índice de Sharpe superior a
carteira de benchmark.
Para trabalhos posteriores sugere-se a utilização de uma amostra maior de empresas, incluindo
ações com menor liquidez, testando desta forma, se esta diferença na liquidez pode ter alguma
31
relação com a eficiência do mercado e do sucesso ou fracasso da aplicação dos indicadores
técnicos em estratégicas de compra e venda; o uso de um número ampliado de indicadores
técnicos; o teste de períodos mais curtos para dentro da amostra e fora da amostra, o que
poderia tornar os indicadores técnicos mais ajustados às variações de curto prazo do ativo; a
simulação de uma carteira que possa escolher entre um conjunto de ativos pré-selecionados
em que o total disponível da carteira é investido no primeiro ativo que dá o sinal de compra,
ou ainda, que apenas uma parte fosse investida no primeiro ativo, e sinais de compra
subsequentes em outros ativos gerariam novas compras até o limite de disponibilidade da
carteira; a utilização de stops de proteção fixos ou dinâmicos (trailing stops); configurações
distintas do indicador para os sinais de compra e venda, ou ainda, a utilização de indicadores
diferentes para geração de sinais de compra e venda.
32
REFERÊNCIAS BIBLIOGRÁFICAS
ACHELIS, S.B. Technical analysis from A to Z. New York: McGraw-Hill, 1995.
BAPTISTA, R.F.F. e PEREIRA, P.L.V. Análise de Desempenho de Regras da Análise Técnica Aplicada ao Mercado Intradiário do Contrato Futuro do Índice Ibovespa. Revista Brasileira de Finanças, v.6, n.2, 2008.
BM&FBovespa. Disponível em http://www.bmfbovespa.com.br. Acesso em 10 de maio, 2012.
BOAINAIN, P.G. e VALLS PEREIRA, P.L. "Ombro-cabeça-ombro": testando a lucratividade do padrão gráfico de análise técnica no mercado de ações brasileiro. Revista Brasileira de Finanças, v.7, p. 265-303, 2009.
CETIP. Disponível em http://www.cetip.com.br. Acesso em 12 de maio, 2012.
COLBY, R.W. The encyclopedia of technical market indicators. 2a ed. New York: McGraw-Hill, 2003.
FAMA, E.F. Efficient Capital Markets: A Review of Theory an Empirical Work, Journal of Finance, v.25 p.383-417, 1970.
FERREIRA, L.A.S. Estudo da lucratividade de modelos de análise técnica no mercado de câmbio brasileiro. Dissertação de Mestrado – Fundação Getúlio Vargas – EESP. São Paulo, 2009.
GUIMARÃES, D.P.G., ARAÚJO, G.S. e BARBEDO, C.H. da S. É possível bater o ibovespa com operações de análise técnica no mercado futuro?. RAC, v.15, n.5, art. 7, set./out. 2011.
IRWIN, S.H. e UHRIG, J.W. Do Technical Analysts Have Holes in Their Shoes?. Review of Research in Futures Markets, v.3, i.3, p.264-277. 1984.
KATZ, J.O. e McCORMICK D.L. The encyclopedia of trading strategies. New York: McGraw- Hill, 2000.
KAUFMAN, P.J. Trading Systems and Methods. 3rd edition. New York: John Wiley & Sons, 1998.
33
LeBARON, B. Technical Trading Rule Profitability and Foreign Exchange Intervention. Journal of International Economics, v.49, i.1, p.125-143. 1999.
MALAVOGLIA, R.C. Verificação da presença de memória longa nos principais índices de bolsa de valores. Um estudo por meio da utilização da estatística R/S e o expoente de Hurst. Dissertação de Mestrado. USP, Ribeirão Preto, 2009.
MINARDI, A.M.A.F. Retornos passados prevêem retornos futuros? RAE-eletrônica, v.3, n.2, Art. 14, jul./dez. 2004.
OSLER, C.L. e CHANG, P.H.K. Head and Shoulders: Not Just a Flaky Pattern, Federal Reserve Bank of New York staff report 4, 1995.
PARDO, R. Evaluation and optimization of trading strategies. 2a ed. New Jersey: John Wiley & Sons, 2008.
PRAETZ, P. On the methodology of testing for independence in futures prices. Journal of Finance, v.31, p.977-985, 1976.
PRING, M. On Market Momentum. New York: McGraw- Hill, 1993.
ROSS, S.A., WESTERFIELD, R, W., e JAFFE, J.F. Administração financeira. São Paulo: Atlas, 2002.
SACHETIM, H.M. Análise Técnica: estudo da confiabilidade dos principais indicadores de análise técnica, aplicados as ações mais negociadas na Bovespa no período de 1995 a 2005. Dissertação de Mestrado – Universidade Federal do Paraná. Curitiba, 2006.
SAFFI, P.A.C. Análise técnica: sorte ou realidade? Revista Brasileira de Economia, v.57 art.4, p.953-974. 2003.
SCHWAGER, J. A complete guide to the futures markets: fundamental analysis, technical analysis, trading, spreads and options. New York: John Wiley & Sons, 1984.
SHARPE, W.F. Mutual Fund Performance. Journal of Business, v.39, n.1, part 2, p.119-138. 1966.
SWEENEY, R.J. Beating the Foreign Exchange Market. Journal of Finance, v.41, i.1, p.163- 182. 1986.
VIDOTTO, R.S., MIGLIATO, A.L.T. e ZAMBON, A.C. O Moving Average Convergence-Divergence como ferramenta para a decisão de investimentos no mercado de ações. RAC, v.13, n.2, art. 7, abr./jun. 2009.
WILDER, J.W. New Concepts in Technical Trading Systems. New York: Trend Research, 1978.
34
APÊNDICE A
Histogramas e estatísticas descritivas da rentabilidade dos ativos estudados.
Petrobras PN (PETR4)
0
400
800
1,200
1,600
2,000
-0.2 -0.1 -0.0 0.1 0.2
Series: PETR4Sample 1 4206Observations 4202
Mean 0.001212Median 0.000812Maximum 0.235294Minimum -0.190698Std. Dev. 0.027637Skewness 0.294412Kurtosis 10.06883
Jarque-Bera 8809.331Probability 0.000000
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Observações
35
Vale PNA (VALE5)
ItauUnibanco PN (ITUB4)
0
400
800
1,200
1,600
2,000
-0.1 -0.0 0.1 0.2 0.3 0.4
Series: VALE5Sample 1 4206Observations 4205
Mean 0.001288Median 0.000214Maximum 0.469688Minimum -0.151625Std. Dev. 0.027134Skewness 1.533200Kurtosis 27.80934
Jarque-Bera 109488.7Probability 0.000000
0
200
400
600
800
1,000
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15 0.20
Series: ITUB4Sample 1 4206Observations 4206
Mean 0.001350Median 0.000000Maximum 0.233727Minimum -0.145473Std. Dev. 0.025987Skewness 0.553964Kurtosis 7.744003
Jarque-Bera 4159.220Probability 0.000000
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Observações
Observações
36
Bradesco PN (BBDC4)
Gerdau PN (GGBR4)
0
400
800
1,200
1,600
2,000
-0.2 -0.1 -0.0 0.1 0.2 0.3
Series: BBDC4Sample 1 4206Observations 4206
Mean 0.001260Median 0.000000Maximum 0.333333Minimum -0.194915Std. Dev. 0.026423Skewness 0.694825Kurtosis 13.27773
Jarque-Bera 18850.41Probability 0.000000
0
100
200
300
400
500
600
700
800
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15 0.20
Series: GGBR4Sample 1 4206Observations 4179
Mean 0.001429Median 0.000000Maximum 0.232877Minimum -0.149007Std. Dev. 0.030015Skewness 0.424669Kurtosis 6.849453
Jarque-Bera 2705.844Probability 0.000000
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Observações
Observações
37
Usiminas PNA (USIM6)
IBOVESPA (IBOV)
0
100
200
300
400
500
600
700
800
-0.15 -0.10 -0.05 0.00 0.05 0.10 0.15
Series: USIM5Sample 1 4206Observations 4205
Mean 0.001092Median 0.000000Maximum 0.180905Minimum -0.165823Std. Dev. 0.032104Skewness 0.309983Kurtosis 5.840656
Jarque-Bera 1481.156Probability 0.000000
0
400
800
1,200
1,600
2,000
-0.1 -0.0 0.1 0.2 0.3
Series: IBOVESPASample 1 4206Observations 4206
Mean 0.000881Median 0.001348Maximum 0.333992Minimum -0.158267Std. Dev. 0.023319Skewness 1.011068Kurtosis 20.78553
Jarque-Bera 56152.59Probability 0.000000
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Média Mediana Máximo Mínimo Desv. Padr. Assimetria Curtose Jarque-Bera Probab.
Observações
Observações
38
APÊNDICE B
Comparação da evolução das carteiras dos ativos estudados, por indicador, com a estratégia
buy and hold.
Petrobras PN (PETR4)
PETR4
-
10
20
30
40
50
60
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
39
Vale PNA (VALE5)
ItauUnibanco PN (ITUB4)
VALE5
-
10
20
30
40
50
60
70
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
ITUB4
-
5
10
15
20
25
30
35
40
45
50
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
40
Bradesco PN (BBDC4)
Gerdau PN (GGBR4)
BBDC4
-
5
10
15
20
25
30
35
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
GGBR4
-
50
100
150
200
250
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
41
Usiminas PNA (USIM6)
IBOVESPA (IBOV)
USIM5
-
5
10
15
20
25
30
35
40
45
50
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's
IBOVESPA
-
2
4
6
8
10
12
14
jane
iro-9
7
julh
o-97
jane
iro-9
8
julh
o-98
jane
iro-9
9
julh
o-99
jane
iro-0
0
julh
o-00
jane
iro-0
1
julh
o-01
jane
iro-0
2
julh
o-02
jane
iro-0
3
julh
o-03
jane
iro-0
4
julh
o-04
jane
iro-0
5
julh
o-05
jane
iro-0
6
julh
o-06
jane
iro-0
7
julh
o-07
jane
iro-0
8
julh
o-08
jane
iro-0
9
julh
o-09
jane
iro-1
0
julh
o-10
jane
iro-1
1
julh
o-11
em R
$ m
ilhõe
s
buy and hold Estocástico Lento IFR MACD Bollinger Bands's