Formação de Expectativas

As expectativas do mercado de capitais podem ser referidas como expectativas macro quando dizem respeito a expectativas relacionadas às classes de ativos, ou expectativas micro, que são as expectativas referentes a ativos individuais. As micro expectativas são mais utilizadas durante a seleção de ativos individuais. Em outras atribuições, as expectativas macro são referidas como top-down, enquanto as micro expectativas são referidas como bottom-up.

Utilizar uma abordagem disciplinada leva a alocações de ativos mais eficazes e gestão de riscos adequada. Além disso, a formulação de expectativas de mercado de capitais é referida como pesquisa de beta, pois está relacionada ao risco sistemático do mercado. Pode ser utilizada na avaliação de ações e títulos de renda fixa. A pesquisa alfa, por outro lado, refere-se ao ganho de retornos excepcionais através do uso de estratégias específicas dentro de grupos de ativos específicos. Para a formulação de expectativas de mercado de capitais, o analista deve utilizar o seguinte processo de 7 passos:

Quadro - Processo de sete passos.

Fonte: Elaborado pelo autor. 

A seguir, observe os possíveis problemas de previsões. Como mencionado há pouco, previsões ruins podem resultar em alocações de ativos inadequados. Nesse sentido, o analista deve estar ciente dos problemas potenciais com seus dados, modelos e expectativas de mercado de capitais resultantes.

Nove problemas são comumente encontrados durante o processo de realizar previsões:

• limitações ao uso de dados econômicos, erro de medição;
• os dados e pressupostos;
• as limitações dos históricos de estimação;
• a utilização do risco ex post e retorno a médias, os padrões dos dados;
• não repetição;
• falha ao assumir as relações condicionais;
• interpretações erradas de correlações;
• armadilhas psicológicas e modelo; e
• incerteza nos dados de entrada.

Existem várias limitações à utilização de dados econômicos. Primeiramente, porque o intervalo de tempo entre a coleta e a utilização é, frequentemente, longo. No Fundo Monetário Internacional, por exemplo, os relatórios de dados são disponibilizados com um atraso de até dois anos. Segundo, os dados são muitas vezes revistos, sendo que essas revisões não são realizadas concomitantemente à publicação. Em terceiro lugar, a metodologia e as definições de dados mudam ao longo do tempo. Por exemplo, a cesta de bens em índice de preço ao consumidor altera-se com o passar do tempo. Além disso, os índices de dados são comumente alterados ao longo do tempo, ou seja, a base sobre a qual eles são calculados também se modifica.

Há vários erros relacionados à mensuração de possíveis dados. Erros de transcrição ou gravação incorreta de informações são mais graves se forem tendenciosos em uma mesma direção. O viés de sobrevivência ocorre, majoritariamente, se um gestor apresentar uma série que é excluída do registro histórico de desempenho de gerentes ou empresas, sendo essas exclusões frequentemente relacionados a um desempenho insatisfatório. Dados de avaliação para os ativos ilíquidos e raramente com preços de mercado também podem distorcer o resultado, afastando-o da realidade. Trata-se de um problema particular no que se refere a alguns ativos alternativos como imóveis. Ademais, o reescalonamento de dados baseados em vieses econômicos subjacentes pode ser utilizado para manter o retorno médio estável, isto é, sem alteração, mas com aumento da variância (do risco).

As limitações das estimativas históricas também podem dificultar a formação das expectativas do mercado de capitais. Desse modo, os valores de dados históricos devem ser ajustados frequentemente conforme mudam os ambientes econômicos, políticos, regulamentares e tecnológicos. Isso é particularmente verdadeiro no que se refere a ativos voláteis como, por exemplo, o capital próprio. Essas alterações são conhecidas como mudanças de regime e resultam em dados estáticos. Por exemplo, o estouro da bolha da tecnologia em 2000 resultou em dados de retornos que eram bastante diferentes daqueles dos cinco anos anteriores.

A não estacionariedade pode significar diferentes períodos na série cronológica, os quais apresentam diferentes propriedades estatísticas e criam problemas com métodos de testes padrão estatísticos. Os dados históricos são o ponto de partida para estimar as seguintes expectativas de mercado de capitais: o retorno esperado, o desvio-padrão e as correlações. No entanto, a seleção do período de dados históricos não é óbvia. Nesse sentido, um período longo é preferível por vários motivos.

De modo a calcular a covariância histórica e a correlação, o número de dados precisa exceder o número de dados de covariâncias a ser calculado. Um conjunto maior de dados de maior período fornece estimativas estatísticas mais precisas e com menor variância. Além disso, se o período for mais longo para um conjunto maior de dados, as estatísticas calculadas geralmente serão menos sensíveis aos pontos inicial e final selecionados durante o período. No entanto, períodos longos também podem gerar potenciais problemas. Isso porque é mais provável que estejam incluídas mudanças de regime, que são aquelas relacionadas aos fundamentos subjacentes. Nesse sentido, cada mudança de regime cria um subperíodo com características distintas das anteriores. Por exemplo, o comportamento do mercado imobiliário e de praticamente todos os ativos financeiros era diferente antes do colapso do mercado financeiro em 2008. Isso resultou em dois problemas:

• a não estacionariedade, o que invalida muitas estatísticas calculadas a partir de certos períodos em relação a antes e depois do colapso; e
• obriga o analista a utilizar o julgamento para decidir qual subperíodo (antes ou depois da crise) será mais relevante daqui para frente.

No que se refere ao segundo problema, pode acontecer de o período curto ser mais relevante estatisticamente, isto é, mais significativo. Isso pode criar uma tentação para utilizar dados mais frequentes, tais como dados semanais, em vez de pontos de dados mensais, de modo a obter um tamanho maior de amostra. Infelizmente, uma maior frequência de pontos de dados geralmente são mais propensos a apresentar valores ausentes ou desatualizados, o que é chamado de assincronismo e pode resultar em cálculos de correlação inferior e distorcida. Duas perguntas podem ser utilizadas para ajudar a resolver a questão do período a ser selecionado:

• existe alguma razão para acreditar que todo o período não é apropriado?
• se a resposta à primeira pergunta for sim, far-se-á um teste estatístico para confirmar se há ou não uma mudança de regime, assim como o ponto da série de tempo em que a quebra de regime ocorre?

É importante utilizar dados ex post (dados após o fato), de modo a determinar o risco ex ante (antes do fato), assim como para identificar se há possibilidade de o retorno ser problemático. Por exemplo, suponha que há vários anos os investidores tenham tido receio de que o BACEN tivesse que aumentar as taxas de juros para combater a inflação. Essa situação poderia vir a causar pressão sobre os preços das ações. Além disso, se a inflação diminuísse sem intervenção do BACEN, os retornos de ações aumentariam. Ao observar essa situação, o analista concluiria que os retornos das ações estavam elevados ao não observar o risco prévio que os investidores tinham enfrentado. Desse modo, o analista concluiria que os retornos futuros (ex ante) das ações também seriam altos. Em suma, ele seria levado a subestimar os riscos que os investidores de capital enfrentam e superestimariam os retornos potenciais.

Ao utilizar dados históricos, os analistas também podem identificar padrões em retornos de ativos que não são susceptíveis de ocorrer no futuro, os quais podem produzir distorções nos dados. Esse fato acontece com a mineração de dados. Por acaso, algumas variáveis apresentarão uma relação com retornos de ativos, a qual, todavia, provavelmente não persistirá. Por exemplo, caso o analista utilize um nível de significância de 5%, examine a relação entre retornos de ações e selecione 40 variáveis aleatoriamente, dois por cento (ou 5%) de variáveis são esperadas para mostrar uma relação estatisticamente significativa com os retornos das ações apenas por acaso.

Outro viés potencial decorre do intervalo entre os dados escolhidos, o chamdo viés de tempo. Como exemplo, podemos citar as ações small-cap, que oferecem retornos amplamente superiores as ações de grande capitalização, sendo que sua vantagem desaparece quando dados de duas décadas anteriores são excluídos. De modo a evitar esses preconceitos, o analista deve primeiro perguntar se há qualquer base econômica para as variáveis encontradas estarem relacionadas aos retornos das ações. Segundo, deve examinar o processo de modelagem a fim de verificar a suscetibilidade ao preconceito. Por fim, o analista deve testar a relação descoberta como fora de amostra de dados para determinar se essa relação é persistente. Isso seria feito para estimar a relação com uma parte dos dados históricos, de modo a então reavaliá-la em relação à outra porção.

As previsões dos analistas também podem falhar no que tange à contabilização das informações de condicionamento, apresentando uma relação entre ativos e variáveis econômicas inconstante ao longo do tempo. Os dados históricos refletem o desempenho ao longo de muitos ciclos de negócios diferentes e condições econômicas distintas e, portanto, os analistas devem contabilizar as condições atuais em suas previsões. Como exemplo, suponha que o beta da empresa é estimado em 1,2 utilizando dados históricos. Se, no entanto, os dados originais forem separados em duas faixas pela expansão econômica ou pela recessão, o beta pode ser 0.8 em expansões e 1.6 em recessões. Em caso de extrapolação, a estimativa do analista do beta da empresa deve refletir se é esperada uma expansão, ou seja, se o beta esperado beta é 0.8, ou uma recessão, de modo que o beta esperado beta seja 1,6. Ademais, o beta utilizado deve ser aquele que seja consistente com as expectativas do analista no que se refere às condições econômicas.

Um outro problema na formação de expectativas de mercado de capitais é a má interpretação de correlações, isto é, o nexo de causalidade. Nesse sentido, suponha que o analista considera que os preços do milho estavam correlacionados com as chuvas nos Estados Unidos durante o trimestre anterior. Seria razoável concluir que a precipitação influencia os preços do milho. No entanto, não seria razoável afirmar que os preços do milho influenciam a precipitação, ainda que a estatística de correlação apresente essa conclusão. A precipitação é uma variável exógena, isto é, surge de forma exterior ao modelo. Sendo assim, é importante considerar que o preço do milho é uma variável endógena, ou seja, origina-se dentro do modelo.

Também é possível que haja uma terceira variável que influencia ambas as variáveis mencionadas no parágrafo anterior, ou que haja uma relação não linear entre essas duas variáveis, a qual é perdida na estatística de correlação, que mensura as relações lineares. Esses cenários ilustram problemas relacionados à estatística de correlação simples. Uma alternativa a essa correlação para descobrir relações preditivas seria uma regressão múltipla. Em uma regressão múltipla, retardando-se os termos, variáveis de controle e termos não lineares podem ser incluídos como variáveis independentes para especificar melhor a relação. Já a variável de interesse é conhecida como a correlação parcial e seria utilizada para realizar a análise desejada.

Armadilhas psicológicas

Analistas também são suscetíveis a armadilhas psicológicas:

• Na armadilha de ancoragem, a primeira informação recebida é sobrecarregada. Por exemplo, durante um debate sobre o futuro da economia, se o primeiro orador prever uma recessão, a essa previsão será atribuída maior credibilidade;
• Na armadilha do status quo, previsões são altamente influenciadas pelo passado recente. Se a inflação atual for 4%, esta se tornará a previsão, ao invés de escolher um valor diferente e potencialmente cometer um erro;
• Na armadilha de viés de confirmação, apenas as informações que apoiam a crença existente são consideradas, e tal evidência pode ser procurada ativamente enquanto outras provas são ignoradas. Além disso, de forma a contrariar essas tendências, os analistas devem conceder controle igual a todas as provas e procurar opiniões contraditórias;
• Na armadilha do excesso de confiança, os erros do passado são ignorados, e a falta de comentários de outros é tomada como um acordo, sendo que a precisão das previsões é superestimada. Além disso, de forma a combater essa armadilha, deve-se considerar uma variedade de potenciais resultados;
• Na armadilha de prudência, as previsões são excessivamente conservadoras de modo a evitar o arrependimento de se realizar previsões extremas que podem acabar sendo incorretas. De forma a combater essa armadilha, deve-se considerar uma variedade de potenciais resultados;
• A armadilha da memória afirma que é mais fácil lembrar um evento extremo que é sobreavaliado. Nesse sentido, muitos acreditam que o crash da bolsa dos EUA em 1929 pode ter deprimido valores de ativos nos anos 30. De modo a combater essa armadilha, deve-se basear as previsões em dados objetivos ao invés de emoções ou lembranças do passado.

O modelo e a incerteza de entrada

A incerteza do modelo refere-se à seleção do modelo correto. Nesse contexto, o analista pode estar incerto sobre a utilização de um fluxo de caixa descontado ou um modelo de valor relativo quando da avaliação da rentabilidade esperada de uma ação. Ademais, a incerteza de entrada tem relação com o conhecimento dos valores de entrada corretos para o modelo. Por exemplo, mesmo se o analista soubesse que o modelo de fluxo de caixa descontado é o mais apropriado, o correto crescimento de taxas de desconto ainda seria necessário.

Testes de eficiência de mercado geralmente dependem da utilização de um determinado modelo. Nesse sentido, muitos pesquisadores utilizam o modelo de mercado e o beta como a medida relevante de risco. Se o beta não for a medida correta, as conclusões em matéria de eficiência de mercado serão consideradas inválidas. Além disso, alguns acreditam que anomalias de mercado, as quais têm sido explicadas pelas finanças comportamentais, estão relacionadas às ações dos investidores racionais, mas utilizam modelos de avaliação diferentes, que incluem as limitações humanas no que tange aos erros cognitivos e preconceitos emocionais.