Avaliação de densidades para a previsão dos retornos das ações da Petrobras
DOI:
https://doi.org/10.5902/red.v2i24.5599Palavras-chave:
Retorno das ações, Ajuste, Densidade de ProbabilidadeResumo
A emissão primária de ações pode ser uma importante fonte de financiamento para a criação de capacidade produtiva, em particular, em um ambiente de oligopólio com limitado crédito bancário. Além de favorecer a acumulação de capital da empresa, com baixos custos monetários, permite a redução do endividamento empresarial (de alto custo) junto ao setor bancário. No contexto das descobertas de petróleo na camada pré-sal da Bacia de Santos, dos desafios tecnológicos e da necessidade de novos investimentos daí derivados, muitas emissões primárias foram realizadas pela Petrobras e o mercado apresentou grande volatilidade e imprevisibilidade na última década. O objetivo do artigo foi testar três densidades de probabilidade para prever as probabilidades dos retornos das ações (PETR4) da Petrobras negociadas na BOVESPA a partir dos preços diários de fechamento no período de 26.06.2000 a 17.04.2012. As densidades candidatas foram a Normal, a Logística e a Cauchy. O teste de aderência de Kolmogorov-Smirnov sugere que a densidade Logística é a que melhor descreve a probabilidade dos retornos das ações da Petrobras. Os resultados indicam que se pode obter com probabilidade de 0,5130271 uma rentabilidade diária positiva, e, com uma probabilidade de 0,4698542 uma rentabilidade maior que 5% ao mês.
Downloads
Referências
CARGNELUTTI FILHO, A.; MATZENAUER, R.; TRINDADE, J. K. (2004) “Ajustes de funções de distribuição de probabilidade à radiação solar global no Estado do Rio Grande do Sul”, Pesquisa Agropecuária Brasileira, Brasília, 39(12): 1157-1166.
CATALUNHA, M. J.; SEDIYAMA, G. C.; LEAL, B. G.; SOARES, C. P. B.; RIBEIRO, A. (2002) “Aplicação de cinco funções densidade de probabilidade a séries de precipitação pluvial no Estado de Minas Gerais”, Revista Brasileira de Agrometeorologia, Santa Maria, 10(1): 153-162.
DE NEGRI, J. A. et. al. (Org.) (2010) Poder de Compra da Petrobras: impactos econômicos nos seus fornecedores. Brasília: IPEA: Petrobras.
GRAZIANI, A. (2003) The Monetary Theory of Production, Cambridge: Cambridge University Press.
GREENE, W. (2006) Econometric Analysis. London, UK: Pearson Education.
HU, W. (2005) “Calibration of multivariate generalized hyperbolic distributions using EM algorithm, with applications in risk management, portfolio optimization and portfolio credit risk”, Electronic Theses, Treatises and Dissertations. Paper 3694, Florida State University.
BOVESPA (2012) Índice Ibovespa: definição e metodologia. São Paulo: IBOVESPA. Disponível em: www.bmfbovespa.com.br/Pdf/Indices/IBovespa.pdf ; Acesso 02.05.2012.
LABINI, P. S. (1986) Oligopólio e Progresso Técnico. São Paulo: Nova Cultural.
MORETTIN, L. G. (1986) Estatística Básica: probabilidade. São Paulo: Livraria Ciência e Tecnologia Editora Ltda.
MURTA, R. M.; TEODORO, S. M.; BONOMO, P.; CHAVES, M. A. (2005) “Precipitação Pluvial Mensal em níveis de probabilidade pela distribuição Gama para duas localidades do sudoeste da Bahia”, Ciência e Agrotecnologia, Lavras, vol. 29(5): 988-994.
PETERNELLI, L. A.; MELLO, M. P. (2007) Conhecendo o R: uma visão estatística. Viçosa: Universidade Federal de Viçosa.
RAMANATHAN, R. (1993) Statistical Methods in Econometrics. London: Academic Press.
R DEVELOPMENT CORE TEAM (2007). “R: A language and environment for statistical computing. R Foundation for Statistical Computing”, Vienna, Austria. URL <http://www.Rproject.org>.
SILVA, F. R. C. (2011) Descobertas de petróleo e crescimento econômico no Brasil: simulações a partir do modelo de Solow. Natal, RN: UFRN (Monografia de Graduação).
STEINDL, J. (1983) Maturidade e estagnação no capitalismo americano. São Paulo: Abril Cultural.
