摘要：Modelos de precificação de ativos representam uma das áreas mais discutidas e pesquisadas em finanças. São amplamente utilizados de forma teórica e prática na área de investimentos para modelar e prever o risco e o retorno de títulos e de carteiras, bem como em finanças corporativas para estimar o custo de capital e ranquear projetos de investimento. Eles fornecem uma medida útil de risco que ajuda gerentes e investidores a determinar o retorno requerido ao colocarem seu dinheiro em risco. O objetivo deste trabalho é analisar o desempenho do modelo CAPM condicional com aprendizagem proposto por Adrian e Franzoni (2009) quando aplicado às séries de retornos das ações mais líquidas do mercado brasileiro no período de 1987 a 2010. Adrian e Franzoni (2009), em seu artigo, complementaram a literatura do CAPM condicional ao modelarem um novo tipo de variação temporal nos betas condicionais. Nesse ambiente, os investidores formam expectativas sobre o nível de longo prazo dos fatores de risco com base nos retornos realizados de variáveis exógenas. Como consequência direta dessa hipótese, os betas condicionais são modelados por meio do filtro de Kalman. Utilizando dados de 25 carteiras classificadas por tamanho e pelo índice valor contábil-valor de mercado, os autores concluíram que o CAPM condicional com aprendizagem é capaz de reduzir substancialmente os erros de apreçamento quando comparado ao CAPM em sua versão original. Dessa forma, contribuímos para a literatura de precificação de ativos, na medida em que avaliamos se esse modelo é capaz de reduzir os erros de apreçamento em relação à versão original do modelo CAPM, quando aplicado a dados de ativos individuais brasileiros. Os resultados deste artigo evidenciam uma redução nos erros de precificação do CAPM condicional com aprendizagem em relação ao CAPM em sua versão original. Dessa forma, tais resultados empíricos sugerem que a aprendizagem sobre os betas deve ser levada em consideração na estimação do CAPM incondicional e condicional.
其他摘要：Asset pricing models represent one of the most discussed and researched areas in finance. They are widely used in a theoretical and practical manner to model and predict risk and return to price securities and portfolios as well as in corporate finance to estimate the cost of capital and rank investment projects. They provide a usable measure of risk that helps managers and investors determine what return they deserve for putting their money at risk. The objective of this paper is to analyze the performance of the learning-augmented conditional CAPM model of Adrian and Franzoni (2009) when applied to the returns of the most liquid stocks transactioned in the Brazilian stock market from 1987 to 2010. Adrian and Franzoni (2009), in their paper, complemented the conditional CAPM literature by modeling a new type of time-variation in conditional betas. In this environment, investors form expectations about the long run level of factor loadings from the observation of realized returns of exogenous variables. As a direct consequence of this assumption, conditional betas are modeled using the Kalman filter. Using data of 25 portfolios sorted by size and book-to- -market ratio, the authors concluded that the learning-augmented conditional CAPM is able to substantially reduce the pricing errors when compared to the original version of CAPM. Thus, we contribute to the pricing asset literature, as we evaluate whether this model is able to reduce pricing errors in relation to its original version when applied to Brazilian individual asset data. The results of this article showed a decreasing in the pricing errors of learning-augmented conditional CAPM in relation to CAPM in its original version. Our empirical results suggests that the learning about betas should be taken into account when estimating both conditional and unconditional CAPM.
关键词：CAPM condicional; Filtro de Kalman; Previsão; Coeficiente beta; Erros de apreçamento;Conditional CAPM; Kalman filter; Forecasting; Beta coefficient; Pricing errors;CAPM condicional; Filtros de Kalman; Previsión; Coeficiente beta; Errores de valoración
