A maioria das pesquisas em finanças está dedicada a investigar o efeito de um anúncio da companhia ou de um evento, sistêmico ou não, sobre o preço de uma ação. Esses estudos são conhecidos como “estudos de eventos”. Neste contexto, apresentaremos uma breve introdução à metodologia e demonstraremos como aplicá-la por meio de exemplos reais utilizando a linguagem de programação Python.

A ideia inicial desses tipos de estudos tinham o intuito de verificar se os mercados eram eficientes, especificadamente a forma semiforte. A hipótese do mercado eficiente refere-se a hipotese de que os preços das ações refletem plenamente toda a informação disponível.

Como a hipótese é bem forte, foi subdividida em três categorias:

• Forma fraca: toda a informação contida nos preços históricos se reflete plenamente nos preços correntes;
• Forma semiforte: a informação disponível ao público está plenamente refletida nos preços correntes das ações;
• Forma forte: toda a informação, pública e privada, se reflete plenamente nos preços dos ativos.

Portanto, com intuito de testa a forma semiforte, o estudo de eventos busca verificar o quão rapidamente a informação divulgada é incorporada ao preço da ação.

Por exemplo, quando uma emrpesa anuncia que os dividendos serão muito maiores que o esperado, essa novidade refletirá no preço da ação no mesmo dia ou durante a próxima semana? Muitos autores utilizam o Estudo de Eventos para determinar o quão rápido a ação reage, a direção de mudança de preço e o impacto provável ocorrido.

Causalidade de um Evento

Determinar o efeito de um evento sobre uma variável pode ser algo díficil, afinal, não sabemos se de fato foi o evento que provocou a mudança. Imagine, o galo canta de manhã, e logo o sol nasce. Seria o efeito do canto que provocou o nascer do sol? Esse caso parece ser óbvio, mas muito vezes a dificuldade está nessa questão. Pense bem no caso de anúncio de dividendos, e se em um momento próximo a esse evento ter ocorrido outro evento significativo? Como podemos lidar com essa situação?

Estudos que envolvem verificar a causalidade são rigorosos, e usualmente fazem a separação de dois grupos: controle e tratamento, com o intuito de comparar os efeitos. O grupo de controle refere-se aquele conjunto que não é submetido a um experimento, enquanto o de tratamento recebe a intervenção.

Mas vejam bem, como podemos fazer o controle de uma variável que é difícil de se realizar em um experimento controlado? (afinal, não é possível provocar um evento de propósito no mercado financeiro para fins de pesquisa), e principalmente, uma variável que se move ao longo do tempo, e está sujeita a n diferentes eventos.

Todo o design de um estudo de eventos é baseado na ideia de que algo muda ao longo do tempo - o evento ocorre, o tratamento entra em vigor. Então, podemos comparar o antes do evento com o depois do evento e obter o efeito do tratamento. No entanto, precisamos que o tratamento seja a única coisa que está mudando. Se o resultado fosse mudar de qualquer maneira por algum outro motivo e não o considerarmos, o estudo de eventos não será bem-sucedido.

Aqui está a parte complicada. Afinal, as coisas estão sempre mudando ao longo do tempo. Então, como podemos ter certeza de que removemos todas as maneiras pelas quais o tempo afeta o resultado, exceto por aquela parte extremamente importante que queremos manter, o momento em que passamos do antes do evento para o depois do evento?

Em resumo, temos que ter alguma maneira de prever o contrafactual. Temos muitas informações sobre a variável e seus dados antes do evento. Se pudermos fazer uma suposição de que o que estava acontecendo antes teria continuado se não fosse pelo tratamento, então podemos usar esses dados do antes do evento para prever o que esperaríamos ver sem o tratamento e, em seguida, ver como o resultado real se desvia dessa previsão. A extensão da discrepância é o efeito do tratamento.

Temos 3 formas de realizar esse procedimento:

• Comparar os antes e depois do evento, sem qualquer controle;
• Prever os valores de depois do evento usando dados antes do evento;
• Comparar os depois do evento com algum “benchmark”.

Veremos como construir o Estudo de Eventos.

Metodologia dos Estudos de Eventos