Primeira vez aqui? Seja bem vindo e cheque o FAQ!
x

Explorando os votos do FOMC e sua relação com os retornos do S&P500

0 votos
26 visitas
perguntada Mai 19 em Economia por João Pedro Mussi (31 pontos)  

Por Carlos Madeira & João Madeira, 2019. "The Effect of FOMC Votes on Financial Markets," The Review of Economics and Statistics, MIT Press, vol. 101(5), pages 921-932, December.

Compartilhe

1 Resposta

0 votos
respondida Mai 19 por João Pedro Mussi (31 pontos)  
editado Mai 19 por João Pedro Mussi

A proposta de reprodução para o trabalho de econometria se baseia no paper de Carlos Madeira e João Madeira, 2019. "The Effect of FOMC Votes on Financial Markets," The Review of Economics and Statistics, MIT Press, vol. 101(5), pages 921-932, December. Nele, há uma análise dos efeitos da discriminação dos votos do Federal Open Market Committee no índice S&P500. A motivação pela escolha deste artigo se deve pela análise de como uma política monetária pode vir a afetar o mercado além dos juros e de acordo com (Bernanke & Kutner, 2005), o efeito mais imediato de uma política monetária é por meio do mercado financeiro.
Discussões acerca do método utilizado por Banco Centrais sobre a divulgações de suas políticas monetárias existem e tem-se demonstrado relevantes para o mercado. De acordo com Blinder et al. (2008) e Ehrmann, Eijffinger, & Fratzscher (2012) não há consenso em relação a melhor estratégia de comunicação de nova política monetária. Além disso, existe o debate entre acadêmicos e policymakers relacionado a transparência e seus possíveis efeitos negativos para o bem social (Morris & Shin, 2002; Svensson, 2006). A transparência relacionada a decisões dos Banco Centrais (como o Fed. Reserve ou ECB) tem aumentado ao longo das últimas décadas (Blinder et al. 2008). Já em Meade e Stasavage (2008) foi estudado como a transparência na tomada de decisão relacionada a política monetária pode tornar membros avessos a votarem contra. E de acordo com os achados do artigo referente ao trabalho é possível que membros possam evitar a desavença para que o mercado não reaja negativamente aos seus votos.
O método de divulgação dos votos para o mercado divide em dois períodos, 1994-2002 e 2002-2018, que serão importantes para as estimações à frente. Esta divisão acontece, pois, no primeiro período os votos somente eram abertos em uma média de seis semanas após a reunião em uma minuta divulgada pelo Fed ao meio-dia, enquanto o segundo era divulgado após a reunião, em geral, às 14:00. O objetivo para os autores é medir o efeito no mercado de um consenso ou não entre os 12 membros de acordo com o preço intraday do S&P500. Os autores então decidiram medir em duas janelas de tempo diferentes sendo a primeira é fechada que leva em conta o valor dez minutos antes do lançamento do com votos e 20 minutos após, e a segunda é aberta utilizando os quinze minutos anteriores e os 45 minutos após. Logo, as medições aconteceram de acordo com cada período e cada um tem duas janelas temporais. No entanto, os dados intraday para reprodução somente seriam possíveis com bases de dados como Bloomberg e Tick Data que são plataformas pagas e acesso restrito. Portanto, utilizei os dados do índice do começo do dia e fim do dia das datas de anunciação dos votos pois eram gratuitos.
Ao todo foram 199 reuniões em que 68 aconteceram entre 1994-2002 e 131 entre 2002-2018. As principais variáveis em relação a unanimidade (U) ou desavença (D) dos dados são em forma de dummies para a estimação dos retornos utilizando o método de MQO. A regressão terá o formato de \[r_t =\beta_u*U_t+\beta_*D_t+e_t \] em que os retornos são calculados a partir de \[ r_t = ln(\frac{P_T}{P_t})\]. Ao longo dos texto, foram feitas mais regressões adicionando controles como o tamanho das minutas e a surpresa ou não do resultado da política monetária . No entanto, além da dificuldade dos dados serem achados somente por meio de plataformas de dados pagas e não foram sigificantes no artigo original.
Foi feito um gráfico ao longo do período completo, equivalente ao do artigo original, que demonstra o número de desavenças por reunião. Um dado adicional a partir do gráfico mostra que no período de 2002 a 2018 houve a maior porcentagem de desavenças 44,6% (59/131) em relação ao período anterior com um pouco mais de 31% de desavenças. A partir dele é possível notar que a partir da observação 112, a primeira de 2008, o número de desavenças foi consideravelmente maior por toda a crise econômica e financeira que aconteceu a partir desse ponto.

A imagem será apresentada aqui.

Os dados também demonstram que os r_t tiveram uma média de: \[E(r_t)= -0.117% (94-18), 0.093% (94-02), -0,221% (02-18) \] e um desvio padrão de: \[0.0112(94-18)| 0.0098 (94-02)| 0.0117 (02-18)\]
Em relação aos dados econométricos o artigo original encontra estimativas estatisticamente significantes ao nível de 5% apenas no caso de 2002-2018 em ambas as janelas temporais enquanto no primeiro período a única amostra estatisticamente significante é na janela aberta com significância de 10%. O resultado encontrado pelos autores foi de que desavenças afetam negativamente os retornos e unanimidade de votos afeta positivamente. No caso da reprodução com dados diários não foi possível chegar a resultados semelhantes. Além das estimações dos dois períodos sem intercepto como proposto pelo artigo, adicionei mais regressões agora com intercepto e outras levando em consideração com o período completo. Estas também se demonstraram ineficazes na estimação. O resultado era esperado pois ao longo do dia existem diversos acontecimentos e informações que afetam o mercado e a significância de um fator bem específico como a relação de votos do FOMC se perde. No entanto, há importância em relação a dados intraday e pode ser uma variável de interesse importante.
OLS 1994-2002
A imagem será apresentada aqui.
OlS 2002-2018
A imagem será apresentada aqui.

comentou Mai 19 por João Pedro Mussi (31 pontos)  
Segue o código utlizado em Python:

import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm
import statsmodels.formula.api as smf

df = pd.read_excel (r'C:\Users\.spyder-py3\econo1.xlsx', sheet_name='Planilha2')
print (df)
print("Mean: ",df["rt"].mean())
print("Variance" , df["rt"].var())
print("The standard deviation of column 'rt' is :", df["rt"].std())

subset_df1 = df[df["u_1"] == 1]
column_count1 = subset_df1.count()
subset_df2 = df[df["DESAVENça"] == 1]
column_count2 = subset_df2.count()
print ("Numero de vezes unanime",column_count1)
print ("Numero de vezes com desavenças", column_count2)
subset_df3 = df[df["OBS"] >= 67]
column_count3 = subset_df3.count()

subset_df4 = df[df["OBS"] < 67]
column_count4 = subset_df4.count()


Dados2002=subset_df4
Dados2018=subset_df3  
print ("Mean 2002",Dados2002["rt"].mean())
print ("Mean 2018",Dados2018["rt"].mean())
print("The standard deviation of column 'rt' is :",Dados2002["rt"].std())
print("The standard deviation of column 'rt' is :",Dados2018["rt"].std())
subset_df5 = Dados2018[Dados2018["numero de desavencas"] >0]
column_count5 = subset_df5.count()
print (column_count5)
print (df["DESAVENça"])
plt.xlabel("número da reunião")
plt.ylabel("número de desavenças")
plt.plot(df['numero de desavencas'])

y= Dados2002['rt']
X = Dados2002[['DESAVENça', 'u_1']]
res = smf.ols('rt ~ DESAVENça + u_1', data=Dados2002).fit()
print( res.summary())
model1 = sm.OLS(y,X).fit()
results1=model1.summary(alpha=0.05)
print(results1)   

y2= Dados2018['rt']
X2 = Dados2018[['DESAVENça', 'u_1']]
model2 = sm.OLS(y2, X2).fit()
results2=model2.summary(alpha=0.05)
print(results2)  
res = smf.ols('rt ~ DESAVENça + u_1', data=Dados2018).fit()
print( res.summary())

y3= df['rt']
X3 = df[['DESAVENça', 'u_1']]
model3 = sm.OLS(y3, X3).fit()
results3=model3.summary(alpha=0.05)
print(results3)       
res = smf.ols('rt ~ DESAVENça + u_1', data=df).fit()
print( res.summary())
...