Aplicação de modelos de avaliação por múltiplos no Brasil
Saliba, Rafael Victal
O documento é disponibilizado pela fonte de origem, que mantém a versão integral e as condições de uso.
Resumo
Com base na literatura internacional, testa-se o desempenho de alguns Drivers de Valor comumente utilizados para avaliação de empresas pelos práticos em finanças através de modelos de regressão simples do tipo cross-section que estimam os Múltiplos de Mercado (?'s dos modelos). Utilizando dados de empresas listadas na Bolsa de Valores de São Paulo-Bovespa, diagnostica-se o comportamento dos diversos múltiplos no decorrer do período entre 1994-2004, atentando-se também para as particularidades das atividades desempenhadas pelas empresas da amostra (e seus possíveis impactos no desempenho de cada Driver de Valor) através de uma subseqüente análise com a separação das empresas da amostra em setores. Extrapolando os padrões de avaliação por múltiplos simples usados pelos analistas de empresas das principais instituições financeiras presentes no Brasil, verifica-se que a introdução de intercepto na formulação tradicional não oferece resultados satisfatórios na redução dos erros de apreçamento. Os resultados encontrados podem não ser genericamente representativos, dada a limitada disponibilidade de informações e as restrições impostas na obtenção da base de dados.
Ficha do documento
- Tipo
- Dissertação
- Ano
- 2005
- Instituição
- Fundação Getulio Vargas
- Fonte
- Repositório da FGV
- Idioma
- Português
- Acesso
- Acesso aberto
- Identificador
- oai:repositorio.fgv.br:10438/308
Conteúdos relacionados
- DissertaçãoA atenção em redes sociais supera fatores macroeconômicos na precificação de criptoativos?Fundação Getulio Vargas · 2026
- TeseEnsaios em restrições financeiras de empresas e suas variáveis determinantesFundação Getulio Vargas · 2025
- DissertaçãoPrecificação da sazonalização e flexibilidade em contratos no mercado livre de energiaFundação Getulio Vargas · 2025
- DissertaçãoModelo preditivo para precificação de ativos com integração de notícias do mercado financeiro e técnicas de machine learningFundação Getulio Vargas · 2025