ABSTRACT. This study aimed to evaluate cassava genotypes to identify the ones with the best nutritional values for ruminant diets. Nine genotypes were used: Amansa Burro (BGM 549), Aramaris (BGM 116), Brasília, Cambadinha (BRS Guaíra), Curvelinha, Engana Ladrão (BGM 1269), Trouxinha (BGM 1468), BRS Gema de Ovo, and BRS Dourada. A completely randomized block experimental design with nine treatments (genotypes) and three blocks (replicates) were employed. The roots were analyzed for dry matter production (DMP) in tonnes per hectare, crude protein (CP), neutral detergent fiber (NDF), acid detergent fiber (ADF), starch, and in vitro dry matter digestibility (IVDMD). The multivariate analysis was carried out using Ward’s hierarchical agglomerative clustering based on Mahalanobis distance. The groups formed were evaluated by Scott-Knott test. The group formed by genotype Engana Ladrão was chosen as the best one for having the highest DMP t ha-1 and IVDMD values and the lowest NDF and ADF contents.

Abstract The paper investigates the impact of corporate sustainability on asset prices. For that purpose, we develop a novel corporate sustainability factor and test the extent to which this factor is priced in an augmented four-factor version of the traditional Fama & French (1993) asset pricing model. The corporate sustainability factor is based on a zero-investment portfolio which is long in stocks with high sustainability and short in stocks with low sustainability. We use data on the Brazilian stock market to estimate alternative model specifications with different combinations of four explanatory variables: the corporate sustainability premium, the market risk factor premium, the size factor premium and the book-to-market factor premium. Our results indicate that corporate sustainability is priced and helps to explain the variability in the cross-section of expected stock returns.

A teoria moderna do portfólio é baseada na noção de que a diversificação de uma carteira de investimento gera portfólios com uma melhor relação entre risco e retorno. Ultimamente, gestores vêm tentando ampliar a diversificação de suas carteiras por meio do investimento em cotas de diferentes fundos de investimento que, por sua vez, já contêm portfólios diversificados. Com isso, vem crescendo o interesse acadêmico e de participantes do mercado na seleção de carteiras formadas por fundos de investimento. Neste trabalho, a aplicabilidade e o desempenho fora da amostra de estratégias quantitativas de otimização para a construção de carteiras de fundos serão analisados. O desempenho dessas carteiras de fundos otimizadas será comparado ao desempenho do portfólio ingênuo igualmente ponderado, da carteira teórica do Ibovespa e do Índice de Mercado de Renda Fixa (IRF-M). Para a obtenção de portfólios ótimos, restritos para venda a descoberto, formula-se um problema de otimização de portfólios compostos por 388 fundos de investimento multimercado brasileiros ao longo de cinco anos. Para a modelagem da matriz de covariâncias dos retornos desses 388 fundos, é empregado um modelo fatorial heterocedástico parcimonioso. Tomando como base diferentes frequências de rebalanceamento dos pesos, as medidas de desempenho fora da amostra indicam que as estratégias quantitativas de otimização proporcionam resultados superiores em termos de volatilidade, desempenho ajustado ao risco, turnover e custos de transação ao longo do tempo. Em particular, os resultados obtidos indicam que o índice de Sharpe (IS) da carteira de média-variância e da carteira de mínima-variância foram estatisticamente diferentes (maiores) em relação ao IS do índice de referência de todas as frequências de rebalanceamento utilizadas. Com relação ao desvio padrão, os testes estatísticos mostraram que a volatilidade das carteiras de mínima-variância é estatisticamente diferente (menor) da volatilidade do índice de referência. Resultados semelhantes foram encontrados quando se comparou o desempenho das carteiras otimizadas ao Ibovespa e ao portfólio igualmente ponderado.

The modern portfolio theory is based on the idea that diversification of a portfolio results in a better relationship between risk and return. Recently, managers have tried to extend the diversification of their portfolios by investing in fund of funds that, in turn, already contains diversified portfolios. With that comes growing interest from academic and market participants in the selection of portfolios formed by investment funds. In this paper, the applicability and performance out of sample of quantitative portfolio optimization strategies to build portfolios of funds will be analyzed. The performance of these portfolios of investment funds will be compared with the performance of the naive equally weighted portfolio, the Ibovespa index and the fixed income index, IRF-M. To obtain optimal portfolios, restricted to short selling, we determine an optimization problem of portfolios composed of 388 Brazilian hedge (multimarket) funds over five years traded in the Brazilian market. For modeling of the covariance matrix of returns of 388 funds is used a heteroscedastic factorial parsimonious model. Considering different frequencies for the portfolio re-balancing frequency (daily, weekly and monthly), the measures of performance out of the sample show that the optimal portfolios exhibit superior results in terms of volatility, risk-adjusted performance, turnover and transaction costs over time. In particular, the results based on robust statistical tests indicate that the Sharpe ratio (SR) of the mean-variance portfolios and that of the minimum-variance portfolios were statistically different (higher) compared to the SR of the benchmark index in all portfolio re-balancing frequencies used in the paper. Regarding the standard deviation, statistical tests employed in the paper showed that the volatility of the minimum-variance portfolios is statistically different (lower) than the volatility of the benchmark index. Similar results were found when comparing the performance of the optimal portfolios with respect to the Ibovespa index and the equally- weighted portfolio.

La teoría moderna de la cartera se basa en la idea de que la diversificación de una cartera da lugar a una mejor relación entre riesgo y rendimiento. Recientemente, los gestores han tratado de ampliar la diversificación de sus carteras mediante la inversión en cuotas de fondos de inversión diferentes que, a su vez, contienen carteras diversificadas. Con esto viene el creciente interés académico y de los participantes del mercado en la selección de las carteras formadas por fondos de inversión. En este trabajo, la aplicabilidad y el rendimiento fuera de la muestra de estrategias cuantitativas de optimización de carteras de fondos de inversión serán analizados. El desempeño de estas carteras de fondos de inversión será comparado con el desempeño de la cartera ingenua igualmente ponderada, con el índice Ibovespa e con el índice de ingreso fijo, IRF-M. Para obtener carteras óptimas, restringido a venta corta, formulase un problema de optimización de carteras compuestas de 388 fondos de inversión brasileños multimercado a lo largo de cinco años. Para la modelización de la matriz de covarianzas de los rendimientos de los 388 fondos emplease un modelo factorial heterocedástico parsimonioso. Tomando en cuenta distintas frecuencias de rebalanceo de las carteras optimizadas, las medidas de rendimiento fuera de la muestra indican que las estrategias de optimización cuantitativas proporcionan resultados superiores en términos de volatilidad, rendimiento ajustado al riesgo, turnover y costes de transacción a lo largo del tiempo. En particular, los resultados indican que el ratio de Sharpe (S) de la cartera media-varianza y de la cartera de mínima varianza fueron estadísticamente diferentes (superior) en comparación con el reequilibrio de referencia se utilizan todas las frecuencias. Con respecto a la desviación estándar, las pruebas estadísticas muestran que la volatilidad de las carteras de varianza mínima es estadísticamente diferente (menor) que la volatilidad del índice de referencia. Se encontraron resultados similares cuando se compara el rendimiento de las carteras optimizadas con respecto al índice Bovespa y la cartera igualmente ponderada.

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.

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.

Modelos de valoración de activos representan una de las más discutidas e investigadas áreas en las finanzas. Son ampliamente utilizados de forma teórica y práctica en el área de investimentos para modelizar y predecir el riesgo y la rentabilidad de los títulos y de las carteras, así como en finanzas corporativas para estimar el coste de capital y clasificar proyectos de inversión. Proporcionan una medida útil de riesgo a los gestores y a los inversores para ayudarles a determinar el retorno adecuado para poner su dinero en riesgo. El objetivo de este trabajo es analizar el desempeño del modelo CAPM condicional con aprendizaje propuesto por Adrian y Franzoni (2009) cuando aplicado a los retornos de las acciones más negociadas en el mercado de valores de Brasil desde 1987 hasta 2010. Adrian y Franzoni (2009), en su artículo, contribuyen a la literatura del CAPM condicional por proponer un nuevo tipo de variación temporal en los betas condicionales. En este entorno, los inversores se forman expectativas sobre el nivel de largo plazo de los pesos factoriales a partir de la observación de los rendimientos realizados de variables exógenas. Como consecuencia directa de este supuesto, los betas condicionales se pueden modelizar mediante el filtro de Kalman. Utilizando datos de 25 acciones ordenadas por el tamaño y por el índice de valor contable-valor de mercado, los autores concluyeron que el CAPM condicional con el aprendizaje es capaz de reducir sustancialmente los errores de precios en comparación con el CAPM en su versión original. De esta manera, contribuimos con la literatura de valoración de activos, al evaluar si este modelo es capaz de reducir los errores de precios en relación a la versión original del modelo CAPM, cuando aplicada a los datos del mercado brasileño a partir de los activos individuales. Los resultados de este estudio muestran una reducción de lo modelo CAPM condicional con aprendizaje en relación con el CAPM en su versión original. Por lo tanto, os resultados empíricos sugieren que el aprendizaje acerca de los betas debe ser tomado en cuenta en la estimación del CAPM condicional e incondicional.

As abordagens de inteligência computacional, tais como sistemas nebulosos e redes neurais artificiais, têm-se gradualmente estabelecido como ferramentas robustas para a tarefa de aproximação de sistemas não-lineares complexos e previsão de séries temporais. Em aplicações envolvendo a área de Finanças, evidências empíricas anteriores indicam que modelos de inteligência computacional são mais precisos, dada sua maior capacidade em capturar não-linearidades e outros fatos estilizados presentes em séries financeiras. Nesse sentido, este artigo investiga a hipótese de que os modelos matemáticos de redes neurais perceptron multicamadas, redes neurais função de base radial e o sistema nebuloso Takagi-Sugeno (TAKAGI; SUGENO, 1985) são capazes de fornecer uma previsão fora-da-amostra mais acurada que os modelos auto-regressivos de médias móveis (ARMA) e auto-regressivo de médias móveis supondo heterocedasticidade condicional auto-regressiva (ARMA-GARCH). O desempenho de previsão um-passo-à-frente dos modelos foi comparado utilizando-se séries de retorno da taxa de câmbio real/dólar (R$/US$) com freqüências de 15 minutos, 60 minutos, 120 minutos, diária e semanal. Resultados indicam que o desempenho dos modelos está diretamente relacionado à freqüência observada das séries. Além disso, os modelos de redes neurais obtiveram um desempenho superior em relação aos demais modelos considerados. A avaliação da estratégia de negociação estabelecida com base nas previsões geradas pelos modelos indicou que estratégias baseadas em modelos de redes neurais forneceram retornos superiores em relação àquelas baseadas em modelos ARMA e ARMA-GARCH e também em relação à estratégia buy-and-hold.

Computational intelligence approaches, such as artificial neural networks and fuzzy systems, have become popular tools in approximating complicated nonlinear systems and time series forecasting. In Finance applications, there is evidence that these computational intelligence models are able to provide a more accurate forecast given their capacity for capturing nonlinearities and other stylized facts of financial time series. Thus, this paper investigates the hypothesis that the mathematical models of multilayer perception, radial basis function neural networks (NN), and the Takagi-Sugeno (TS) fuzzy systems are able to provide a more accurate out-of-sample forecast than the traditional AutoRegressive Moving Average (ARMA) and ARMA Generalized AutoRegressive Conditional Heteroskedasticity (ARMA-GARCH) models. Using a series of Brazilian exchange rate (R$/US$) returns with 15 minutes, 60 minutes, 120 minutes, daily and weekly basis, the one-step-ahead forecast performance is compared. The results indicate that forecast performance is strongly related to the series' frequency, possibly due to nonlinearities effects. Besides, the forecasting evaluation shows that NN models perform better than the ARMA and ARMA-GARCH ones. In the trade strategy based on forecasts, NN models achieved higher returns when compared to a buy-and-hold strategy and to the other models considered in this study.