José Carlos de Souza Júnior; Daiana Rafaela Pedersini

DOI: 10.22167/2675-6528-202600979

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A avaliação de ações no mercado brasileiro passou a exigir modelos capazes de combinar sinais de preço relativo e desempenho operacional em um mesmo critério analítico. Com o objetivo de gerar um ranking de atratividade para empresas não financeiras listadas na B3, desenvolveu-se e aplicou-se um score híbrido de avaliação de ações, baseado na combinação de indicadores de valor e crescimento. A pesquisa caracterizou-se como aplicada, quantitativa e descritiva, utilizando dados secundários públicos obtidos em bases de mercado e demonstrações financeiras. O modelo foi estruturado a partir de três indicadores de valor (preço/lucro, preço/valor patrimonial e valor da firma/EBITDA) e três indicadores de crescimento e desempenho operacional (CAGR da receita em cinco anos, CAGR do lucro em cinco anos e margem EBIT). Após a coleta, os dados foram padronizados por z-score, com ajuste de sinal nos múltiplos de valuation, e agregados em dois blocos com pesos iguais de 50% para composição do score final. A aplicação do modelo em uma amostra de dez ações permitiu a construção de um ranking de atratividade, no qual PETR4, PRIO3 e ABEV3 ocuparam as primeiras posições. Adicionalmente, uma análise exploratória complementar de desempenho indicou que a carteira formada pelos três ativos mais bem posicionados apresentou retorno superior ao Ibovespa no horizonte analisado, ao passo que carteiras mais amplas mostraram perda relativa de eficiência. Concluiu-se que o score híbrido proposto pode ser aplicado de forma transparente e replicável como instrumento de apoio à seleção de ações, ao conciliar atratividade relativa e consistência de fundamentos em uma métrica sintética de decisão.

Palavras-chave: Growth investing; Ibovespa; Valuation; Z-score.

1. Introdução

O mercado de capitais brasileiro tem demonstrado crescente complexidade e dinamismo nas últimas décadas. Caracterizado por transformações econômicas estruturais, maior heterogeneidade setorial e mudanças significativas nas condições macroeconômicas, como a volatilidade das taxas de juros e dos ativos financeiros, o ambiente de investimento exige abordagens analíticas mais sofisticadas. A avaliação de ações, nesse cenário, tornou-se uma tarefa desafiadora para investidores e gestores, demandando modelos capazes de integrar múltiplas dimensões do desempenho empresarial e da formação de preços (Damodaran, 2023). A expansão da B3, com o aumento do número de participantes e do volume negociado, reforça a necessidade de ferramentas robustas para a tomada de decisão.

No âmbito da análise fundamentalista, duas filosofias de investimento predominam: o *value investing* e o *growth investing*. O *value investing*, popularizado por Graham e Dodd (2009), foca na identificação de empresas cujas ações são negociadas abaixo de seu valor intrínseco, buscando uma “margem de segurança” por meio de múltiplos de valuation baixos. Em contraste, o *growth investing* prioriza empresas com alto potencial de expansão de receitas e lucros futuros, mesmo que suas ações apresentem múltiplos mais elevados no presente (Damodaran, 2023). Indicadores como o Crescimento Anual Composto (CAGR) e margens operacionais são cruciais para essa abordagem. Embora ambas as estratégias busquem retornos superiores, a aplicação isolada possui limitações, como a negligência de oportunidades de crescimento ou a superestimação de expectativas.

A literatura empírica sugere que tanto fatores de valor quanto de crescimento influenciam o retorno das ações, com variações dependendo do ciclo econômico e das condições de mercado (Fama; French, 1992; Lakonishok; Shleifer; Vishny, 1994). A utilização exclusiva de uma dessas abordagens pode, portanto, resultar em vieses ou na perda de oportunidades. Múltiplos de valuation podem ser distorcidos por flutuações conjunturais, enquanto indicadores de crescimento podem superestimar a sustentabilidade da expansão. Diante disso, a integração de sinais de valor e crescimento em um modelo analítico único emerge como uma estratégia promissora para uma visão mais equilibrada e robusta da atratividade de ações, mitigando os vieses inerentes às análises baseadas em métricas individuais.

No contexto do mercado de capitais brasileiro, a aplicação de modelos que integram sistematicamente indicadores de valor e crescimento ainda é relativamente escassa em estudos práticos e replicáveis. Essa lacuna representa uma oportunidade para desenvolver ferramentas que auxiliem investidores e gestores na tomada de decisões, fornecendo uma métrica sintética e transparente de atratividade. A construção de um modelo híbrido, capaz de conciliar a atratividade relativa de preço com a consistência dos fundamentos operacionais, pode reduzir a subjetividade na seleção de ações, promover maior disciplina na alocação de capital e atenuar vieses comportamentais. Academicamente, este estudo contribui para aprofundar a discussão sobre a eficácia de modelos compostos em um mercado emergente, adicionando evidências empíricas ao debate sobre a integração de fatores clássicos de precificação de ativos.

Nesse contexto, a complexidade do mercado e a necessidade de ferramentas analíticas mais abrangentes justificam a busca por um modelo que combine as perspectivas de valor e crescimento. O problema de pesquisa que norteia este trabalho questiona em que medida a combinação estruturada de indicadores de valor e crescimento, por meio de um score padronizado, pode aprimorar o processo de seleção de ações no mercado brasileiro em comparação com abordagens fundamentadas em métricas isoladas. Assim, o presente trabalho tem como objetivo desenvolver e aplicar um score híbrido de avaliação de ações, baseado na combinação de indicadores de valor e crescimento, a fim de gerar um ranking de atratividade para empresas não financeiras listadas na B3 e analisar, por meio de simulações históricas e avaliação exploratória complementar, o desempenho de carteiras formadas a partir desse modelo em comparação com o índice de referência do mercado.

2. Material e Métodos

A presente pesquisa caracterizou-se como aplicada, de natureza quantitativa e com abordagem descritiva, tendo como objetivo principal o desenvolvimento e a aplicação de um modelo analítico. Este modelo foi concebido para auxiliar na seleção de ações no mercado brasileiro, integrando sistematicamente indicadores de valor e crescimento. A natureza aplicada do estudo visou a criação de uma ferramenta prática, enquanto a abordagem quantitativa fundamentou-se na análise de dados numéricos e a descritiva na caracterização do fenômeno estudado, sem manipulação de variáveis.

O estudo foi conduzido com base em dados secundários públicos, coletados de empresas listadas na B3. O horizonte temporal para a análise dos indicadores de crescimento abrangeu um período de cinco anos, de janeiro de 2021 a dezembro de 2025. Adicionalmente, um recorte pontual de mercado foi estabelecido para a coleta de múltiplos de valuation e margem operacional, especificamente nos dias 20 e 21 de abril de 2026, garantindo a contemporaneidade dos dados de preço.

O universo de análise foi composto por empresas não financeiras que integram o índice Ibovespa. A exclusão do setor financeiro foi uma decisão metodológica estratégica, justificada pelas particularidades de sua estrutura patrimonial e de seus indicadores contábeis, que poderiam comprometer a comparabilidade com os demais setores. Para a etapa operacional do modelo, selecionou-se uma amostra específica de dez ações: PETR4, PRIO3, ABEV3, LREN3, JBSS3, RENT3, TIMS3, CPLE6, VALE3 e WEGE3.

A coleta de dados foi realizada a partir de fontes públicas e amplamente reconhecidas no mercado financeiro. Para a fundamentação do estudo, consideraram-se as séries históricas e informações de mercado disponibilizadas pela B3, as demonstrações financeiras e informes periódicos da CVM, e os filtros de indicadores de plataformas de mercado. Para a base final de cálculo do score, os dados foram consolidados a partir das plataformas Status Invest e Investidor10, enquanto a etapa exploratória complementar de desempenho utilizou variações históricas públicas disponíveis no Investing.com.

Após a coleta, os dados foram consolidados em uma planilha única, onde se realizou a uniformização das nomenclaturas dos indicadores e uma revisão de consistência. Esse processo foi fundamental para viabilizar os cálculos do modelo proposto e assegurar a integridade dos dados. A padronização e a organização dos dados brutos foram etapas cruciais para a aplicação subsequente das técnicas de análise e a construção do score híbrido de forma coerente e replicável.

O modelo proposto foi estruturado em dois blocos distintos de indicadores: valor e crescimento. No bloco de valor, foram empregados os múltiplos preço/lucro (P/L), preço/valor patrimonial (P/VPA) e valor da firma/EBITDA (EV/EBITDA). Para o bloco de crescimento, utilizaram-se o Crescimento Anual Composto (CAGR) da receita em cinco anos, o CAGR do lucro em cinco anos e a margem EBIT. Esses indicadores foram selecionados por sua recorrência na análise fundamentalista e por permitirem uma avaliação conjunta do preço relativo do ativo e da qualidade do desempenho operacional.

Para o tratamento dos dados, os indicadores foram inicialmente padronizados por meio do cálculo do z-score, conforme a Equação 1 do TCC original. Esse procedimento permitiu comparar variáveis com diferentes escalas, transformando-as em uma distribuição com média zero e desvio-padrão um. Posteriormente, realizou-se um ajuste de sinal nos múltiplos de valuation, invertendo seus valores (Equação 2), de modo que múltiplos menores, indicativos de maior atratividade de valor, resultassem em scores padronizados mais elevados, alinhando-os com a lógica de pontuação do modelo.

Com os indicadores padronizados e ajustados, procedeu-se ao cálculo dos scores de bloco. O Score_Valor foi obtido pela média aritmética dos z-scores invertidos dos três múltiplos de valor (Equação 3). De forma análoga, o Score_Crescimento foi calculado pela média aritmética dos z-scores dos três indicadores de crescimento (Equação 4). O score híbrido final, denominado Score_Final, foi então composto pela média ponderada desses dois blocos, atribuindo-se um peso igual de 50% a cada um (Equação 5), resultando em uma métrica sintética de atratividade.

A partir do Score_Final, as empresas foram ordenadas de forma decrescente, gerando um ranking de atratividade. Quanto maior o score final, maior a atratividade relativa do ativo dentro do conjunto analisado, considerando simultaneamente o desconto relativo nos múltiplos e a consistência nos indicadores operacionais. Como etapa complementar, realizou-se uma avaliação exploratória de desempenho de carteiras teóricas, compostas pelos ativos mais bem posicionados no ranking, para analisar seu comportamento em relação ao índice de referência do mercado.

Para a avaliação exploratória de desempenho, foram estruturadas três carteiras teóricas com pesos iguais: Top 3, Top 5 e Top 10. A carteira Top 3 foi composta por PETR4, PRIO3 e ABEV3; a Top 5, por PETR4, PRIO3, ABEV3, LREN3 e JBSS3; e a Top 10, por todos os ativos classificados no ranking final. O retorno de cada carteira foi calculado pela média aritmética simples dos retornos acumulados em doze meses dos ativos componentes, conforme a Equação 6, e comparado diretamente com o desempenho do Ibovespa no mesmo período.

Quanto aos aspectos éticos, a pesquisa utilizou exclusivamente dados secundários públicos de mercado e demonstrações financeiras, sem qualquer interação com seres humanos, animais ou risco ambiental. Dessa forma, o estudo enquadrou-se como pesquisa documental e quantitativa com uso de informações públicas, não demandando submissão ao Comitê de Ética, conforme o direcionamento institucional aplicável a pesquisas dessa natureza. Uma limitação metodológica importante para a etapa exploratória de desempenho foi a indisponibilidade de uma série histórica integralmente ajustada por proventos e eventos corporativos em base homogênea para todos os ativos, o que levou à utilização da variação acumulada em doze meses e à classificação como análise exploratória, e não como um backtest integral de longo prazo.

3. Resultados e Discussão

A aplicação do modelo analítico proposto culminou na construção de um score híbrido de atratividade, que se revelou uma ferramenta eficaz para hierarquizar as ações de empresas não financeiras selecionadas no universo do Ibovespa. Este procedimento operacional permitiu sintetizar, em uma única métrica, a complexa interação entre múltiplos de valuation e indicadores de desempenho operacional. A capacidade do modelo de integrar sistematicamente esses dois pilares da análise fundamentalista é um avanço significativo, pois supera as limitações inerentes à utilização isolada de abordagens de valor ou crescimento, conforme amplamente discutido na literatura financeira (Fama & French, 1992; Lakonishok, Shleifer & Vishny, 1994).

A distribuição dos scores finais entre as dez ações da amostra demonstrou uma heterogeneidade notável, o que é um indicativo da robustez do modelo em discriminar empresas com perfis distintos. Essa variabilidade sugere que o score híbrido não apenas classifica, mas também diferencia de forma significativa as companhias com base em suas combinações específicas de preço relativo e solidez fundamentalista. Empresas que exibiram um equilíbrio superior entre múltiplos de valuation atrativos e indicadores operacionais consistentes foram consistentemente recompensadas com scores mais elevados. Por outro lado, ativos que apresentaram um desempenho excepcional em apenas uma das dimensões, mas deficiências na outra, tenderam a ser penalizados no resultado final, reforçando a premissa de que a atratividade de um investimento reside na confluência de múltiplos fatores, e não na excelência isolada de um único atributo. Este achado corrobora a visão de que uma abordagem holística é crucial para a tomada de decisão em mercados complexos, onde a simples busca por “ações baratas” (value traps) ou “empresas de alto crescimento” (growth at any price) pode levar a armadilhas de investimento (Damodaran, 2023).

Tabela 1. Ranking de atratividade das ações pelo score híbrido

Ranking	Ticker	Score valor	Score crescimento	Score final
1	PETR4	0,9414	1,2398	1,0906
2	PRIO3	-0,1683	0,8383	0,3350
3	ABEV3	0,2412	0,0690	0,1551
4	LREN3	0,7508	-0,4772	0,1368
5	JBSS3	0,9320	-0,6718	0,1301
6	RENT3	-0,1524	0,3416	0,0946
7	TIMS3	-0,2325	-0,1155	-0,1740
8	CPLE6	-0,0436	-0,4997	-0,2716
9	VALE3	-0,0667	-0,9240	-0,4953
10	WEGE3	-2,2019	0,1994	-1,0012

Fonte: elaboração própria, com base em dados consolidados de mercado e indicadores fundamentalistas coletados em 20 e 21 abr. 2026.

A análise detalhada dos resultados apresentados na Tabela 1 revela insights importantes sobre a performance individual das ações. A PETR4, por exemplo, alcançou o topo do ranking com um score final de 1,0906. Este resultado não foi meramente impulsionado por múltiplos de valor baixos, mas sim por uma combinação sinérgica de múltiplos atrativos e indicadores operacionais robustos, refletindo uma empresa que, no momento da análise, apresentava um preço relativamente descontado em relação aos seus fundamentos sólidos. Tal desempenho sugere que a PETR4 conseguiu alinhar a percepção de valor de mercado com uma performance operacional consistente, um cenário ideal para investidores que buscam “qualidade a um preço razoável”, uma filosofia de investimento defendida por grandes nomes como Warren Buffett e Charlie Munger, que se baseia nos princípios de Graham e Dodd (2009). A capacidade do modelo de identificar essa combinação é um testemunho de sua utilidade prática.

Em segunda posição, a PRIO3 obteve um score final de 0,3350, com sua atratividade sendo notavelmente impulsionada pelo bloco de crescimento. Este achado é particularmente relevante, pois demonstra que o modelo é capaz de reconhecer o potencial de empresas com forte trajetória de expansão, mesmo que seus múltiplos de valor não sejam os mais baixos da amostra. O crescimento da receita e do lucro, juntamente com uma margem EBIT saudável, indicam uma empresa em fase de expansão que está gerando valor para os acionistas. A literatura sobre growth investing, como a de Lakonishok, Shleifer e Vishny (1994), enfatiza que empresas com crescimento sustentável tendem a superar o mercado no longo prazo, e o modelo híbrido parece capturar essa dinâmica ao ponderar adequadamente o componente de crescimento. A atratividade da PRIO3, portanto, reside na sua capacidade de expandir suas operações e resultados de forma consistente, o que justifica uma avaliação de mercado que pode ser ligeiramente mais elevada em comparação com empresas de valor puro.

A ABEV3, por sua vez, garantiu a terceira posição com um score final de 0,1551, evidenciando um equilíbrio notável entre valuation e rentabilidade operacional. Este resultado é um exemplo claro da eficácia do score híbrido em identificar empresas que não são extremas em nenhuma das dimensões, mas que apresentam uma solidez balanceada. A ABEV3 é conhecida por sua gestão eficiente e marcas fortes, o que se traduz em margens operacionais consistentes e um valuation que, embora não seja o mais “barato”, reflete a qualidade de seus fundamentos. A capacidade do modelo de valorizar esse equilíbrio é crucial, pois muitas vezes, empresas com fundamentos muito fortes podem ter múltiplos elevados, enquanto empresas com múltiplos muito baixos podem estar em dificuldades operacionais. O score híbrido, ao ponderar ambos, oferece uma visão mais matura da atratividade.

No grupo intermediário do ranking, LREN3, JBSS3 e RENT3 apresentaram scores positivos, indicando uma atratividade relativa moderada. Essas empresas, embora não tenham alcançado as posições de destaque, ainda foram consideradas atrativas dentro da amostra, sugerindo que possuem pontos fortes em uma das dimensões que compensam as fraquezas na outra. Por exemplo, uma empresa pode ter múltiplos de valor razoáveis, mas um crescimento mais modesto, ou vice-versa. O modelo, ao atribuir pesos iguais aos blocos de valor e crescimento, permite que essas nuances sejam refletidas no score final, oferecendo uma classificação mais granular e informativa do que uma análise baseada em um único indicador. Para investidores, isso significa que essas empresas podem representar oportunidades, mas talvez com um perfil de risco-retorno diferente das líderes do ranking, exigindo uma análise mais aprofundada de seus catalisadores específicos.

Em contraste, TIMS3, CPLE6, VALE3 e WEGE3 registraram scores negativos, sinalizando uma atratividade comparativa inferior dentro da amostra. Este grupo ilustra a capacidade do modelo de identificar ativos que, no momento da análise, apresentavam desequilíbrios significativos. O caso da WEGE3 é particularmente instrutivo, com o score final de -1,0012. Apesar de ser amplamente reconhecida por sua elevada qualidade operacional e consistência de crescimento, o resultado sugere que seus múltiplos de valuation eram significativamente superiores à média da amostra, o que não foi compensado pela sua performance operacional. Este é um ponto crucial para a análise de investimentos: uma empresa de excelente qualidade pode não ser um bom investimento se seu preço já incorpora expectativas de crescimento excessivamente otimistas. Damodaran (2023) frequentemente argumenta que o preço pago por um ativo é tão importante quanto a qualidade do ativo em si. O modelo, ao penalizar múltiplos excessivamente elevados, mesmo em empresas de alta qualidade, alinha-se a essa perspectiva, ajudando a evitar o que é conhecido como “armadilha do crescimento”, onde investidores pagam um prêmio excessivo por crescimento futuro que pode não se materializar ou já está precificado.

Os resultados obtidos reforçam a proposta central deste estudo: a integração sistemática de indicadores de valor e crescimento gera uma métrica de atratividade mais equilibrada e abrangente do que a utilização isolada de variáveis financeiras. Ao invés de favorecer automaticamente ações que são meramente “baratas” ou empresas que exibem “forte crescimento” sem considerar o custo, o modelo hierarquiza os ativos com base em uma combinação ponderada de atratividade relativa de preço e consistência operacional. Esta abordagem mitiga os vieses inerentes a estratégias puras de value ou growth investing, que podem ser suscetíveis a ciclos de mercado e a distorções setoriais. Por exemplo, em períodos de euforia, ações de crescimento podem ser supervalorizadas, enquanto em recessões, ações de valor podem estar em “armadilhas de valor”. O score híbrido busca uma resiliência maior ao conciliar essas duas forças, oferecendo uma visão mais robusta e menos volátil da atratividade de um ativo. A aplicação prática desse modelo permite aos investidores uma ferramenta mais disciplinada para a alocação de capital, reduzindo a dependência de julgamentos subjetivos e vieses comportamentais que frequentemente afetam as decisões de investimento (Kahneman & Tversky, 1979).

Desempenho das carteiras e comparação com o benchmark

Como etapa complementar e crucial para validar a aplicabilidade prática do modelo, foi realizada uma avaliação exploratória do desempenho de carteiras teóricas formadas a partir do ranking do score híbrido. Esta análise, embora com limitações inerentes ao seu caráter exploratório, forneceu insights valiosos sobre a capacidade preditiva e a utilidade do modelo na construção de portfólios. A metodologia empregada para esta avaliação, conforme detalhado na seção de Métodos, envolveu a formação de três carteiras com pesos iguais – Top 3, Top 5 e Top 10 – e a comparação de seus retornos acumulados em 12 meses com o desempenho do Ibovespa, o principal índice de referência do mercado brasileiro. A escolha por uma análise exploratória, em vez de um backtest integral de longo prazo, foi uma decisão metodológica pragmática, dada a indisponibilidade de uma série histórica integralmente ajustada por proventos e eventos corporativos em base homogênea para todos os ativos da amostra. No entanto, mesmo com essa ressalva, os resultados oferecem uma primeira indicação da aderência prática do modelo.

Tabela 2. Desempenho exploratório das carteiras do score híbrido versus Ibovespa (12 meses)

Carteira	Composição	Retorno em 12 meses (%)	Excesso sobre o Ibovespa (p.p.)
Top 3	PETR4, PRIO3, ABEV3	50,48	4,48
Top 5	PETR4, PRIO3, ABEV3, LREN3, JBSS3	31,43	-14,57
Top 10	PETR4, PRIO3, ABEV3, LREN3, JBSS3, RENT3, TIMS3, CPLE6, VALE3, WEGE3	31,17	-14,83
Ibovespa	Benchmark	46,00	0,00

Fonte: elaboração própria, com base nas variações em 12 meses divulgadas nas páginas históricas das ações e do Ibovespa.

Os resultados apresentados na Tabela 2 e ilustrados na Figura 1 são particularmente elucidativos. A carteira Top 3, composta pelas ações PETR4, PRIO3 e ABEV3, demonstrou um retorno acumulado em 12 meses de 50,48%, superando o Ibovespa, que registrou 46,00%, em 4,48 pontos percentuais. Este achado é um forte indicativo de que o score híbrido possui a capacidade de identificar um conjunto restrito de ativos com potencial de superação do mercado. A concentração nos ativos mais bem posicionados pelo modelo parece ter sido uma estratégia eficiente, sugerindo que os ativos com os scores mais elevados realmente possuem uma combinação superior de atratividade de valor e crescimento, que se traduz em desempenho superior no curto prazo observado. Este resultado corrobora a ideia de que um modelo bem construído pode atuar como um filtro eficaz para selecionar as “melhores ideias” de investimento, mesmo em um universo limitado.

Em contraste, as carteiras Top 5 e Top 10 apresentaram retornos acumulados de 31,43% e 31,17%, respectivamente, ficando abaixo do Ibovespa em 14,57 e 14,83 pontos percentuais. Este desempenho inferior das carteiras mais amplas é um achado crítico e merece uma discussão aprofundada. Ele sugere que, no recorte observado e com a amostra limitada de dez ativos, a expansão da diversificação para incluir ativos com scores intermediários ou negativos diluiu a vantagem observada nos papéis líderes do ranking. Em outras palavras, à medida que a carteira se torna mais diversificada dentro de um universo restrito, a inclusão de ativos com menor atratividade relativa, embora ainda classificados pelo modelo, introduz um “ruído” que compromete o desempenho geral do portfólio. Este fenômeno pode ser interpretado como uma diluição do “alfa” gerado pelos ativos de ponta, onde a adição de ativos de menor qualidade marginal não contribui positivamente para o retorno total da carteira.

Figura 1. Desempenho exploratório das carteiras formadas a partir do score híbrido em comparação com o Ibovespa, com base na variação acumulada em 12 meses.

Fonte: elaboração própria, com base em dados públicos de mercado.

A superioridade da carteira Top 3 em relação ao benchmark, mesmo em uma análise exploratória, reforça a utilidade prática do score híbrido como um mecanismo de triagem de ativos. O modelo demonstrou maior capacidade de destacar empresas que, no período de 12 meses observado, apresentaram desempenho superior ao mercado. Este resultado é particularmente relevante para investidores que buscam construir portfólios concentrados e de alta convicção, onde a seleção criteriosa de cada ativo é fundamental. A capacidade do score de identificar esses “vencedores” potenciais é uma de suas maiores contribuições.

Por outro lado, o desempenho inferior das carteiras Top 5 e Top 10 sugere que a expansão da diversificação dentro de um universo reduzido pode incluir ativos cuja atratividade relativa, embora suficiente para permanência na amostra, não foi capaz de sustentar um desempenho superior ao Ibovespa no mesmo horizonte. Este achado é crucial para a interpretação e aplicação do modelo. Ele indica que o score pode funcionar não apenas como uma ferramenta de ordenação geral, mas, mais especificamente, como um instrumento de priorização. Em outras palavras, o modelo parece ser mais eficaz quando empregado para identificar um conjunto mais restrito de oportunidades de investimento do que quando utilizado para compor carteiras excessivamente amplas a partir de uma amostra reduzida. Para investidores, isso implica que a disciplina na seleção e a manutenção de um portfólio concentrado nos ativos de maior pontuação podem ser a estratégia mais eficaz ao utilizar este modelo.

É fundamental, contudo, interpretar esses resultados com a devida cautela. Em primeiro lugar, a natureza exploratória da análise de desempenho em 12 meses não permite inferir uma evidência causal definitiva de geração de alfa ou de superação consistente do mercado no longo prazo. Um backtest rebalanceado e de longo prazo, que considere custos de transação e rebalanceamentos periódicos, seria necessário para uma conclusão mais robusta. Em segundo lugar, o ranking foi construído com base em dados fundamentalistas consolidados em um recorte temporal específico, enquanto os retornos utilizados refletem o desempenho passado em 12 meses. Portanto, a comparação deve ser vista como um teste complementar de aderência prática do modelo, e não como uma prova irrefutável de sua capacidade de prever retornos futuros. A literatura sobre eficiência de mercado (Fama, 1970) sugere que a superação consistente do mercado é um desafio, e qualquer modelo, por mais sofisticado que seja, deve ser testado rigorosamente ao longo do tempo.

Mesmo com essas limitações, os resultados oferecem uma evidência adicional coerente com a proposta do trabalho: a combinação entre indicadores de valor e crescimento parece ser mais eficaz para destacar um conjunto mais concentrado de ações atrativas do que para justificar uma ampliação indiscriminada da carteira. Este é um insight valioso para a gestão de portfólios, especialmente em mercados emergentes como o brasileiro, onde a informação pode ser assimétrica e a volatilidade é maior. O modelo oferece uma estrutura para a tomada de decisão que pode ajudar a mitigar os riscos associados a escolhas puramente discricionárias.

Do ponto de vista aplicado, o modelo contribui para tornar a comparação entre ativos mais disciplinada, transparente e passível de replicação, reduzindo a subjetividade na análise e oferecendo uma métrica sintética de atratividade relativa. Para gestores de fundos e investidores individuais, isso significa uma ferramenta que pode auxiliar na identificação de oportunidades de investimento de forma mais sistemática e menos propensa a vieses. Em termos acadêmicos, o estudo reforça a relevância da integração entre fatores de valor e crescimento na avaliação de ativos, especialmente em um mercado emergente como o brasileiro, onde as dinâmicas de mercado podem ser diferentes das observadas em mercados desenvolvidos. A pesquisa adiciona à literatura sobre modelos de fatores e sua aplicação em contextos específicos.

Como limitações adicionais, destaca-se que os resultados dependem do período analisado, da composição da amostra (apenas 10 ações), da escolha dos indicadores e da disponibilidade de dados padronizados. A sensibilidade do modelo a essas escolhas metodológicas é um ponto a ser explorado em futuras pesquisas. Adicionalmente, a etapa de avaliação de desempenho foi conduzida em caráter exploratório, o que recomenda cautela na generalização dos achados para outros períodos ou universos de investimento.

Como encaminhamento futuro, recomenda-se a ampliação da amostra de empresas para incluir um universo maior de ações do Ibovespa e, possivelmente, de outros índices. A realização de backtests com séries históricas integralmente ajustadas por proventos e eventos corporativos, com rebalanceamento periódico e consideração de custos de transação, seria fundamental para validar a capacidade de geração de alfa do modelo em longo prazo. Além disso, testes de sensibilidade com diferentes ponderações entre os blocos de valor e crescimento poderiam revelar a robustez do modelo e identificar a combinação ótima de pesos para diferentes condições de mercado. A exploração de outros indicadores de valor e crescimento, bem como a aplicação de técnicas de otimização de portfólio baseadas no score, também representam avenidas promissoras para pesquisas futuras. Ainda assim, os achados obtidos indicam que o score híbrido constitui uma ferramenta promissora para a análise e seleção de ações no mercado brasileiro, oferecendo uma base sólida para futuras investigações e aplicações práticas.

4. Conclusão

Conclui-se que o objetivo foi atingido, com o desenvolvimento e aplicação de um score híbrido de avaliação de ações. Este modelo, que combina indicadores de valor e crescimento, permitiu gerar um ranking de atratividade para empresas não financeiras listadas na B3. A metodologia demonstrou capacidade de discriminar ativos de forma objetiva, identificando diferenças relevantes entre empresas com base em múltiplos de valuation e indicadores operacionais padronizados. A construção do score final, com pesos equilibrados, mostrou coerência e viabilidade prática. A análise exploratória complementar de desempenho indicou que a carteira formada pelos ativos mais bem posicionados superou o benchmark no horizonte analisado, sugerindo a utilidade do score na priorização de oportunidades de investimento, especialmente em portfólios mais concentrados.

Contudo, é crucial reconhecer as limitações deste estudo. Os resultados dependem do período analisado, da amostra restrita de dez ações, da escolha dos indicadores e da natureza exploratória da avaliação de desempenho, que não permite inferir causalidade definitiva ou superação consistente de mercado no longo prazo. Para estudos futuros, recomenda-se a ampliação da amostra de empresas e a realização de backtests robustos, com séries históricas ajustadas e rebalanceamento periódico, considerando custos de transação. Testes de sensibilidade com diferentes ponderações e a exploração de outros indicadores de valor e crescimento, bem como técnicas de otimização de portfólio, representam avenidas promissoras para aprofundar a pesquisa e validar a capacidade do score híbrido em diferentes cenários de mercado.

Referências Bibliográficas

DAMODARAN, A. 2023. Investment valuation: tools and techniques for determining the value of any asset. 4. ed. Wiley, Hoboken, NJ, USA.

FAMA, E.F.; FRENCH, K.R. 1992. The cross-section of expected stock returns. The Journal of Finance 47(2): 427-465.

GRAHAM, B.; DODD, D. 2009. Security analysis. 6. ed. McGraw-Hill, New York, NY, USA.

LAKONISHOK, J.; SHLEIFER, A.; VISHNY, R.W. 1994. Contrarian investment, extrapolation, and risk. The Journal of Finance 49(5): 1541-1578.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Finanças e Controladoria do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy