Importância e objetivos

O preço dos produtos cotados no mercado financeiro e, de forma geral, os fluxos de capitais sofrem oscilações quando eventos de diversas naturezas acontecem, os quais podem estar associados a questões políticas, econômicas ou sociais. Ao falar do caso brasileiro (considerando o recorte temporal do estudo), desde 2018 até 2020, diversos episódios causaram efeitos negativos no mercado, tal como o caso da Operação Lava-jato (desde 2014), Operação Carne fraca - carne adulterada (desde 2017), greve dos caminhoneiros, entre outros (^{Arantes et al., 2019}; ^{Barros et al., 2019}; de Araújo et al., 2018; ^{Padula e Albuquerque, 2018}).

Esses eventos, quando associados à conjuntura internacional e a países com os quais o Brasil mantém uma forte relação bilateral, causam um grande impacto no mercado financeiro. O contexto do caso da Operação Lava-jato, em que onde foram envolvidas várias empresas de capital aberto, fez com que o tema gerasse um risco sistêmico que afetou o indicador da bolsa de valores. Além disso, o tema ganhou destaque quando a Petróleo Brasileiro S.A. (Petrobras) foi citada como alvo inicial, haja vista a importância dessa empresa na composição da carteira do indicador de mercado. Na mesma linha, tem-se o caso da carne adulterada, "carne fraca", algo que, inicialmente, pode ser visto como um problema não sistêmico, mas que, posteriormente, foi se transformando em um problema sistêmico, afetando outras empresas do setor.

Também não se pode negligenciar os eventos que acontecem em outros países (que podem ser determinantes para o fluxo de capitais) com os quais o Brasil mantém um alto nível de dependência comercial, como é o caso da guerra comercial entre os Estados Unidos e a China. Especificamente, as trocas de comércio entre o Brasil, os Estados Unidos e a China representam, aproximadamente, 70 % em média no total do fluxo de comércio (vide figura 1). Assim, a princípio, entende-se que exista uma relação causal entre o indicador Ibovespa e os indicadores de bolsas internacionais mencionados.

Fonte: MDIC, plataforma comexstat (2020).

Figura 1 Relação comercial entre o Brasil e os países selecionados 

A canalização de eventos políticos, econômicos e vinculados com os indicadores de bolsas de valores tem sido vastamente estudada na literatura (^{Iskenderoglu e Akdag, 2020}; ^{Blahun e Blahun, 2020}; ^{Park et al., 2019}; ^{Debata e Mahakud, 2018}; ^{Ali, 2018}; ^{Megaravalli e Sampagnaro, 2018}). Além disso, existe um consenso de que o crescimento econômico medido pela renda da economia tem uma relação direta com o indicador bursátil (^{Bostanci e Yilmaz, 2020}), e essa relação também pode refletir um comportamento bi-causal entre dois países que detêm uma assídua relação de troca comercial. Evidentemente, o comércio bem como o fluxo de capitais são importantes determinantes na conexão entre países (^{Bostanci e Yilmaz, 2020}; ^{Gouvea et al., 2020}). E essa relação, em muitos casos, pode ser notória em países com maior desenvolvimento, bem como, nos que apresentam vantagem competitiva para certos produtos no mercado internacional (^{Iskenderoglu e Akdag, 2020}).

Nesse ínterim, uma variável importante dentro da abordagem em discussão diz respeito ao preço internacional do petróleo. No período em estudo, o preço internacional desse produto teve oscilações em determinados momentos, resultado da guerra de preços entre os países da Organização dos Países Exportadores de Petróleo (Opep) e a Rússia (vide figura 2). Dada a importância desse produto para a movimentação da economia, o efeito no mercado financeiro foi notório. Cabe reforçar, nesse contexto, que o estudo em questão visa incorporar todos os efeitos para determinar o grau de relação causal entre esses indicadores de bolsas.

Portanto, o objetivo do estudo é analisar a relação de causalidade entre o Ibovespa e as demais bolsas de valores internacionais: Shangai, Nikkei, Merval e S&P500, de 2018 a 2020. O tempo de análise foi definido com a finalidade de captar a expansão que o indicador Ibovespa teve nos últimos anos até a crise econômica causada pela covid-19. Além disso, por intermédio do estudo, visa-se captar a reação do mercado (medidas ou estratégias das empresas) e as medidas adotadas pelos governos para impulsionar as economias. Para tal finalidade, utilizou-se do procedimento de causalidade de Granger, por meio do vetor autorregressivo (VAR), incorporando também a função impulso-resposta.

Evidência empírica

A importância do estudo, o qual tem o objetivo de analisar o efeito causal entre o indicador Ibovespa e as demais bolsas mundiais, é reforçada em virtude do grau de relação bilateral de comércio, o que pode ser verificado na figura 1. Evidentemente, os Estados Unidos e a China são os mercados mais importantes, logo, é esperado que eventos que favoreçam o aumento do fluxo de comércio tenham um efeito estatisticamente significativo na análise de causalidade. A princípio, verifica-se que o efeito no comércio é significativo (considerando uma análise de trocas de comércio), mas a importância desse comportamento deve ainda ser verificada por meio do teste de causalidade de Granger, ou seja, evidenciar que o comércio segue um comportamento similar ao fluxo de capitais no mercado financeiro.

Por meio dos estudos desenvolvidos por ^{Gnangnon (2020)}, ^{Carrasco e Tovar-Garcia (2020)}, ^{Zhao e Serieux (2018)}, e ^{Tan e Chin (2017)}, sustenta-se que o fluxo de comércio e importância dos países na composição do mercado de destino das exportações exercem influência na renda, bem como nas intenções de investimento das empresas exportadoras. Consequentemente, é esperado que a captação de recursos, o aumento de receita e a expansão de capital exerçam um efeito favorável e uma valorização das empresas na bolsa de valores, já que o mercado precifica antecipadamente esse comportamento (^{Kartika et al., 2020}; ^{Sugianto, et al., 2020}; ^{Hertina, et al., 2019}).

Nesse contexto, ^{Visalakshmi e Manickavasagam (2018)}, afirmam que a diversificação, em curto prazo, seria benéfica para os investidores em bolsa de valores dos BRICS¹. Assim, a longo prazo, eventos conjunturais dos países tenderiam a dificultar os possíveis ganhos dos investidores. ^{Farias e Sáfadi (2010)}, verificaram que a bolsa dos Estados Unidos (Dow Jones) exerce uma forte influência sobre os outros mercados, ao analisar uma relação de causalidade com as bolsas do Brasil, da China, da Rússia, do Japão e do Reino Unido. Portanto, no estudo proposto, espera-se um efeito causal e/ou bi-causal do Ibovespa, principalmente com a China e os Estados Unidos, de forma positiva e significativa - hipótese principal (^{Gusarova, 2019}; ^{Escher e Wilkinson, 2019}).

Já, ao relacionar a importância do comércio e seu efeito na bolsa de valores, ^{Beh e Yew (2020)}, determinaram que o valor das exportações, a oferta monetária, a taxa de câmbio efetiva real nos Estados Unidos e o preço do ouro são fatores determinantes para o mercado de ações nos Estados Unidos. Além disso, as bolsas dos Estados Unidos e da China têm uma forte relação de longo prazo, ao considerar fatores macroeconômicos no estudo, tais como taxa de câmbio e índice de preços ao consumidor (Beh e, Yew,; 2020; ^{Duran e, Ersin,; 2020}; ^{Feng et al., 2020}).

Ao falar da taxa de câmbio, ^{Caporale et al. (2017)} verificaram que a alta (ou baixa) volatilidade da taxa de câmbio está associada a entradas de ações (títulos) dos países asiáticos em direção aos Estados Unidos. Evidentemente, a valorização ou desvalorização da moeda internacional pode exercer uma forte influência na tomada decisão e na atração dos fluxos de investimentos entre os países. Também, ^{Duran e Ersin (2020)} detectaram uma relação de longo prazo entre exportações e mercado de ações, ao analisar os Estados Unidos e a China.

BOLSA DE VALORES B3 (IBOVESPA): EVENTOS ASSOCIADOS AO COMPORTAMENTO DA SÉRIE

Desde 2018 até final de 2019, a bolsa de valores B3 (oficial do Brasil) experimentou uma tendência crescente, com diversas oscilações nesse período, porém, em intensidade menor quando comparada à crise causada pela covid-19 (vide figura 2). Na figura 2, são mencionados alguns eventos que causam oscilação do indicador Ibovespa, seja de eventos associados ao contexto interno do país, seja ao ambiente internacional.

Fonte: ^{Economatica (2020)}.

Figura 2 Comportamento do indicador Ibovespa de janeiro de 2018 a 2 de julho de 2020 

A exemplo, em junho de 2018, as ações da Petrobras (uma das empresas mais importantes no Brasil) tiveram uma queda de, aproximadamente, 15 %, o que causou uma perda de valor de mercado em torno de 40,9 bilhões de reais (^{Economatica, 2020}). Associado a esse evento, tem-se a greve dos caminhoneiros, que durou 11 dias, causando desabastecimento e prejuízos em vários setores da economia. Além disso, no mesmo mês, as medidas comerciais dos Estados Unidos contra a China causaram uma reação adversa no mercado interno, consequentemente, o fortalecimento do dólar causou pressão negativa sobre os mercados acionários emergentes².

Em maio de 2019, as perspectivas econômicas do Brasil tornam o ambiente de negócios instável. A estimativa do produto interno bruto brasileiro sofre uma correção evidenciando desaceleração da economia. O fraco desempenho das vendas no varejo e o menor desempenho industrial da China (Global Economic Data, Indicators, Charts & Forecasts - (Ceic), 2020), explicam, em grande parte, a questão. Especificamente, nesse período, a produção industrial na China teve uma desaceleração de 5,4 em relação ao ano anterior. A importância da economia chinesa se faz notória em outras economias, e o Brasil não é alheio. Os problemas citados no parágrafo anterior, além de terem um efeito na economia chinesa (refletindo um deterioro da renda e do emprego), foram repassados para o mercado financeiro.

Em abril de 2020, a Arábia Saudita (membro da Opep e segundo maior produtor no mundo de petróleo) iniciou uma guerra de preços com a Rússia (não integra o cartel), consequentemente, o preço internacional se desvalorizou. O caso ficou evidente com o aumento das reservas nos Estados Unidos, ante o qual os produtores foram obrigados a baixar o preço, o que provocou o colapso. Assim, por esse período, as negociações do preço futuro WTI ficaram negativas (fato inusual) e o Brent caiu 9 % aproximadamente (^{Economatica, 2020}).

Nesse mesmo período, o mercado do petróleo sofreu a pressão da crise causada pelo avanço do coronavírus, a qual levou diversos setores da economia e cadeias de produção a ficarem paradas, além das restrições de viagens em todo o mundo. Especificamente, o choque de oferta teve seu início em março de 2020, sendo notório o efeito da pandemia causada pelo coronavírus. O resultado disso foi relevante no primeiro semestre de 2020, com queda na renda das economias dependentes de energia (^{Fundo Monetário Internacional, 2020}), queda na demanda dos derivados de petróleo, além de desaceleração de projetos voltados à exploração de petróleo.

O efeito da crise causada pela covid-19 foi amplamente evidente nas séries de indicadores das bolsas (vide figura 3), sendo que as maiores volatilidades podem ser verificadas nos indicadores S&P500, Ibovespa, Nikkei e Merval, enquanto a menor no indicador Shangai. Esse comportamento, a priori, pode servir de base para sustentar que as relações de causalidade podem ser estatisticamente significativas ao relacionar o indicador Ibovespa com as bolsas que tiveram maior volatilidade nesse período, em detrimento do indicador Shangai - hipótese secundária.

VAR, causalidade de Granger

O modelo VAR consiste em um sistema de equações simultâneas que procuram captar a existência de relações de interdependência entre as variáveis, o que permite avaliar o impacto de choques aleatórios sobre uma variável específica.

Segundo ^{Enders (2009)}, o uso da metodologia VAR permite a obtenção das elasticidades impulso para k períodos posteriores, que possibilitam avaliar o comportamento das variáveis em resposta a choques individuais sobre qualquer variável do sistema. Somada a isso, sua utilização possibilita a decomposição da variância dos erros de previsão para k períodos à frente, em percentagens a serem distribuídas a cada variável que compõe o sistema (^{Balcilar e Bekun, 2020}; ^{Ruch, F. et al., 2020}; ^{Weigt e Wilfling, 2020}; ^{Gogas et al., 2018}).

Portanto, o modelo VAR descreve os movimentos dinâmicos das variáveis endógenas por meio de seus próprios valores passados. A partir de ^{Enders (2009)}, expressa-se um sistema bivariado simples:

Supõe-se que y_t e z_t sejam estacionários; εy_t e εy_z sejam sequências de distúrbios do tipo ruído branco com erro-padrão de σ _y e σ _z , não correlacionados.

Dessa forma, as equações (1) e (2) são a forma estrutural ou o modelo primitivo do VAR, em que y_t tem efeito contemporâneo em z_t e z_t têm efeito contemporâneo em y_t. Na forma matricial, o modelo VAR estrutural pode ser representado como:

Ou:

Em um formato mais compacto tem-se:

Em que B é conhecida como matriz de relações contemporâneas. Pré-multiplicando por B^-1 obtém-se o VAR na forma-padrão:

Que na forma de equações seria:

Em que:

Desde que os resíduos do VAR na forma-padrão incorporam as relações contemporâneas e pode-se escrever ^e1_t e ^e2_t como:

Contudo, não é possível identificar todos os parâmetros do modelo primitivo com base na estimação do VAR, pois as equações a serem estimadas (1 e 2) contêm seis coeficientes (а₁₀, а₂₀, а₁₁, а₁₂, а₂₁, а₂₂,) e os valores calculados VAR(e_lt),VAR ( e_lt ,e_2t) e Cov ( e_lt, e_2t ), o que soma nove parâmetros, enquanto o sistema primitivo contém 10 parâmetros, que são os coeficientes (b₁₀, b₂₀, y_u, y₁₂, y₂₁, y₂₂,b₁₂, b₂₁) e os erros-padrão σ_ye σ_z.

Uma maneira de identificar o modelo é utilizar um sistema recursivo por meio de restrições na matriz de relações contemporâneas. ^{Enders (2009)} utiliza a restrição b₂₁ =0 de forma que as equações (12) e (13) tornam-se:

Ao utilizar esse recurso, impõe-se a restrição de que y_t não tem relação contemporânea com z_t. A equação (14) indica que choques εyt e εzt afetam contemporaneamente y_t, porém, pela equação (15), observa-se que somente o choque εzt afeta zt. Com essa restrição (b ₂₁ = 0), a decomposição dos resíduos torna-se uma matriz triangular conhecida como decomposição de Choleski. Segundo ^{Enders (2009)}, para generalizar esse resultado, considera-se um modelo VAR com n variáveis. A identificação exata exige que (n² -n)/2 restrições sejam impostas na forma estrutural.

A vantagem do VAR é a exigência de um grau reduzido de restrições teóricas sobre sua estrutura, na qual apenas se exigem a especificação de um conjunto de variáveis que se acredita interagirem dentro do sistema e a determinação do número de defasagens necessárias para captar a dinâmica de interação entre as variáveis do modelo (^{Arevalo et al., 2013}; ^{Chen e Groenewold, 2018}; ^{Huber e Fischer, 2018}). Dentro do objetivo da utilização do modelo, está a obtenção do tempo de reação e das intensidades das respostas a choques, bem como da direção, padrão e duração dessas respostas.

A resposta a choques (função impulso-resposta do modelo VAR) é restrita, a partir de uma representação média móvel em que as variáveis y_t e z_t são expressas em termos dos valores correntes e passados de ^e2_t e ^e2_t, o que permite traçar o caminho de vários choques sobre as variáveis do sistema (^{Arevalo et al., 2020}; ^{Siami-Namini et al., 2020}; ^{Lutkepohl et al., 2020}; ^{Camba e Camba, 2020}; ^{Cellmer et al., 2019}).

Também, a partir de um modelo VAR, pode ser estimada a relação de causalidade de Granger. No caso do estudo em questão, temos as seguintes hipóteses: 1) a relação existente entre as variáveis é menor que um ano, sendo considerada de curto prazo; 2) a relação existente entre as variáveis é maior que um ano, sendo considerada de longo prazo.

Importante ressaltar que, para analisar a relação de longo prazo (previamente à estimação da causalidade), utilizou-se o teste de cointegração de ^{Engle e Granger (1987)}.

Matematicamente, o modelo empírico tem a seguinte relação:

Em que α₀ é um termo determinístico; үi e βi são os coeficientes de inclinação; εt é o termo de erro; p é o número de defasagens que é definido por meio do critério de informação de Akaike (AIC). No estudo, utiliza-se o teste de causalidade de Granger para analisar empiricamente a relação entre o IBOV (Bolsa de Valores do Brasil) e quatro bolsas internacionais: S&P500, Merval, Shangai e Nikkei, considerando um intervalo de tempo entre janeiro de 2018 e julho de 2020.

Dados utilizados e procedimentos

A série de dados coletados da Economatica corresponde aos indicadores da Bolsa de Valores do Brasil (B3), Estados Unidos (S&P500), China (Shangai SSEC), Japão (Nikkei N225) e Argentina (S&P Merval), cada um deles com seu respectivo código de distinção de mercado. O desenho da pesquisa foi demarcado em um universo temporal de dados diários, desde 2 de janeiro de 2018 até 3 de julho de 2020. O período em estudo incorpora diversos eventos que causaram volatilidade no IBOV (vide discussão na seção "Bolsa de Valores B3 (Ibovespa): eventos associados ao comportamento da série").

Os dados diários coletados para cada indicador em estudo (equação 16) foram transformados em logaritmos com a finalidade de reduzir a variância e facilitar a interpretação, a qual pode ser entendida como elasticidade.

Análises das séries e teste de cointegração

Os dados utilizados no estudo são séries logarítmicas padronizadas na primeira diferença pelo fato de considerar a existência de raiz unitária nas variáveis, por meio do teste de ^{Dickey Fuller (1981)}. Na figura 3, pode ser verificado o comportamento das séries em nível e na primeira diferença. Para determinar a existência de uma relação de equilíbrio em longo prazo, que sustente a análise de causalidade de Granger, previamente se realizou o teste de cointegração de ^{Engle e Granger (1987)}.

Fonte: ^{Economatica (2020)}.

Figura 3 Comportamento da série de indicadores de bolsas mundiais em nível e nas primeiras diferenças. De 2 de janeiro de 2018 a 3 de julho de 2020 

Para tal finalidade, utilizou-se dos resíduos da regressão que fazem parte do modelo de estudo (considera-se previamente por meio da análise gráfica que as séries em estudo possuem tendência determinista), e foi verificada a estacionarie-dade por meio do teste de ^{Dickey Fuller (1981)}. O contraste do Dickey Fuller foi realizado após a confirmação da ausência de autocorrelação dos resíduos por meio do estatístico de Durbin-Watson³ de 2,001085. Assim, a análise de cointegração para o modelo com constante e tendência indica a rejeição da hipótese nula (H0) a 1 %, os resíduos são estacionários e integrados de ordem 1; diante disso, as variáveis do modelo são cointegradas e, portanto, existe uma relação de equilíbrio de longo prazo.

Causalidade de Granger

Previamente à estimação de um modelo VAR, é necessário determinar a longitude máxima do número de defasagens que permeará a estimação do modelo empírico proposto (tabela 1). No estudo, considera-se a defasagem (lags) ótima indicada pelo critério Bayesiano de Schwarz e de Hannan-Quinn. Assim, na estimação do VAR, considerou-se uma e duas defasagens.

O resultado de longo prazo de forma conjunta do modelo VAR pode ser observado na tabela 2. Em geral, por meio da estimação de uma e de duas defasagens, os resultados são significativos, salvo o indicador Merval no lag 1 e a diferença do Ibovespa no lag 2. Nesse ponto, chama a atenção o coeficiente estimado da variável Shangai, sendo significativo e negativo, esperava-se um resultado com coeficiente significativo e positivo. Assim, por meio desse resultado, a hipótese secundária não se verifica e, a hipótese principal é validada parcialmente. Um aspecto que reforça esse achado é o comportamento das duas séries para o período em estudo, enquanto a série Ibovespa é crescente, o indicador Shangai apresenta comportamento decrescente (as séries caminhando em direção oposta, vide figuras 2 e 4).

Tabela 2 Valores do modelo VAR para o Ibovespa 

Fonte: resultado da pesquisa (2020).

Com relação a isso, embora o resultado estatístico corrobore o comportamento gráfico das séries (figura 4), ^{Farias e Sáfadi (2010)} também sustentam que a bolsa chinesa não exerceu efeito sobre a bolsa brasileira. De tal forma, o resultado obtido indica que, embora a China seja um mercado importante para as trocas de comércio, tal realidade não é canalizada na mesma direção quando se trata do mercado financeiro.

Fonte: ^{Economatica (2020)}.

Figura 4 Comportamento da série indicador Shangai de janeiro de 2018 a 2 de julho de 2020 

Quando consideradas duas lags na estimação do modelo, chama a atenção o resultado negativo do indicador S&P500, ante o qual, a princípio, a hipótese principal definida no estudo de relação causal positiva não seria validada. Pelo princípio da parcimônia, a estimação do modelo com um lag seria o mais adequado. Na visão de ^{Enders (2009)}, a utilização do critério bayesiano de Schwarz é o mais parcimonioso; assim, o achado no estudo reforça o argumento quanto à escolha do critério.

Nesse sentido, a longo prazo, a valorização do indicador S&P500 e Nikkei pode representar também uma valorização do Ibovespa. Analogicamente, o fluxo de capitais e de comércio podem ser benéficos tanto para o Brasil como para os outros dois países cujos indicadores são mencionados. Especificamente, o resultado do indicador S&P500 reforça a hipótese principal do estudo, o qual pode permitir verificar e esperar uma reação positiva, em curto prazo, no Ibovespa, considerando um choque do S&P500 (vide figura 6).

Esses resultados complementam os achados de ^{Beh e Yew (2020)} e ^{Duran e Ersin (2020)}, que verificaram uma relação de longo prazo entre as bolsas dos Estados Unidos e da China, o que também se verifica com o Ibovespa no estudo em questão. Ressaltando que, os resultados sustentam uma relação estatisticamente significativa e positiva do Ibovespa com a bolsa americana e inversa com a bolsa chinesa.

A figura 5 denota que o modelo atende a condição de estabilidade, pois todos os pontos (autovalores) estão dentro do círculo da unidade (Wang, N., et al., 2020; ^{Matuka, 2019}). Ou seja, a condição de estabilidade não indica que o modelo está especificado incorretamente.

Fonte: resultado da pesquisa (2020).

Figura 5 Raízes da equação característica 

Nas tabelas 3 e 4, podem ser verificados os resultados do teste de causalidade de Granger para avaliar a relação de causalidade estatística entre cada variável do modelo em relação ao Ibovespa. Os resultados corroboram a significancia estatística verificada nos resultados do VAR (tabela 2).

Assim, observa-se que a hipótese de causalidade no sentido de Granger, entre as variáveis do modelo em relação ao Ibovespa, apresenta significância estatística, a exceção do p-valor associado ao indicador Merval. A hipótese Ho é rejeitada entre as variáveis S&P500, Shangai e Nikkei a 1 % nas duas primeiras variáveis e a 5 % no último. O resultado demonstra a existência de causalidade unidirecional do movimento do Ibovespa em comparação aos indicadores de bolsas mencionados.

Por meio do teste, verificou-se a ausência de qualquer associação do Ibovespa com o indicador Merval. Além disso, uma relação bi-causal entre o Ibovespa com os indicadores S&P500 e Nikkei (tabela 4). No geral, os resultados corroboram a hipótese principal do estudo ao verificar que os indicadores dos Estados Unidos e da China afetam o comportamento do Ibovespa, o qual é reforçado por uma relação bi-causal do indicador da bolsa japonesa.

A função impulso-resposta (figura 6) permite verificar a reação do indicador Ibovespa no curto prazo a um choque no termo de erro dos outros indicadores definidos na equação 16. O resultado indica que a valorização do indicador Shangai afeta negativamente o Ibovespa no curto prazo, sendo esse resultado contrário ao esperado. Ou seja, partindo do princípio de que o indicador Ibovespa reflete o comportamento da renda da economia de um país (^{Bostanci e Yilmaz, 2020}). A conclusão seria que a variação positiva do indicador Shangai causaria diminuição do fluxo de capitais e instabilidade na economia brasileira. O resultado pode obedecer ao tempo de corte do estudo que vai desde 2018 a 2020. Tal como mencionado anteriormente, no tempo de estudo, a série dos indicadores apresenta desempenho diferente. Por meio desse resultado, a hipótese principal é rejeitada; assim, a importância da China como parceiro comercial não se vê canalizada em uma análise de curto e longo prazo, considerando os indicadores do mercado financeiro. Esse resultado corrobora com o achado de ^{Farias e Sáfadi (2010)}; ademais, tal comportamento no tempo do estudo aqui proposto ainda se reforça.

Fonte: resultado da pesquisa (2020).

Figura 6 Resposta do Ibovespa ante choques não esperados em cada uma das bolsas internacionais em estudo 

Contrariamente, e esperado, um choque em Merval, S&P500 e Nikkei causam respostas positivas no Ibovespa. Esse comportamento confirma os resultados para as estimações de longo prazo (considerando uma defasagem), de que o indicador Ibovespa capta os comportamentos das bolsas Merval, S&P500 e Nikkei de forma positiva. Confirma-se, assim, que esses mercados são importantes para a economia brasileira, não somente do ponto de vista das trocas de comércio, como também nas intenções de captação de recursos e entrada de capitais estrangeiros (^{Gouvea et al., 2020}; ^{Bortoluzzo et al., 2013}).

Em resumo, a hipótese inicial de que os Estados Unidos, Japão e Argentina sejam mercados importantes para o fluxo de comércio e de capitais é validada. Os movimentos positivos do indicador Ibovespa seguem o mesmo comportamento dos indicadores das bolsas de valores em tela. Já no caso da China, estudos empíricos passados e com tempo maior de análise explicam o grau de importância para o mercado brasileiro (^{Gouvea et al., 2020}; ^{Escher e Wilkinson, 2019}; ^{Bortoluzzo et al., 2013}). Porém, considerando um período de menor magnitude, ou seja, de 2018 a 2020, o grau de causalidade dos indicadores financeiros denota divergência de comportamento. Um aspecto, além do comportamento inverso das séries (figuras 2 e 4), que pode pesar no resultado encontrado pode ser explicado pelo baixo desempenho em 2018 do mercado bursátil da China, já que, nesse tempo, os principais indicadores Shangai e Shenzhen registraram perdas anuais de aproximadamente 24 % em média (^{Economatica, 2020}). Além disso, o crescimento econômico da China em 2019 foi um dos menores em ao menos 30 anos, resultado de queda tanto na demanda interna quanto externa (Stats, 2020); em síntese, esse comportamento reflete a pressão comercial exercida pelos Estados Unidos.