O insider trading no direito brasileiro

O insider trading é ilícito de elevado potencial danoso, pois impacta não só as pessoas diretamente relacionadas com a operação realizada com a informação privilegiada, mas também o mercado de capitais como um todo, afetando a confiança dos investidores. É importante, portanto, a repressão severa do ilícito nas esferas administrativa, civil e penal, destacando-se o papel regulador da Comissão de Valores Mobiliários, enquanto representante da intervenção do poder estatal no âmbito do mercado de capitais. Não obstante, para a responsabilização pelo ilícito do insider trading, deve-se exigir um conjunto probatório robusto, ainda que apenas indiciário. A utilização de uma espécie de muralha segregadora, se minimiza situações de conflito de interesses ao evitar o acesso amplo a informações relevantes não divulgadas ao mercado, não é, por si só, capaz de excluir responsabilidade por eventual insider trading. Importante ter cuidado com construções teóricas, como a da “mente corporativa”, capazes de esvaziar de utilidade barreiras como uma Chinese Wall. Impossível transpor a teoria do domínio do fato à apuração de ilícitos de insider trading.

Cherry picking with synthetic controls

The synthetic control (SC) method has been recently proposed as an alternative method to estimate treatment e ects in comparative case studies. Abadie et al. [2010] and Abadie et al. [2015] argue that one of the advantages of the SC method is that it imposes a data-driven process to select the comparison units, providing more transparency and less discretionary power to the researcher. However, an important limitation of the SC method is that it does not provide clear guidance on the choice of predictor variables used to estimate the SC weights. We show that such lack of speci c guidances provides signi cant opportunities for the researcher to search for speci cations with statistically signi cant results, undermining one of the main advantages of the method. Considering six alternative speci cations commonly used in SC applications, we calculate in Monte Carlo simulations the probability of nding a statistically signi cant result at 5% in at least one speci cation. We nd that this probability can be as high as 13% (23% for a 10% signi cance test) when there are 12 pre-intervention periods and decay slowly with the number of pre-intervention periods. With 230 pre-intervention periods, this probability is still around 10% (18% for a 10% signi cance test). We show that the speci cation that uses the average pre-treatment outcome values to estimate the weights performed particularly bad in our simulations. However, the speci cation-searching problem remains relevant even when we do not consider this speci cation. We also show that this speci cation-searching problem is relevant in simulations with real datasets looking at placebo interventions in the Current Population Survey (CPS). In order to mitigate this problem, we propose a criterion to select among SC di erent speci cations based on the prediction error of each speci cations in placebo estimations