Você está na página 1de 20

Escola Politécnica da Universidade de São Paulo

Pós Graduação em Engenharia-Financeira

Análise da Estabilidade e Propagação dos Choques nos Índices de Mercado

Trabalho de Conclusão apresentado para a Disciplina Álgebra Linear, Sistemas Dinâmicos e Equações Diferenciais

Prof. José Roberto Castilho Piqueira Autor: Fernando Fernandes

Resumo do Trabalho:
Análise da estabilidade e da propagação de choques entre os principais índices de ações ao redor do mundo, através da avaliação das respostas à função pulso aplicada à matriz de coeficientes autorregressivos obtidos através da aplicação da inferência de um Vetor Autorregressivo (VAR) e da verificação dos autovalores da matriz através de método numérico (QR), a fim de se verificar a interdependência das economias ao redor do mundo. Palavras-chave: índice de ações; VAR; autovalores; impulso-resposta; interdependência; economias

tendo em vista a obtenção de um sistema que capture essa dinâmica. dado um choque exógeno. al (2011). seria um bom momento para compras. pelo princípio de não arbitragem. Bianconi. os preços rapidamente se equilibram. Já em relação aos movimentos de reversão à média. 1 2 Vide Wilmott (2006) Vide Raghubir e Das (1999) . Diversos trabalhos já foram feitos com base nesta temática. posteriormente analisamos a estabilidade deste sistema.Objetivos do Trabalho: Este trabalho tem como objetivo principal a obtenção de um sistema dinâmico que caracterize a propagação dos retornos positivos (negativos) dos principais índices de bolsas de valores ao redor do mundo. Becker. visto que. principalmente em relação ao Brasil. perdendo importância conforme o tempo passa (estável ou assintoticamente estável). Para melhor exemplificar esta propagação. partimos de um hipotético movimento de aversão ao risco em alguma bolsa. quanto movimentos de reversão a média. levando em consideração os retornos da semana anterior. após uma forte alta. decorrente de um choque exógeno. Assim. Koutmos (1995). Por conseguinte. espera-se isolar os dois efeitos através da consideração do melhor modelo vetorial autorregressivo de “p” lags. possibilite verificar se esse sistema. com o intuito de se analisar a interdependência dos diferentes mercados. No entanto. dentre os quais se destacam Pescetto et. seria o momento adequado para realizar ganhos. visando a captura tanto dos aspectos referentes à propagação do “humor” dos mercados. e consequentemente. havendo um efeito de propagação deste hipotético choque. a literatura sobre o tema carece de análises – até a presente data da elaboração deste trabalho – referentes ao comportamento dos BRICS (com excessão ao trabalho de Bianconi e Yoshino. esta encontra suas raízes nas teorias dos apreçamentos de ativos1. Assim. por exemplo. fato este provavelmente decorrente de que grande parte da produção acadêmica na área é feita justamente nos países economicamente mais desenvolvidos. esta encontra suas raízes nas finanças comportamentais. Finnerty e Gupta (1990). ou se esse choque é dissipado. Em relação à captura dos aspectos referentes à propagação do “humor” dos mercados. principalmente em relação à Teoria do Viés Cognitivo2. que justamente aborda a temática dos BRICS). Brasil e Índia – este trabalho visa também preencher uma lacuna neste tema. decorrente do fluxo de informações e dados ao redor do mundo. Engel e Ito (1991). ou a situação inversa. o preço de um determinado ativo está baixo. considerando o gradual aumento da importância de parte destes países (BRICS) – no caso aqui são estudados China. tal que. Yoshino e Orsini (2012). o absorve e se retroalimenta (instável). Lin. Sabendo que diversas companhias têm seus papéis negociados em mais de uma bolsa. Esta basicamente reflete as pulsações psicológicas latentes nas decisões de investimento que levam o investidor a crer que após uma forte baixa. evitando a incorporação de outros efeitos.

Estados Unidos São Paulo. China Cingapura. Reino Unido 3 Vide Morettin e Tolói (2004) . Alemanha Shangai. Cingapura Nova Delhi. um modelo autorregressivo pode ser visto como um modelo inercial cuja memória depende da quantidade de retardos especificada no próprio modelo3.naturalmente. Japão Frankfurt. Estados Unidos Nova Iorque. Brasil Londres. Com isso se analisará um sistema dinâmico discreto composto pelos retornos dos seguintes índices: Índice Nikkei DAX SHCOMP FSSTI NIFTY Dow Jones NASDAQ Ibovespa FTSE 100 Respectiva Localidade Osaka. Índia Nova Iorque.

tal estimação da matriz de coeficientes pode ser feita através da expressão: (2) Onde: é a matriz com os valores esperados dos coeficientes do sistema. Assim.gov. do IPEA-Data5. tal que: (3) Í =Í + = ∙ Já a obtenção dos dados utilizados para a inferência dos parâmetros será a observação direta das séries através do site “Yahoo Finance”4. multiplicamos os índices pela respectiva taxa de câmbio na mesma data em que fora observado.ipeadata. e as colunas denotam cada índice. No caso foram consideradas amostras de 29 de Dezembro de 2009 até 09 de Julho de 2012. A fim de se normalizar os retornos. B é a matriz dos coeficientes do sistema dinâmico Z é a matriz dos dados de entrada (observações com atraso) U é a matriz de choques externos.com No endereço: http://www. para que tenham paridade cambial e se estabeleça um denominador comum para comparação direta. e no Wikiposit6.br No endereço: http://wikiposit.org 5 6 .Metodologia: O método para a obtenção dos coeficientes do sistema dinâmico em questão será a estimação via mínimos quadrados de um Vetor Auto Regressivo (VAR). que disponibilizam todas as séries mencionadas com intervalos superior aos últimos 5 anos de observações diárias. é a matriz transposta de Z. Seja um sistema dinâmico sob a forma matricial dado por: (1) = Onde: Y é a matriz de observações cujas linhas são as observações em cada corte no tempo. 4 No endereço: http://finance. denota a matriz inversa do produto da transposta de Z por si mesma.yahoo.

evitando distorções comparativas inerentes aos níveis das séries. que nos traz na diagonal da matriz resultante os autovalores.Os dados serão tratados através da seguinte expressão: (4) Onde: é a observação atual do índice “Ln” denota o logaritmo neperiano. multiplicando o estado inicial do sistema pela respectiva potência referente ao período a ser analisado. Para o cálculo dos autovalores da matriz quadrada de coeficientes de ordem 9 (já que temos 9 índices). será feita a análise de estabilidade da matriz de coeficientes. em caso de pulso. com base nos seus autovalores. e contribue para o fenômeno de “Overfitting” – ponderados pela Verossimilhança do modelo. Seja a função de soma dos resíduos quadráticos dada por: (6) =∑ − Uma vez que estamos trabalhando com log-retornos. Não obstante. será utilizado o Critério de Informação de Schwarz. conforme a expressão: (5) = ∙ = Para analisar qual a estrutura de “lags” ideal. através do emprego de funções do tipo “pulso” e do tipo “degrau”. será utilizado o método numérico “QR”. também será possível analisar como a própria natureza média da propagação ao longo do tempo. é possível determinar se um choque originário de um determinado índice se propagará de maneira instável ou estável ao longo do tempo. 7 . Já para calcular as respostas aos choques externos. ou uma tendência7. Consequente à obtenção do modelo. serão utilizadas as primeiras potências da matriz. dado um choque (pontual). tal análise ajuda a entender o comportamento relativizado do índice. que por sua vez é uma medida de aderência do modelo através da análise da soma dos resíduos quadráticos. Logo. obtida após a inferência através do método de mínimos quadrados em um vetor autorregressivo. que basicamente tem por característica a imposição de penalidades para a imposição de coeficientes a serem estimados – visto que o aumento gradual de coeficientes diminui a confiabilidade dos próprios parâmetros estimados. já que o log retorno é a série diferenciada dos logaritmos dos índices.

= 8 Vide Schwarz (1978) . Assim. e assim. é possível escolher a melhor estrutura de “lags” para o modelo vetorial autorregressivo. Seja a função de Verossimilhança dada por: (7) = − 1 + log 2 + log ( Que segue a mesma notação estabelecida na fórmula 6. baseado neste critério. é possível escrever o critério de informação de Schwarz8 como: (8) Onde: “k” é o número de parâmetros a serem estimados Consequentemente. quanto menor o valor do SIC. evitando compensações entre erros positivos e negativos. melhor o modelo.Onde: “N” é o número de observações é o observado é o previsto pelo modelo Essa fórmula “condensa” em um único número o total da distância entre ocorrido e previsto.

0285 -0.2505 0.0147 0.2600 0. vide tabela acima.4517 0.Identificação do melhor modelo: Abaixo segue a tabela contendo os resultados dos cálculos para o Critério de Informação de Schwarz.1690 -0.1476 -0.1441 Tabela 2 – Coeficientes estimados por mínimos quadrados de um Vetor Autorregressivo É justamente a partir desta matriz que será aplicada a relação iterada estabelecida na equação 5 na seção anterior. .0682 0. obteve-se a seguinte matriz de coeficientes do sistema dinâmico: VAR Variável Dow Jones Ibovespa NASDAQ DAX Hang Seng STI Nikkei FTSE NIFTY Dow Jones 0.0151 -0.0545 0.1537 -0.2833 0.1551 0.1271 0. Resultados dos Parâmetros: Após a aplicação do método de mínimos quadrados de um Vetor Auto Regressivo (VAR).7393 * -1.0021 0.1642 0.3299 Ibovespa NASDAQ -0.5365 -0.0769 0.0624 0.2137 -0.0484 0. tal que 1 ≤ ≤ 3. por exemplo.0332 0.0727 0.3343 0.4451 0.2878 Tabela 1 – Resultados do Critério de Informação de Schwartz para os modelos tentativos Portanto.5832 -0. que será utilizado para análise da evolução temporal dos choques.0530 0.3286 0.0146 0.1021 -0.1804 0.0584 0.1009 -0. com base no Critério de Informação de Schwarz.4798 0.0381 0.0319 0.2044 0.0817 Nikkei FTSE 0.1584 0. Em relação aos valores obtidos nesta matriz é possível perceber que muitos dos valores são baixos (estatisticamente não significativos).1237 0.2657 0.0510 0.2325 NIFTY 0.2700 0.0667 0.1083 -0.0788 0.1534 0. Modelo Proposto 1 “Lag” 2 “Lags” 3 “Lags” Critério de Informação de Schwarz -1.0112 0.3335 0.0482 0. conforme exposto na seção anterior. para se obter os estados futuros do vetor de estados.2357 0.2092 0.0523 0. o modelo com 1 “lag” foi escolhido.0004 0.2000 0.0845 -0.3971 0.0210 0.0190 0.0479 0. visto que diversos outros fatores de natureza estocástica / aleatória devem impactar na composição do preço – como.2629 Variável com 1 "Lag" Hang DAX Seng STI 0.0988 0.0098 0.1520 0.1720 0.2691 0.2405 0.0359 0.0583 0.0235 0.0903 0.1820 0.0675 0.3192 0.5407 0.0292 -0.1727 -0.2780 -0. para propostas de modelo com “p” “lags”.1879 -0.

acerca das discussões sobre diferentes tipos de modelos e sobre a representação da endogeneidade das variáveis.choques de natureza macroeconômica de cada país. a eliminação destes parâmetros acarretaria em uma necessidade de mudança da metodologia de estimação. e discutida na literatura presente. whereas unconditional models endogenize all variables as the VAR. ressaltamos aqui a seguinte passagem: “In the sense of Clements and Hendry (1998). afetam a aferição da estrutura determinística (autorregressiva) do modelo. No entanto. criando variáveis exógenas. ainda assim. Wohlrabe (2008).” – Robinzonov. Consequentemente optamos por não estimar um conjunto de sistemas ARX (modelos autorregressivos com variáveis exógenas) individuais. onde teria que se mensurar cada conjunto de parâmetros para cada mercado. que. . por conseguinte. Como por hipótese há uma interdependência entre todos os mercados. ARX models are conditional models. sem levar em consideração efeitos de retro-propagação dos choques em conjunto. contrariando a própria hipótese estabelecida neste trabalho. esses parâmetros não serão desconsiderados neste estudo para a composição média da estrutura de propagação dos movimentos. exogeneizando variáveis que por hipótese são endógenas. e logo todas as variáveis deveriam ser consideradas endógenas. Assim.

dados os autovalores de uma matriz de um sistema dinâmico discreto.Discussão sobre a Estabilidade do Sistema: A fim de se analisar a estabilidade do sistema. tal que conforme pode ser visto em Hamilton (1994). Este algoritmo basicamente consiste na multiplicação sequencial de decomposições do tipo “QR” na ordem inversa. Para os casos complexos. foram calculados os autovalores da matriz exposta na seção anterior. sabendo que uma matriz pode ser escrita como: (10) Onde: Q: é uma matriz ortogonal R: é uma matriz triangular superior Fatoração essa denominada “Decomposição QR”. conforme pode ser visto em Anton e Rorres (2000). consiste basicamente na aplicação do processo de Gram-Schmidt. esse terá sua estabilidade assegurada quando todos seus respectivos autovalores tiverem módulo menor que um (| | < 1). Ou seja. Para autovalores reais. A partir desta fatoração. foi aplicado o algoritmo “QR” sobre a matriz obtida via método de mínimos quadrados. obteremos uma matriz “M” ao realizarmos iteradas vezes a seguinte operação: (11) Onde: : é o fator “R” da decomposição “QR” da matriz “M” no passo anterior : é o fator “Q” da decomposição “QR” da matriz “M” no passo anterior = ∙ = ∙ + . o módulo simplesmente é a magnitude (valor absoluto) do número. o módulo do autovalor é simplesmente dado pela relação: (9) | | = Onde: : denota a parte real do número complexo : denota a parte imaginária do número complexo Para o cálculo dos autovalores reais.

0000 0.1725 -0.4029 0.8).0000 0.6294 -0.0000 0.0000 0.1055 0.2866 -0. após “n” iterações.0675 0. que serão também autovalores da matriz original.0000 0.3662 0. 9 Vide Panju (2011) 10 Vide Lewis (1991) .1911 0.0000 Tabela 3 – Matriz calculada a partir do método “QR” Podemos conferir que na diagonal secundária aparecem três valores diferentes de zero – nas posições M(2.3212 ± 0.17 i.4). M(9.3080 ± 0. Logo. resolvendo-se o polinômio padrão decorrente da seguinte equação: (12) det − =0 Assim segue a matriz de autovalores calculada pelo método acima: -0.0000 0.5661 0. cujos autovalores podem ser calculados em separado.1794 -0.10 Com isso.1949 0.0330 0.0000 0.0000 0.0000 0.0000 0.0000 0.0977 0.0000 0.0000 0. e calcular o autovalor das mesmas. Portanto o sistema é estável. Consequentemente. conhecendo os autovalores.0000 0. 0.0004 0.0968 0.1). há uma indicação de que há um autovalor complexo.1221 0.2758 0.0000 0.1008 0. a matriz “M” deve convergir para uma matriz triangular superior. ao longo da análise das respostas às funções impulso.0422 0. obtém-se os seguintes autovalores que estavam implícitos na matriz da Tabela 2: −0.0000 0.3028 0.0000 0.0000 0.0000 0.0000 0.0000 0.3313 0. −0.2707 0.5183 0.0000 0.0000 0. é possível constatar que todos têm módulo menor que um.0293 0.0561 ± 0.: é a matriz resultante no passo atual Assim. cuja diagonal principal contém os autovalores.6221 0.0000 0.3325 0.1224 0.0785 0. que pode ser tratado como uma matriz 2x2. M(4. podemos tratar em separado essas ocorrências através de matrizes 2x2.0033 -0.3935 0. Tal condição também será verificada na prática.0936 0.3431 0.0000 0.0000 0.0000 0.0274 0. formando blocos 2x2.1002 0.0000 0.2608 0.0000 0.5217 0.0194 0.0801 0.0901 0.0000 0.0000 0.3133 0.2762 0.0987 0.9 Se na diagonal secundária aparecerem valores diferentes de zero.0000 0.2319 0.0829 -0.0137 .0844 0.2373 0.1620 -0.0520 0.0432 .

4 Gráfico 1 – Resposta ao Impulso em relação ao Dow-Jones = = → ã → =1 =0 Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY .8 0. propagações descontroladas (instáveis). ou em vários mercados em conjunto. foram aplicadas funções do tipo “impulso” no sistema dinâmico.6 0. e 0 nos demais. A estabilidade do sistema é uma condição necessária pois. um a um).2 1 0. e guardando os valores resultantes de cada iteração temporal. Análise de Impulso-Resposta do Sistema Dinâmico: A fim de analisar a evolução temporal conforme choques ocorram em um determinado mercado.4 0. Com isso. Como a função de “impulso” é dada por: (13) Onde: : denota um instante arbitrário Então procedemos de maneira a escolher um vetor de estado inicial que tenha sido inicializado em 1 os mercados nos quais se deseja simular um impulso. é possível analisar a propagação dos efeitos de choques adversos de alguns mercados para outros.2 0 0 -0. seguem os gráficos contendo a resposta a impulsos individuais (mercados isolados. poderiam gerar “crashes” ou “bolhas” à menor alteração das condições de mercado. 1. vai de encontro com a realidade da dinâmica de propagação dos fatos econômicos.Tal constatação (de estabilidade) é de grande importância para a discussão de um sistema deste tipo. Consequentemente. ao aplicar a relação estabelecida na equação de número cinco.2 -0. pois. o que levaria a falências recorrentes de todo o sistema.

6 0.4 Gráfico 2 – Resposta ao Impulso em relação ao Ibovespa Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY 1.1.8 0.4 0.2 1 0.6 0.2 0 0 -0.4 0.2 -0.4 Gráfico 3 – Resposta ao Impulso em relação ao NASDAQ Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY .2 -0.2 1 0.2 0 0 -0.8 0.

2 0 0 -0.1.8 0.6 Gráfico 4 – Resposta ao Impulso em relação ao DAX Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY 1.6 0.2 -0.2 1 0.2 1 0.2 -0.4 0.6 0.4 -0.4 Gráfico 5 – Resposta ao Impulso em relação ao Hang Seng Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY .4 0.2 0 0 -0.8 0.

4 Gráfico 7 – Resposta ao Impulso em relação ao Nikkei Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY .2 Gráfico 6 – Resposta ao Impulso em relação ao STI Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei FTSE NIFTY 2 4 6 8 10 12 1.2 -0.8 0.8 0.2 0 0 -0.6 0.4 0.4 0.1.6 0.2 1 0.2 1 0.2 0 0 -0.

4 0. 8. é possível verificar que primeiramente.2 -0.2 0 0 -0. provavelmente decorrente de algum efeito (não explicado pela estrutura .1. haverá uma propagação positiva (negativa) para os demais mercados.6 0.4 Gráfico 8 – Resposta ao Impulso em relação ao FTSE Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY 1. 6.2 1 0. a dinâmica individual constatada no gráfico 1 vai de encontro com a expectativa existente em relação à própria importância da economia norte-americana. Em relação ao gráfico 5. Tal propagação negativa poderia ter causa atribuída a uma possível migração de recursos de um índice para outro. são bastante diminutas. dado peso e influência que a economia norte-americana exerce sobre as demais economias.2 Gráfico 9 – Resposta ao Impulso em relação ao NIFTY Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei FTSE NIFTY 2 4 6 8 10 12 Assim. Já as propagações negativas nos gráficos 8 e 9. de maneira a analisar a dinâmica exposta nos gráficos 1 a 9. se faz uma ressalva com relação à propagação negativa em relação ao Nikkei dado um pulso no Hang Seng.6 0.2 1 0. Efeito semelhante pode ser visto nos gráficos 9. 5. tal que.8 0.2 0 0 -0. havendo um impacto positivo (negativo) nos indicadores norte-americanos.4 0.8 0.

2 -0. entre outros fatores.6 0. de maneira a estudar a endogeneidade das variáveis. No entanto.2 1 0. tal que sistematicamente os mercados em desenvolvimento apresentam um risco maior do que os mercados mais desenvolvidos. conforme discutido na seção anterior. tal que faz sentido a realização de ganhos (perdas) decorrentes do pulso sofrido na semana anterior (argumento do viés cognitivo para a realização dos ganhos). a análise individual de cada choque perca o sentido uma vez que vários coeficientes não são estatisticamente significativos. as propagações negativas também poderiam ser decorrentes de efeitos de realocação de portfólios.determinística prevista) que não fora separado corretamente na filtragem do padrão determinístico ao se estimar o Vetor Autorregressivo. Uma outra hipótese plausível para a ocorrência destas relações contra intuitivas é que. seja de natureza geográfica (propagação contemporânea devido ao alinhamento ideológico. temporal ou de fenômenos da natureza). mas que foram mantidos pelo pressuposto da endogeneidade das variáveis envolvidas.4 0. seja de natureza econômica (políticas em comum devido à formação de blocos comerciais). No entanto. visto que um choque nesses mercados se propaga de maneira negativa para os demais – com excessão da propagação negativa (ou nula) no período subsequente ao pulso. se torna interessante completar a análise acima com respostas a impulsos conjuntos.8 0. uma vez que as mudanças conjunturais ocorrem também de maneira organizada quase que instantaneamente em mercados com características em comum.2 0 0 -0. Já nos gráficos 2. 1.4 Gráfico 10 – Resposta ao Impulso em Economias consideradas Desenvolvidas Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY . nos demais gráficos. se encontram relações aparentemente contra intuitivas.

4 Gráfico 12 – Resposta ao Impulso em Economias Ocidentais Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY Já nessa segunda parte da análise. vale destacar a auto correlação negativa presente em diversos pulsos.2 -0. é possível constatar que todos os três gráficos expostos têm uma dinâmica evolutiva em conformidade com o senso comum.6 0. os demais tendem a acompanhar o movimento. Tal constatação tende a reforçar a hipótese da endogeneidade assumida neste estudo.2 0 0 -0.4 0.2 0 0 -0.4 0.2 -0. que basicamente é.1.8 0. através de propagações positivas. quando uma região ou um grupo de economias significativamente grande vai bem.2 1 0. Ainda assim. . assim como na primeira parte da análise.6 0.2 1 0.4 Gráfico 11.Resposta ao Impulso em Economias Asiáticas Dow Jones IBovespa NASDAQ DAX Hang Seng STI Nikkei 2 4 6 8 10 12 FTSE NIFTY 1. provavelmente decorrentes da realização de ganhos decorrentes de vendas dos ativos após um grande choque positivo (e os respectivos movimentos contrários).8 0.

Conclusão: Neste estudo foram analisadas tanto as condições de estabilidade das propagações quanto as próprias propagações de choques em vários índices de ações de bolsas ao redor do mundo. após uma grande valorização. o detentor do ativo procurará realizar o ganho decorrente desta valorização. há uma valorização do ativo decorrente da percepção de oportunidade de compra de um ativo desvalorizado (viés cognitivo). porém se manteve a técnica de estimação em função do pressuposto da endogeneidade das variáveis (decorrente da interdependência das economias). Também foi possível verificar que em larga medida. algumas flutuações podem não ter explicações. de acordo com a literatura vigente até então. ou seja. Assim. fazendo uso de métodos de inferência e análise de sistemas dinâmicos discretos. coerente com a ideia de que. também foi possível verificar que devido a alguns parâmetros não serem estatisticamente significativos. as simulações ficaram mais próximas do esperado. quando simuladas interações e impactos mais amplos no cenário macroeconômico. quando analisadas isoladamente tiveram comportamentos dentro do esperado. enquanto outras não. algumas economias. e analogamente o inverso ocorre após uma grande desvalorização. indo de encontro com as condições de estabilidade vigentes no mercado. explicitando uma economia global altamente interdependente. Por outro lado. existe um efeito determinístico de auto correlação negativa dos retornos. . Foi possível verificar primeiramente que se obteve um sistema estável. não ocorrem “crashes” e “booms” pela pura e simples propagação do “humor” dos mercados. Por fim. ou seja. principalmente em relação ao Dow Jones – provavelmente em decorrência da importância da economia norte-americana.

1995. pp747-762. Sakhinah Abu – Computing for Numerical Methods Using C++. 2011. Finnerty. Nikolay. 2008. 2000.. 45(4). New Jersey. vol. Zomaya. page 22 – 2nd Edition – John Wiley & Sons. 1990. University of Waterloo. Rorres. Das. Raghubir. Journal of Finance. Antoniou. Marcelo. – Estimating the dimension of a model. Chris – Álgebra Linear com Aplicações – 8ª Edição. Sanjiv Ranjan – The Psychology of Financial Decision Making: A Case for Theory-Driven Experimental Enquiry – Financial Analyst’s Journal. Orsini. Pescetto. Howard. Department of Economics and Finance. 6. 56-79. – Matrix Theory – 1st Edition. Princeton University Press.Referências: Anton. Antonis – Modelling International Price Relationships and Interdependencies between EU Stock Index and Stock Index Futures Markets: A Multivariate Analysis – Centre for Empirical Research in Finance. Annals of Statistics 6 (2): 461–464. G. Hoboken. Koutmos. 1978. RF. Paul – Paul Wilmott on Quantitative Finance – Chapter 1. Tufts University. New Jersey. – Time Series Analysis – 1st Edition. UK. Ifo Working Paper No. Violaris. Clélia – Análise de Séries Temporais. Vol 14. São Paulo. Mariana Machado – BRIC and the U. 1991. Ito. West Sussex. Engel. 1994.S. K. Bookman. pp 1297-1306. Financial Crisis: An Empirical Investigation of Stocks and Bonds Markets – Discussion Paper Series. Bakar. São Paulo. Wilmott. England – 2006. 57. Hamilton. 2012. J. Becker. Bianconi. Antonios. University of Durham. Panju. 3911. Tolói. Working Paper no. P. T – Do bulls and bears move across borders? International transmission of stock returns and volatility as the world turns. Salleh. Shaharuddin.. Albert Y. David W. Singapore. 2008. Morettin. 2004. Wohlrabe. Joe Akira. Gioia. World Scientific. 2011.A. 1999. 1991. 55(6).The intertemporal relation between the US and the Japanese markets. Blücher. . Department of Economics. Journal of International Money and Finance. Lewis. WL. John Willey and Sons. Gupta. Booth. National Bureau of Economic Research. Princeton. Schwarz. James D. Maysum – Iterative Methods for Computing Eigenvalues and Eigenvectors – The Waterloo Mathematics Review. GG – Asymmetric volatility transmission in international stock markets’. Pryia. Klaus – Freedom of Choice in Macroeconomic Forecasting: An Illustration with German Industrial Production and Linear Models. Lin. Gideon E. Yoshino. Ltd. M . Robinzonov.