Escolar Documentos
Profissional Documentos
Cultura Documentos
74-95
Valor em Risco (VaR) utilizando modelos de previso de volatilidade: EWMA, GARCH e Volatilidade Estocstica Fernando Caio Galdi* Universidade de So Paulo Leonel Molero Pereira** Universidade de So Paulo
RESUMO: Este artigo explora trs modelos utilizados para a estimativa da volatilidade: suavizao exponencial EWMA, volatilidade condicional GARCH e volatilidade estocstica VE. A volatilidade estimada por estes modelos pode ser utilizada em uma mtrica de risco de mercado denominada Valor em Risco VaR. A medida do VaR depende da volatilidade, do horizonte de tempo e do intervalo de confiana para os retornos contnuos em anlise. Para a avaliao emprica destes modelos utilizamos uma amostra com preos de aes preferenciais da Petrobras para a especificao do GARCH e do modelo de VE. Adicionalmente realizamos testes para se verificar o ajustamento dos modelos amostra selecionada. Nesse sentido utilizamos o teste de violao dos limites para um VaR de um dia, com intuito de comparar a eficincia dos modelos GARCH, VE e EWMA (sugerido pelo Riskmetrics). Pelos resultados verifica-se que o VaR calculado pelo EWMA sofreu um menor nmero de violaes do que o calculado pelo GARCH e pela VE para uma janela de 1500 observaes. Assim, o modelo sugerido pelo Riskmetrics (1999), utilizando a volatilidade calculada atravs da suavizao exponencial, alm de ser favorecido pela simplicidade em sua implementao, no forneceu resultados inferiores no teste de violao, comparado a modelos mais sofisticados como o de VE e o GARCH. Palavras Chave: VaR, Volatilidade Estocstica, GARCH, EWMA
Recebido em 15/12/2006; revisado em 03/01/2007; aceito em 05/02/2007. Correspondncia com autor: * E-mail: fecaio@uol.com.br
** E-mail: leonel@usp.br
Nota do Editor: Este artigo foi aceito por Alexsandro Broedel Lopes. 74
75
1. INTRODUO s modelos de volatilidade tm como principal objetivo prover uma mtrica que pode ser utilizada na gesto de riscos financeiros, auxlio na seleo de carteiras de ativos e na formao de preos de derivativos. Os modelos de valor em risco VaR, utilizados na gesto de risco de instituies financeira, como medida de risco perda financeira para um determinado intervalo confiana e horizonte de tempo, precisam de uma estimativa de volatilidade para a sua elaborao. Os modelos de previso de volatilidade, como o GARCH e volatilidade estocstica so propostos como alternativa para essa estimativa. Nesse sentido o presente artigo sugere a utilizao dos modelos auto-regressivos de heteroscedasticidade condicional e de volatilidade estocstica para a previso da volatilidade utilizada nas medidas de VaR. Neste trabalho os modelos so especificados e seus parmetros estimados utilizando uma longa amostra de retornos contnuos de aes preferenciais de Petrobras. Adicionalmente, realiza uma comparao, atravs de um teste de violao dos limites de VaR dos modelos obtidos pelo GARCH, pelo modelo de volatilidade estocstica (MVE) e pelo modelo sugerido pelo Riskmetrics (1999) para os retornos marcados a mercado da carteira de aes da Petrobras. O artigo organizado em oito sees distintas mais anexos onde a segunda seo apresenta a medida do VaR e a adequao dos modelos de volatilidade a essa medida. A terceira seo introduz os principais conceitos do modelo GARCH. A seo quatro faz uma breve apresentao dos modelos de volatilidade estocstica. Na seo cinco e seis so apresentados os dados utilizados e os modelos de volatilidade so especificados. A stima seo detalha a realizao de um Backtesting para comparar a eficincia dos modelos de previso de volatilidade utilizados no VaR. A oitava seo apresenta as consideraes finais. Os anexos apresentam resultados mais detalhados da estimao de cada modelo. 2. VALOR EM RISCO DE MERCADO (VaR) PARA UMA CARTEIRA O valor em risco (VaR) tem como finalidade a mensurao de riscos de mercado em termos de volatilidade dos preos dos ativos. O VaR, como definido por Jorion (2001, p.19), sintetiza a maior (ou pior) perda esperada de uma carteira, dentro de determinados perodos de tempo e intervalo de confiana. Formalmente, define-se o VaR para uma posio comprada em um ativo S em um horizonte de tempo j, com probabilidade p, sendo 0<p<1: (2.1) p = P(Pj VaR) = Fj(VaR) onde Pj representa o ganho ou a perda da posio P, dada por Pj = Pt+j Pt; Fj(.) a funo de distribuio acumulada (f.d.a) da varivel aleatria Pj. O VaR dado em unidades monetrias e representa o p-quantil da distribuio Fj(.). Segundo Moretin (2004, p.179) estima-se este quantil a partir da distribuio emprica dos retornos. O VaR calculado em (2.1) tem valor negativo, pois quem tem uma posio comprada sofre perda se Pj<0. A quantia em unidades monetrias no clculo do VaR obtida multiplicando o valor da posio financeira pelo VaR do retorno. O VaR pode ser simplificado, se for possvel supor distribuio normal dos retornos contnuos (yt), ou log-retornos, dos ativos que compem a carteira. Partindo-se das estimativas dos parmetros da distribuio, como o desvio-padro dos retornos, pode-se determinar a perda esperada carteira da seguinte maneira:
Brazilian Business Review www.bbronline.com.br
76
( y* )2
Galdi e Pereira
1 p = f ( y )dy , f ( y ) = e 2 (2.2) 2 sendo y* o valor de retorno crtico para o clculo do VaR para o horizonte de tempo j. A seguinte figura ilustra o clculo do VaR de 5% para uma distribuio de retornos supostamente normal, com mdia de retornos e desvio-padro :
y*
5%
95%
y* = 1,65
Fonte: elaborao prpria Dessa forma possvel calcular o VaR a partir da funo densidade de probabilidade acumulada de uma distribuio normal padro. Entretanto, deve-se tomar o cuidado de converter o log-retorno do VaR em uma variao percentual discreta i, da seguinte maneira: i = e y* 1 (2.3)
O VaR absoluto sugerido pelo RiskMetrics, em Longerstaey e More (1995), parte da premissa que a distribuio condicional dos retornos normal e possui mdia zero e varincia t2+1 , sendo yt + j | I t ~ N 0, ( j t ) t2+1 , sendo t2+ j = ( j t ) t2+1 .
Para o clculo do VaR necessria uma estimativa da volatilidade dos log-retornos do ativo para o horizonte de anlise. Neste estudo so avaliadas trs abordagens distintas de estimativa de volatilidade para o clculo do VaR. A primeira abordagem, que tem como base o modelo proposto pelo Riskmetrics, mtodo mais difundido entre os usurios de VaR, utiliza suavizao exponencial com fator de decaimento de 0,94 e pressupe a distribuio normal dos retornos. Esta abordagem pode ser considerado um caso particular do modelo GARCH (auto-regressivo de heteroscedasticidade condicional generalizada), e de acordo com Jorion (2001, p. 175) representada pela seguinte equao: ht = ht 1 + (1 ) yt21 (2.4) O segundo mtodo analisado utiliza o conceito de volatilidade condicional modelada atravs de uma combinao de ARMA mais GARCH gaussiano, e o terceiro, realiza a previso da volatilidade atravs do modelo de volatilidade estocstica. Berkowitz e OBrien (2002) avaliaram os modelos de VaR de uma amostra de 6 diferentes bancos utilizando sries histricas. Compararam os modelos utilizados pelos bancos com o VaR calculado a partir de um modelo ARMA(1,1) mais GARCH(1,1) assumindo distribuio normal. Verificaram atravs de backtest que o VaR dos bancos, apesar de ser mais conservador, no acompanhava a volatilidade do P&L1 das carteiras e foi superado pelo GARCH em termos de violao dos limites do VaR. Jorion (2001, p. 170) afirma que os modelos de clculo de VaR que utilizam GARCH so mais precisos, principalmente nos casos onde h grupamentos de volatilidade.
1
77
Neste estudo utilizado o modelo de volatilidade condicional na forma reduzida para o clculo do VaR, como foi realizado no trabalho de pesquisa de Berkowitz e OBrien (2002), originalmente proposto por Zangari (1997). O modelo utilizado ser composto por um componente autorregressivo dos retornos, representado por um modelo AR(1)2: yt = 0 + 1 yt 1 + t Combinado com um modelo de volatilidade condicional GARCH(1,1) (2.6) Para o clculo do VaR com o modelo de volatilidade condicionada AR(1) mais GARCH(1,1), utiliza-se a mdia e varincia condicionais um passo a frente estimadas atravs do modelo: t (1), t2 (1) yt +1 | I t ~ N y (2.7) Nesse contexto supondo um VaR de 5% de um dia, ( com p = 5%, e z =1,65), ele deve ser calculado da seguinte forma: t (1) 1,65 t2 (1) VaR5% = y (2.8) Nas seguintes sees so descritos os modelos utilizados para prever a volatilidade utilizada no calculo do VaR. (2.5)
ht = 0 + 1 t21 + 1ht 1
3. MODELO GARCH Engle (1982) mostra que possvel modelar simultaneamente a mdia e a varincia de uma srie. Para isso lana mo do conceito de varincia condicional, que pode ser modelada como um termo autorregressivo: t2 = 0 + 1 t21 + 2 t2 2 + L + p t2+1 q + vt (3.1) t o resduo estimado do modelo yt = a0 + yt-1 + t e vt um rudo branco. onde
A representao da equao acima a base do modelo auto-regressivo de heteroscedasticidade condicional (ARCH). Entretanto, em termos de estimao de t ela no a mais conveniente, dado que para a realizao da estimao conjunta de {yt} e da varincia condicional utiliza-se a tcnica de mxima verossimilhana. Assim, uma especificao mais adequada tratar vt como um termo multiplicativo. Logo, a equao pode ser representada da seguinte maneira:
t2i t = vt 0 + i
i =1
(3.2)
onde 0 e i so parmetros constantes tais que 0>0, i0 e 0i1, para que a varincia dada por 2 = 0 / 1 i , no seja negativa e/ou explosiva.
i =1 q
Bollerslev (1986) expandiu o modelo (3.2) de maneira a permitir que a varincia condicional fosse modelada como um processo autorregressivo de mdia mvel (ARMA). O modelo auto-regressivo de heteroscedasticidade condicional generalizada (GARCH) uma generalizao do modelo ARCH, no qual a varincia condicional de n no instante t depende no somente de perturbaes ao quadrado passadas, mas tambm de varincias condicionais passadas (Gujarati, 2005, p.440). A tipificao mais comum o modelo GARCH(1,1), onde
A identificao do modelo ARMA (p,q) utilizado no estudo seguiu a metodologia apresentada por Box Jenkins (1970).
Brazilian Business Review www.bbronline.com.br
2
78
Galdi e Pereira
o primeiro nmero se refere a defasagem dos termos autorregressivos e o segundo se refere ao nmero de defasagens no componente de mdia mvel do modelo. Os modelos GARCH (p,q) so especificados como: (3.3) t = v t ht onde v2 = 1 e
ht = 0 + i t2i + i ht i
i =1 i =1
(3.4)
As restries desse modelo so: 0>0, i0, i0 e 0i+i1. Interessante notar que os modelos GARCH so heteroscedsticos condicionais, mas tm uma varincia incondicional constante. Para especificao dos modelos GARCH, necessrio que se assuma a distribuio condicional dos termos de erro t. A literatura emprega, usualmente, as distribuies: i) Normal, ii) t de Student e/ou iii) distribuio dos erros generalizados. Para uma dada distribuio, estima-se o modelo pelo mtodo de mxima verossimilhana. Por exemplo, para um modelo GARCH (1,1), com T observaes, onde se assume a distribuio normal dos termos de erro, tem-se a log-verossimilhana dada por:
1 1 1 T (3.5) log L = log(2 ) log(ht ) ( y t a 0 y t 1 ) 2 / ht 2 2 2 1 No caso da assuno da distribuio t de Student tem-se: 1 (v 2)(v / 2) 2 1 T (v + 1) ( y t a 0 y t 1 ) 2 (3.6) log L = log log h log t 2 1 + 2 2 ht (v 2) ((v + 1) / 2) 2 1 onde v o nmero de graus de liberdade e (x) a funo Gamma usual, ou seja,
( x) = y x 1e y dy .
0
O presente artigo utiliza as estimaes do modelo GARCH considerando os mtodos da mxima verossimilhana baseada na distribuio normal3.
79
normal, 2 igual a um, enquanto que, para uma distribuio t, com v graus de liberdade, ser v/(v-2). Seguindo a conveno da literatura, pode-se escrever: yt = t e0,5ht (4.2) onde ht a volatilidade logartmica em t e um fator escalar constante, por isso no h necessidade de uma constante no termo auto-regressivo estacionrio de primeira ordem, conforme a seguinte equao: ht+1 = ht + t , t ~iid (0,2), ||< 1 (4.3) Se t tem varincia finita, a varincia de yt dada por: 2 Var ( yt ) = 2 2 e ( h 2 ) onde h2 a varincia de ht. Uma das vantagens do modelo em tempo discreto de volatilidade estocstica que ele anlogo aos modelos de tempo contnuo utilizados em artigos de formao de preos de opes, como em Hull e White (1987). As propriedades economtricas bsicas dos MVE so discutidas em Taylor (1986, 1994), Shephard (1996), Ghysels, Harvey, e Renault (1996) e Jacquier, Polson, e Rossi (1994). Uma das caractersticas chave desse modelo que ele pode ser linearizado, aplicando-se o logaritmo ao quadrado das observaes em (4.2): log y2t = ht + log t 2 + log 2 (4.5) 2 Posteriormente, o termo E log t somado e subtrado da expresso (4.5), e se chega a: log y2t = ht + log t 2 - E(log t 2) + log 2+ E(log t 2) (4.6)
(4.4)
(4.7)
onde = log 2+ E log t2 e t = log t 2 - E log t2 . Conforme apresentado em Harvey, Ruiz e Shephard (1994) a forma de espao de estado dada pelas equaes (4.3) e (4.7) fornecem a base para a estimao dos parmetros do modelo via a aplicao do filtro de Kalman. Harvey, Ruiz e Shephard (1994) estimaram os parmetros = (, 2) (-1,1), maximizando seguinte funo de quase verossimilhana: n 1 n 1 n (4.8) log LQ ( y | ) = log 2 log Ft vt2 Ft 2 2 t =1 2 t =1 onde y = (y1, y2,...), t a projeo do erro um passo a frente para o melhor estimador do log y2t e Ft o erro quadrtico correspondente.
A estimao realizada pelo mtodo de quase mxima verossimilhana consistente e assintoticamente segue uma distribuio normal. Na prxima seo so detalhadas as caractersticas da amostra, com dados de mercado de aes, utilizada para a aplicao dos modelos apresentados.
5. DESCRIO DOS DADOS Para a aplicao dos modelos de volatilidade para o clculo do valor em risco (VaR) foi selecionada a ao preferencial da Petrobrs (Petr4) dada sua alta liquidez e nmero de
Brazilian Business Review www.bbronline.com.br
80
Galdi e Pereira
dias de negociao com uma ampla janela de dados disponvel. Os dados so dirios (dias teis) e abrangem o perodo de 02/01/1995 a 12/01/2006, totalizando 2729 observaes. Alexander (2005, p.90) relata que no modelo GARCH h uma dicotomia entre se ter dados suficientes para que as estimativas dos parmetros sejam estveis, conforme a janela de dados mvel, e dados em excesso, de forma que as previses no reflitam apropriadamente as condies correntes de mercado. A amostra selecionada representa uma janela de onze anos para aplicao dos modelos, pois se priorizou a estabilidade dos parmetros. A figura 2 expressa o comportamento da srie de retornos selecionada, destacando eventos que provocaram grupamentos de alta volatilidade.
11 de setembro
Crise da Rssia
500
1000
1500 PETR
2000
2500
Inicialmente foram realizados testes para a identificao da existncia ou no de raiz unitria e de heteroscedasticidade condicional na srie para a adequada aplicao dos modelos. Pelos testes realizados (Dickey e Fuller aumentado, Phillips e Perron, KPSS e correlograma dos retornos ao quadrado) pode-se dizer que a srie estacionria e heterocedstica, o que a qualifica para a aplicao dos modelos em anlise (ver anexo).
6. ESPECIFICAO DOS MODELOS Nesta seo so especificados os modelos GARCH e de volatilidade estocstica utilizando a amostra de dados acima mencionada. A especificao do modelo combinado AR(1) e GARCH (1,1) foi feita com o auxlio do programa EVIEWS. O modelo AR(1) especificado foi: yt = 0,132674 yt 1 + t (6.1) (0,01992) Os seguintes procedimentos foram seguidos para a estimao do modelo GARCH completo: - O modelo AR(1) foi estimado seguindo o mtodo sugerido por Box e Jenkins (1970);
Brazilian Business Review www.bbronline.com.br
81
- A defasagem do modelo GARCH foi verificada a partir da anlise das funes de autocorrelao e autocorrelao parcial dos resduos quadrados, resultando em um modelo GARCH (1,1) sendo especificado pela sua parcimnia e porque modelos de maior defasagem no apresentaram convergncia satisfatria; - Foi realizado o teste t dos parmetros estimados, rejeitando-se a hiptese nula de igualdade a zero; ht = 0,0000247 + 0,12972 t21 + 0,83784ht 1 (6.2) (0,0000038) (0,00813) (0,01115) - As restries do modelo foram atendidas, pois as estimativas dos parmetros so positivas e a soma menor do que 1; - Verificou-se na funo de autocorrelao dos resduos a inexistncia de autocorrelao atravs do teste Ljung Box; - Nos testes dos resduos quadrados verificou-se a existncia de autocorrelao (LjungBox), e atravs do teste LM rejeitou-se a hiptese nula de inexistncia de autocorrelao nos resduos quadrados; - No teste Jarque-Bera de normalidade dos resduos padronizados, foi possvel verificar no histograma que a distribuio dos resduos leptocrtica, rejeitando-se a hiptese de normalidade.
De acordo com os testes, o modelo GARCH (1,1) adequado para a estimativa da volatilidade condicional, e ser usado para o clculo do VaR. A figura abaixo contm a previso esttica um passo a frente da varincia condicional com base no modelo especificado.
A especificao do modelo de volatilidade estocstica (MVE) foi feita com o auxilio do programa STAMP. Na estimao deste modelo, surge um problema de ordem prtica, que a existncia de zeros na srie de dados. Como os clculos so realizados em logaritmos, os valores dos retornos no podem ser nulos. A seguinte a transformao sugerida por Breidt e Carriquiry (1994) foi utilizada para contornar o problema:
Brazilian Business Review www.bbronline.com.br
82
Galdi e Pereira
(6.3)
Aps a realizao da transformao, o modelo estimado a partir do mtodo de quase mxima verossimilhana via filtro de Kalman, o que resultou nas seguintes equaes: log y2t = +ht +t ht+1 = ht + t log y2t = -8,5769 + ht +t ht+1= 0,986323ht + t
O modelo convergiu muito fortemente em 14 iteraes. O desvio-padro estimado de t de 1,6888 e o desvio-padro estimado de t de 0,13382. Importante salientar que o teste de Ljung-Box aplicado aos resduos estimados pelo modelo sugere a no autocorrelaco. O valor obtido no componente auto-regressivo, de 0,9863 bastante elevado e sugere que existe uma equivalncia de ajustamento entre os modelos GARCH(1,1) e o MVE. A figura 4 apresenta o MVE para os retornos da Petrobras. Pode-se verificar, assim como no caso do modelo GARCH, a existncia de agrupamentos de volatilidade expressivos em determinados eventos, entretanto o nvel geral de volatilidade do MVE parece ser mais estvel.
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0 1 114 227 340 453 566 679 792 905 1018 1131 1244 1357 1470 1583 1696 1809 1922 2035 2148 2261 2374 2487 2600 2713 Volatilidade Estocstica
Assim, para o caso em anlise tanto o modelo GARCH (1,1) quanto o modelo de volatilidade estocstica se mostraram adequados para a estimao do Valor em Risco. Nesse sentido, a prxima seo compara por meio de backtesting o VaR baseado na metodologia do Riskmetrics (1999), que bastante difundida no mercado, com o VaR baseado nas metodologias GARCH e MVE.
Brazilian Business Review www.bbronline.com.br
83
7. BACKTESTING De acordo com o manual do Riskmetrics (1999), o backtesting compara os resultados realizados com as medidas geradas pelo modelo, com o intuito de medir a eficcia do modelo utilizado pelas instituies. Um dos mtodos usados para avaliar a eficincia de modelos atravs de teste com realizaes passadas teste de violaes dos limites de VaR, pelo o nmero de excessos fora do intervalo de confiana. O teste utiliza o valor da carteira marcada a mercado, contando o nmero de vezes que os retornos da carteira excederam o intervalo de confiana estipulado para o VaR. O nmero de violaes pode ser discriminado em: limites superiores, quando o retorno exceder o intervalo de confiana no lado direito da cauda, e limites inferiores, quando o retorno for mais negativo do que o retorno crtico determinado pelo VaR. Neste trabalho aplica-se o teste de violao para limites inferiores, utilizando os retornos marcados a mercado das aes de Petrobras para uma janela de 1500 observaes. Desta maneira possvel comparar o comportamento dos modelos GARCH e Riskmetrics quanto a sua eficincia. A figura seguinte mostra os retornos de Petrobras e o VaR calculado pelo modelo Riskmetrics, com volatilidade estimada atravs de suavizao exponencial EWMA4, com fator de decaimento =0,94. possvel perceber que nos momentos de maior volatilidade, os retornos da Petrobras excedem os limites inferiores do VaR. Figura 5: VaR calculado pelo Riskmetrics/EWMA
0,25 0,2 0,15 0,1 0,05 0 -0,05 -0,1 -0,15 -0,2 -0,25 VaR (EWMA) Petrobras
Fonte: elaborao prpria A figura seguinte apresenta o VaR calculado atravs do modelo GARCH (1,1) e as violaes de limites.
84
Galdi e Pereira
Fonte: elaborao prpria A figura 7 apresenta o VaR calculado atravs do MVE e suas respectivas violaes de limites.
Fonte: elaborao prpria Os resultados do teste de violao dos limites mostraram que em 4,54% das observaes os retornos da Petrobras excederam os limites do VaR calculado com o GARCH, em 3,87% os retornos excederam os limites do VaR calculado com o MVE e somente 3,20% das observaes excedeu os limites do VaR calculado pelo EWMA. importante salientar que esses resultados so indicativos para uma amostra e comparando-os no possvel concluir qual dos modelos mais eficiente, mas possvel inferir que o VaR calculado pelo EWMA, atravs do modelo proposto pelo Riskmetrics, sofreu menos violaes de limites do que o VaR calculado com a volatilidade prevista pelo GARCH (1,1) e pelo MVE. Entretanto, importante lembrar que todos os modelos testados permaneceram dentro do nvel de significncia de 5% utilizado no VaR.
8. CONSIDERAES FINAIS Neste artigo foram apresentados 3 modelos utilizados para a estimativa da volatilidade: modelo de suavizao exponencial EWMA, modelo volatilidade condicional GARCH e o modelo de volatilidade estocstica MVE. A volatilidade estimada pelos modelos base para
Brazilian Business Review www.bbronline.com.br
85
o clculo do VaR que uma mtrica bastante utilizada por instituies financeiras e empresas com exposies para avaliar o risco de perdas provveis de suas carteiras, ocasionadas pelas variaes nos preos dos ativos. A medida do VaR depende da volatilidade, do horizonte de tempo e do intervalo de confiana para os retornos contnuos calculados atravs das diferenas logartmicas dos preos dos ativos. Para a avaliao emprica foi utilizada uma amostra com os preos da ao preferencial da Petrobras para a especificao do modelo auto-regressivo de heteroscedasticidade condicional generalizada e de volatilidade estocstica. Tanto o modelo GARCH, quanto o MVE se mostraram adequados para a modelagem da volatilidade. Adicionalmente realizou-se o backtest de violao dos limites para um VaR de 5% calculado um passo a frente, com intuito de comparar a eficincia dos modelos GARCH e MVE com o modelo proposto pelo Riskmetrics, o EWMA. Os resultados dos testes no foram conclusivos, mas verificou-se que o VaR calculado pelo EWMA sofreu um menor nmero de violaes do que o calculado pelo GARCH e pelo MVE, para uma janela de 1500 observaes. O modelo sugerido pelo Riskmetrics (1999), que utiliza a volatilidade calculada atravs da suavizao exponencial, alm de ser favorecido pela simplicidade em sua implementao, no forneceu resultados inferiores no teste de violao, comparado a modelos mais sofisticados de estimao de volatilidade. Para trabalhos posteriores sugere-se a utilizao de carteiras com mais de um ativo, ou a verificao dos modelos para horizontes de projeo maiores do que 1 dia.
REFERNCIAS
ALEXANDER, C. Modelos de Mercado: Um guia para a anlise de informaes financeiras. So Paulo: Editora Saraiva, 2005. BOLLERSLEV, T. Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics 31. 1986, p.307-327. BOX, G.E, JENKINS, G.M. Time series analysis: forecasting and control. San Francisco: Holden Day, 1970. BREIDT, F.J., CARRIQUIRY, A.L. Improved quasi-maximum likelihood estimation for stochastic volatility models. In LEE, J.C., Zellner, A. (Eds.), Modeling and prediction: honoring Seymour Geisser, p.228-247. New York: Springer, 1994. ENDERS, W. Aplied econometric time series. New York: John Wiley & Sons Inc, 2004. ENGLE, R.F. Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica 50. 1982, p.987-1007. GHYSELS, E., HARVEY, A. C., RENAULT, E. Stochastic volatility. In RAO, C. R., MADDALA G. S. (Eds.), Statistical methods in finance, p.119-191. Amsterdam: NorthHolland, 1996. GUJARATI, D.N. Econometria bsica. So Paulo: Pearson Education do Brasil, 2004. HARVEY, A.C., RUIZ, E., SHEPHARD, N. Multivariate stochastic variance models. Review of Economic Studies 61. 1994, p.247-264. HULL, J., WHITE, A. The pricing of options on assets with stochastic volatilities. Journal of Finance 42. 1987, p.281-300. JACQUIER, E., POLSON, N. G., ROSSI, P. E. Bayesian analysis of stochastic volatility models (with discussion). Journal of Business and Economic Statistics 12. 1994, p.371417. JORION, P. Value at Risk. New York: Mcgraw Hill, 2001.
Brazilian Business Review www.bbronline.com.br
86
Galdi e Pereira
MORETTIN, P.A., TOLOI, C.M.C. Anlise de sries temporais. So Paulo: Editora Edgard Blcher do Brasil, 2004. MORETTIN, P.A. Econometria Financeira (disponvel em www.ime.usp.br/pam). So Paulo, 2004. RISKMETRICS. Risk management: a practical guide. 1.ed. NewYork: RMG, 1999 SHEPHARD, N. Statistical aspects of ARCH and stochastic volatility. In COX, D. R., BARNDORFF-NIELSON, O.E., HINKLEY, D.V. (Eds.), Time series models in econometrics, finance and other fields, p. 1-67. London: Chapman & Hall, 1996. SPANOS, A. Statistical foundations of econometric models. Cambridge: University Press, 1986. TAYLOR, S. J. Modelling financial time series. Chichester: John Wiley, 1986. TAYLOR, S. J. Modelling stochastic volatility. Mathematical Finance 4. 1994, p.183-204.
www.bbronline.com.br
87
ANEXOS
i) Autocorrelao da srie O correlograma dos retornos da ao apresentado abaixo:
Pela anlise da fac e da facp no fica muito claro qual o modelo que o comportamento dessas funes representa. Contudo pode-se perceber uma diminuio significativa tanto na fac quanto na facp na primeira defasagem da srie. Nesse contexto so estimados os modelos AR(1), MA(1) e ARMA(1,1) e analisados os respectivos critrios de informao para a seleo do modelo a ser estimado com o GARCH: Modelo ARMA(1,1) Coefficient Std. Error -0.058242 0.179051 0.012326 0.011964 0.028797 2.260544 5807.696 -.06 -.18 0.153047 0.150903
Variable AR(1) MA(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Inverted AR Roots Inverted MA Roots
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
www.bbronline.com.br
88 Modelo AR (1) Coefficient Std. Error 0.114847 0.011464 0.011464 0.028804 2.262518 5806.505 .11 Modelo MA (1) Coefficient Std. Error 0.122887 0.012546 0.012546 0.028806 2.263601 5808.481 -.12 0.019000 0.019009
Galdi e Pereira
Variable AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Inverted AR Roots
t-Statistic 6.041861
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Variable MA(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Inverted MA Roots
t-Statistic 6.467663
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Baseando-se na significncia dos coeficientes estimados, bem como nos critrios de informao dos modelos, optou-se por utilizar a especificao AR(1) para a srie. ii) Anlise da srie para a adequao de um modelo GARCH O correlograma dos retornos ao quadrado da ao apresentado abaixo:
www.bbronline.com.br
Valor em Risco (VaR) utilizando modelos de previso de volatilidade A srie dos retornos ao quadrado apresenta forte autocorrelao, o que d indcios de que o modelo autoregressivo de heteroscedasticidade condicional generalizada pode ser utilizado para a melhor modelagem da srie. O grfico da srie de retornos ao quadrado apresenta grupamentos caractersticos do GARCH:
.05
89
.04
.03
.02
.01
iii) Testes de Raiz unitria da Srie: Teste ADF Modelo com intercepto e tendncia Null Hypothesis: PETR has a unit root Exogenous: Constant, Linear Trend Lag Length: 2 (Automatic based on SIC, MAXLAG=27) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -31.79295 -3.961409 -3.411456 -3.127584 Prob.* 0.0000
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PETR) Method: Least Squares Sample (adjusted): 4 2729 Included observations: 2726 after adjustments Variable PETR(-1) D(PETR(-1)) D(PETR(-2)) C @TREND(1) R-squared Adjusted R-squared
Brazilian Business Review
90 S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.028717 2.243884 5812.521 1.999082 Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Concluso: Pelo teste de raiz unitria de Dickey-Fuller aumentado (ADF) no se pode aceitar a hiptese nula de que h uma raiz unitria na srie de retornos da ao a 1%, 5% e 10% de significncia. As concluses so as mesmas para o modelo sem intercepto e tendncia e com intercepto. Teste PP Modelo com intercepto e tendncia Null Hypothesis: PETR has a unit root Exogenous: Constant, Linear Trend Bandwidth: 11 (Newey-West using Bartlett kernel) Adj. t-Stat Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -46.33250 -3.961407 -3.411454 -3.127583 Prob.* 0.0000
0.000828 0.000664
Phillips-Perron Test Equation Dependent Variable: D(PETR) Method: Least Squares Sample (adjusted): 2 2729 Included observations: 2728 after adjustments Variable PETR(-1) C @TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.886767 0.000693 2.86E-07 0.443767 0.443358 0.028793 2.259185 5808.516 1.989712 Std. Error 0.019019 0.001103 7.00E-07 t-Statistic -46.62638 0.628217 0.408488 Prob. 0.0000 0.5299 0.6829 2.46E-05 0.038593 -4.256243 -4.249743 1087.012 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Concluso: Pelo teste de raiz unitria de Phillips-Perron (PP) no se pode aceitar a hiptese nula de que h uma raiz unitria na srie de retornos da ao a 1%, 5% e 10% de significncia. As concluses so as mesmas para o modelo sem intercepto e tendncia e com intercepto. iv) Teste de estacionariedade
Brazilian Business Review www.bbronline.com.br
Valor em Risco (VaR) utilizando modelos de previso de volatilidade No sentido de se confirmar a estacionariedade da srie, identificada nos testes de raiz unitria, foi aplicado o teste KPSS, relatado a seguir: Teste KPSS Modelo com intercepto e tendncia Null Hypothesis: PETR is stationary Exogenous: Constant, Linear Trend Bandwidth: 8 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic Asymptotic critical values*: 1% level 5% level 10% level *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) 0.040889 0.216000 0.146000 0.119000
91
0.000840 0.000815
KPSS Test Equation Dependent Variable: PETR Method: Least Squares Sample: 1 2729 Included observations: 2729 Variable C @TREND(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.000683 3.76E-07 0.000104 -0.000262 0.028992 2.292122 5791.396 1.771974 Std. Error 0.001110 7.04E-07 t-Statistic 0.615912 0.533665 Prob. 0.5380 0.5936 0.001196 0.028988 -4.242870 -4.238537 0.284798 0.593617
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
Concluso: Pelo teste de estacionariedade de Kwiatkowski-Phillips-Schmidt-Shin (KPSS) aumentado no se pode rejeitar a hiptese nula de que h uma raiz unitria na srie de retornos da ao a 1%, 5% e 10% de significncia. A concluso a mesma para o modelo com intercepto.
www.bbronline.com.br
92 v) Modelo GARCH Dependent Variable: PETR Method: ML - ARCH (Marquardt) Sample(adjusted): 2 2729 Included observations: 2728 after adjusting endpoints Convergence achieved after 15 iterations Variance backcast: OFF Coefficient AR(1) C ARCH(1) GARCH(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Inverted AR Roots 0.132674 2.47E-05 0.129720 0.837840 0.011145 0.010056 0.028825 2.263248 6279.241 .13 Teste LM dos resduos ARCH Test: F-statistic Obs*R-squared 5.419314 10.80755 Probability Probability 0.004478 0.004500 Std. Error 0.019922 3.80E-06 0.008130 0.011150 z-Statistic 6.659689 6.517232 15.95504 75.13943 Prob. 0.0000 0.0000 0.0000 0.0000 0.001218 0.028971 -4.600617 -4.591949 2.023680
Galdi e Pereira
Variance Equation
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat
Test Equation: Dependent Variable: STD_RESID^2 Method: Least Squares Sample(adjusted): 4 2729 Included observations: 2726 after adjusting endpoints Variable C STD_RESID^2(-1) STD_RESID^2(-2) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 0.938109 0.001367 0.062959 Std. Error 0.045594 0.019126 0.019129 t-Statistic 20.57535 0.071459 3.291311 Prob. 0.0000 0.9430 0.0010 1.002573 1.917730 4.138023 4.144528 5.419314 0.004478
0.003965 Mean dependent var 0.003233 S.D. dependent var 1.914627 Akaike info criterion 9981.968 Schwarz criterion -5637.125 F-statistic 1.995807 Prob(F-statistic) Teste de Normalidade dos Resduos
600 500 400 300 200 100 0 -6 -4 -2 0 2 4 Series: Standardized Residuals Sample 2 2729 Observations 2728 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Probability 0.046257 0.038150 5.125893 -6.604058 1.000331 -0.175047 4.695533 340.7044 0.000000
www.bbronline.com.br
Valor em Risco (VaR) utilizando modelos de previso de volatilidade vi) Modelo de Volatilidade Estocstica (MVE) Resultados completos: Method of estimation is Maximum likelihood The present sample is: 0 to 2728 MaxLik initialising... it 1 f= -0.61823 e0= 0.00000 step= 1.00000 MaxLik iterating... it 4 f= -0.56087 df= 0.00480 e1= 0.00347 e2= 0.11477 step= 1.00000 it 9 f= -0.55836 df= 0.00009 e1= 0.00021 e2= 0.03684 step= 1.00000 it 14 f= -0.55835 df= 0.00000 e1= 0.00000 e2= 0.00000 step= 0.00010 Equation 1. SVpetr = Level + AR(1) + Irregular Estimation report Model with 3 parameters ( 1 restrictions). Parameter estimation sample is 0. 1 - 2728. 1. (T = 2729). Log-likelihood kernel is -0.5583489. Very strong convergence in 14 iterations. ( likelihood cvg 1.789563e-015 gradient cvg 1.219025e-008 parameter cvg 1.623527e-010 ) Eq 1 : Diagnostic summary report. Estimation sample is 0. 1 - 2728. 1. (T = 2729, n = 2728). Log-Likelihood is -1523.73 (-2 LogL = 3047.47). Prediction error variance is 3.04931 Summary statistics SVpetr Std.Error 1.7462 Normality 114.33 H(909) 0.93420 r( 1) -0.0018508 r(39) 0.011165 DW 1.9980 Q(39,37) 38.960 R^2 0.11195
93
Eq 1 : Estimated variances of disturbances. Component SVpetr (q-ratio) Irr 2.8520 ( 1.0000) Ar1 0.017907 ( 0.0063) Eq 1 : Estimated standard deviations of disturbances. Component SVpetr (q-ratio) Irr 1.6888 ( 1.0000) Ar1 0.13382 ( 0.0792) Eq 1 : Estimated autoregressive coefficient.
Brazilian Business Review www.bbronline.com.br
94
Galdi e Pereira
The AR(1) rho coefficient is 0.986323. Eq 1 : Estimated coefficients of final state vector. Variable Lvl Ar1 Coefficient R.m.s.e. t-value -8.5769 0.18600 -46.113 [ 0.0000] -0.76884 0.45764
Normality test for Residual SVpetr Sample Size 2728 Mean -0.053013 Std.Devn. 0.998594 Skewness -0.257566 Excess Kurtosis -0.580191 Minimum -3.280796 Maximum 3.113678 Skewness Chi^2(1) 30.163 [0.0000] Kurtosis Chi^2(1) 38.263 [0.0000] Normal-BS Chi^2(2) 68.425 [0.0000] Normal-DH Chi^2(2) 114.33 [0.0000] Goodness-of-fit results for Residual SVpetr Prediction error variance (p.e.v) 3.049310 Prediction error mean deviation (m.d) 2.511845 Ratio p.e.v. / m.d in squares 0.938204 Coefficient of determination R2 0.111953 ... based on differences RD2 0.466639 Information criterion of Akaike AIC 1.117114 ... of Schwartz (Bayes) BIC 1.123613 Serial correlation statistics for Residual SVpetr. Durbin-Watson test is 1.99805. Asymptotic deviation for correlation is 0.019146.
www.bbronline.com.br
95
vii) Rotina de programao em VBA para o clculo da varincia condicional do modelo de decaimento exponencial: Function ewma(lambida, retornos As Range) i=1 lambida2 = 1 ewma = 0 Do While lambida2 > 0.00001 ewma = ewma + retornos(i, 1) ^ 2 * lambida2 lambida2 = lambida2 * lambida i=i+1 Loop ewma = ewma * (1 - lambida) End Function
www.bbronline.com.br