MODELAGEM E PREVISO DE VOLATILIDADE DETERMINSTICA E

ESTOCSTICA PARA A SRIE DO IBOVESPA

1


Igor A. C. de Morais
2

Marcelo S. Portugal
3

RESUMO
A varincia de um ativo uma das informaes mais importantes para quem opera no mercado financeiro. A
determinao desta volatilidade pode ser feita com base no conhecimento da varincia passada (processo
determinstico), ou ainda quando esta varincia no conhecida (processo estocstico). Estes modelos
apresentam diversas formulaes que captam diferentes efeitos observados em sries financeiras, tais como a
aglomerao da varincia, o efeito leverage e a persistncia na volatilidade. Neste trabalho comparada a
estimativa da volatilidade do ndice Bovespa obtida por processos determinsticos e estocsticos,
abrangendo 3 perodos relativamente conturbados: a crise do Mxico, a crise Asitica e a moratria Russa. A
concluso bsica que ambos os processos conseguem prever muito bem a volatilidade.

ABSTRACT
The variance of an asset is the most important information for an investor that deals in the financial markets.
The measurement of that volatility can be done in two different ways. The first one, deterministic case, is
done by taking as a starting point the knowledge of conditional variance. In the other approach, called
stochastic volatility, one does not know a priori the volatility of the asset. These models are used in many
different formulations to explain the specific characteristics observed in the financial time series, such as
volatility clustering, leverage effect and persistence of the volatility. In this paper, the volatility of the So
Paulo Stock Exchange Index (Ibovespa) is modelled by the two processes described above. The period
analysed goes from july/94 until october/98, include three critical periods of the world financial markets: the
Mexican crisis, the Asian crisis and finally the Russian debacle. The main conclusion is that both process
perform quite well.


Palavras Chave: Modelos GARCH, Volatilidade, Filtro de Kalman.
Key Words: GARCH Models, Volatility, Kalman Filter.
Classificao no JEL: C5/C53

1. Introduo
A correta previso da volatilidade importante no s no esboo de estratgias timas de
hedge com derivativos, como tambm permite captar momentos de grande incerteza no mercado.
Quanto mais incerto estiver o mercado, frente a crises ou outros fatos exgenos, mais os preos
variam e maior a varincia dos retornos implicando possibilidades de grandes ganhos ou perdas.
Assim sendo, o correto gerenciamento do risco de uma carteira de investimentos passa pela boa
previso das oscilaes do preo dos ativos no mercado.
A maneira padro e mais simples de se medir a volatilidade de um ativo atravs da
estimao do desvio-padro de seus retornos. Esta medida usualmente definida como a
volatilidade histrica. Entretanto, o importante para o mercado financeiro, no o valor histrico da
varincia, mas sim aquele que se espera prevalea no futuro, o qual no pode ser estimado
apropriadamente simplesmente atravs do conhecimento do valor histrico. Desta forma, a
varincia em t pode estar ou no condicionada s informaes passadas. Em outras palavras, a
varincia no condicional pode ser constante, mas para certos perodos de grande incerteza a
varincia condicional pode apresentar grandes alteraes por curtos perodos de tempo.
H diferentes mtodos paramtricos para estimar a varincia dos retornos, com o objetivo de
se substituir a hiptese de que esta seja constante ao longo do tempo. Tem-se, por exemplo, os

1
Os autores agradecem a eficiente colaborao do bolsista de iniciao cientfica do CNPq Gregrio Silva Caetano.
2
Doutorando em Economia na UFRGS.
3
Professor do Programa de Ps-Graduao em Economia da UFRGS e Pesquisador do CNPq.
2
modelos de volatilidade determinstica e os modelos de volatilidade estocstica. Um terceiro
mtodo, no paramtrico, seria a determinao da volatilidade com o uso de redes neurais
4
.
A primeira abordagem assume que as variaes no retorno dos ativos so determinadas por
variveis conhecidas pelos participantes do mercado, tal como seu nvel de preos. No caso do
segundo mtodo, o conhecimento do preo no passado dos ativos no suficiente para determinar a
volatilidade, quando so utilizadas observaes de preos discretas.
Na classe dos modelos de especificao da volatilidade determinstica, que utilizam da
informao de preos passados para atualizar seu valor para o ativo corrente, pode-se enumerar os
modelos da famlia ARCH- Autoregressive Conditional Heteroscedasticity
5
. Na especificao
ARCH vrias hipteses podem ser feitas em relao aos retornos. Podemos assumir que a
distribuio normal ou no-normal, introduzir a influncia de variveis exgenas, tais como o
volume de negociao do ativo, verificar a interferncia da volatilidade na determinao dos
retornos (modelo ARCH-M) ou ainda a confirmao da existncia dos fatos estilizados
6
.
Nos modelos de volatilidade estocstica, a hiptese da distribuio normal dos retornos
tambm pode ser relaxada, sendo tambm possvel fazer testes para a verificao da influncia dos
fatos estilizados. Nestes modelos tanto o retorno dos ativos quanto a sua varincia so variveis no
tempo. A principal diferena em relao aos modelos determinsticos est relacionada ao
desconhecimento da informao passada, de forma que a volatilidade vista como um componente
no observvel.
O objetivo deste artigo comparar estas duas formas diferentes de modelagem da volatilidade
(determinstica e estocstica), com o uso do IBOVESPA. O IBOVESPA um ativo altamente
voltil e que, constantemente, sofre a influncia de variveis exgenas (crises, boatos) que no esto
ligados diretamente a sua estrutura, mas que influenciam na oscilao de seus retornos.
Vrios trabalhos empricos foram feitos utilizando sries financeiras brasileiras com o
objetivo de verificar o comportamento dos quatro primeiros momentos dos retornos e comprovar a
existncia dos fatos estilizados. Herencia (1997) utiliza a srie de retornos da Telebrs PN, Duarte e
outros (1996) analisa a volatilidade das aes da Light ON, Telebrs PN e Vale do Rio Doce PN,
Barcinski e outros (1997) estuda o comportamento de seis aes negociadas na Bovespa, Eletrobrs
ON e PN, Petrobrs PN, Telebrs ON e PN e Vale do Rio Doce PN, e Ziegelmann e Pereira (1997)
utiliza modelos de volatilidade estocstica com e sem deformao temporal para estimar a
volatilidade dos retornos do IBOVESPA.
Os modelos aqui utilizados sero comparados de duas maneiras. Primeiro em relao aos
critrios de comparao estatsticos dentro da amostra, tais como o de Akaike e Schwarz, e depois
em relao ao melhor ajuste da previso um passo a frente para um perodo de 21 dias, atravs da
anlise das estatsticas de erro. Os modelos so estimados e testados para o comportamento da
volatilidade do ndice durante o perodo de 4/7/94 a 9/10/98 (dados dirios), perfazendo um total de
1060 observaes. Este perodo foi escolhido com o objetivo de estudar como os agentes
financeiros passaram a agir frente a um novo cenrio econmico que se colocou para as empresas
com aes negociadas na Bovespa. Embora ainda existam resduos inflacionrios no incio da
amostra, a escolha do ms de julho como ponto de partida para a anlise tem o apelo de analisar
apenas o perodo do Plano Real.
A segunda seo destinada descrio dos modelos que so utilizados neste trabalho. Sero
introduzidos os modelos de volatilidade determinstica da famlia ARCH e os de volatilidade
estocstica, bem como uma discusso tcnica acerca dos estimadores utilizados e as equaes que
envolvem cada modelo. Na terceira seo feita uma reviso bibliogrfica da literatura emprica do
assunto. O objetivo desta seo ilustrar como so utilizados os modelos da famlia ARCH e de

4
Para uma anlise de outros mtodos no -paramtricos para modelar a varincia dos retornos ver Pagan e Schwert
(1990).
5
Para uma descrio de outros estimadores, entre os quais o estimador de mdia mvel com amortecimento
exponencial (EMMAE) e os estimadores de valores extremos (EVE), ver Duarte e outros (1996).
6
Para uma discusso sobre as diferentes distribuies dos retornos ver Herencia (1997). Para o uso de variveis
exgenas ver Lamoureux e Lastrapes(1990) e, para a discusso dos modelos ARCH-M ver Engle e outros (1987).
3
volatilidade estocstica em sries financeiras estrangeiras e nacionais. Esta seo d destaque maior
s informaes extradas de cada estimao feita, tais como a aglomerao de volatilidade, a
distribuio dos retornos, os testes para efeitos fim de semana e dia da semana, o efeito persistncia
e leverage, e quais foram as estatsticas utilizadas para se comparar estes modelos. A quarta seo
trata da anlise e comparao emprica dos modelos descritos na seo 2, com relao ao ndice
Bovespa. O objetivo aqui mostrar como estes modelos se adequam ao IBOVESPA e como eles
so capazes de reproduzir as caractersticas presentes nas sries financeiras
7
. Por fim, na quinta
seo feita uma concluso sobre os resultados aqui encontrados, comparando-os com os obtidos
na literatura.

2. Modelos de Volatilidade Determinstica e Estocstica
Na primeira parte desta seo so descritos os modelos de volatilidade determinstica
(GARCH, EGARCH, GJR e GARCH-t)
8
. Na segunda parte so descritos os modelos de
volatilidade estocstica bem como seu processo de estimao via filtro de Kalman
9
. Nosso objetivo
aqui mostrar as equaes e os pressupostos envolvidos em cada modelo, bem como seus
estimadores, dando destaque aos diferentes objetivos que estes processos de estimao se prope
para modelar os diversos efeitos presentes em sries de ativos financeiros.

2.1. Modelos de Volatilidade Determinstica
As sries financeiras assim como as demais sries econmicas so, em sua maioria, no-
estacionrias. Alm disso, as sries financeiras no-estacionrias parecem em sua maioria com um
random walk, o que implica um alto grau de persistncia a choques e uma volatilidade no
condicional variante no tempo (caracterstica de heteroscedasticidade).
Podemos dizer ento que para explicar estes fenmenos estatsticos, as sries teriam uma
tendncia linear ou no-linear. No primeiro caso dito que a autocorrelao existente nos retornos
pode estar sendo causada por efeitos do tipo dias-da-semana, dias de no negociao, ou ainda pelo
fraco volume de negociao do ativo (baixa liquidez) mas, mesmo assim, pode ser estacionria. Por
outro lado, a tendncia no-linear pode ser explicada pela mudana na volatilidade dos retornos e a
existncia de alto nvel de curtose em sua distribuio.

2.1.1 Modelo ARCH (Autoregressive Conditional Heteroscedasticity)
Engle (1982) props a modelagem de um processo que permita que o primeiro e o segundo
momentos do retorno de um ativo { }
t
R dependa de valores passados, tal como no modelo
) , 0 ( ~ /
1 t t t
h N

2 2
1 1 0
...
q t q t t
h

+ + + (2.1)
b x R
t t t

onde
1 t
toda a informao observada at 1 t , b x
t
a mdia de { }
t
R onde x
t
pode incluir
variveis exgenas e dependentes defasadas. Para que a varincia seja no negativa assumido que
0
0
> e 0
q
, i=1,...,q com q>0. O processo estacionrio em covarincia se

q
i
i
t
Var
1
0
) 1 (
) (

.
Seja f a densidade condicional e n o nmero de observaes. A densidade conjunta o
produto de todas as densidades condicionais, e o log da verossimilhana dado pela soma do log da
verossimilhana normal condicional. Seja o log da verossimilhana mdio dado por;

7
Para estimao dos modelos determinsticos utilizado o Software Rats 4.0. Para os modelos estocsticos utilizado o
Stamp 5.0.
8
Para uma discusso tcnica destes modelos ver Bollerslev (1986) para o GARCH, Nelson (1991) para o EGARCH,
Glosten e outros (1993) para o GJR e Bollerslev (1987) para o GARCH-t.
9
Sobre o Filltro de Kalman e modelos de componentes no observveis ver Harvey (1996).
4

n
t
t
l
n
l
1
1
(2.2)
onde
t
l o log da t -sima observao da funo de verossimilhana, ento;
] ) [log(
2
1
2
t
t
t t
h
R
h l + (2.3)
Dados os valores de
t
R e os valores iniciais R , e h , ento a maximizao da funo de
verossimilhana nos fornece os parmetros do modelo. Para amostras grandes, os valores iniciais
escolhidos no so crticos. A estimao se d de forma iterativa atravs da equao (2.1)
10
, e a
soluo requer algum tipo de algortmo de procura.

2.1.2 Modelo GARCH (General Autoregressive Conditional Heteroscedasticity)
Uma generalizao natural dos modelos ARCH foi proposta por Bollerslev (1986), e ficou
conhecida como GARCH (General Autoregressive Conditional Heteroscedasticity). Como em
muitas aplicaes requerido que o modelo ARCH apresente muitos lags (q), os modelos GARCH
estendem a formulao ARCH no sentido de que aquele permite uma memria mais longa, e uma
estrutura de defasagens para a varincia mais flexvel. Estes modelos tambm podem ser utilizados
para entender a relao entre a volatilidade e os retornos esperados.. O modelo passa a ser dado por
) , 0 ( ~ /
1 t t t
h N

t t
p
i
i t i
q
i
i t i t
h L B L A h h ) ( ) (
2
0
1 1
2
0
+ + + +

(2.4)
b x R
t t t
'

onde as restries so agora dadas por; 0 > q , 0 p , 0
0
> , 0
i
, ) ,..., 1 ( q i , e 0
i
,
) ,..., 1 ( p i . Se 0 p , o modelo se reduz a um ARCH(q ) e se 0 q p , ento
t
um rudo
branco. Para que o processo seja bem definido, requerido tambm que
) ( 1
) (
2
L
L
h
t
t

seja
no negativo, e que as razes do polinmio 1 ) ( estejam fora do crculo unitrio.
Caso 1
1 1
+ , ento existe persistncia a choques na volatilidade, de maneira que se
passa a ter um modelo GARCH integrado, ou IGARCH.
11

No modelo IGARCH(1,1) usada a restrio 1
1 1
+ . Fazendo +
1 1
temos
1
1
) (
1
) (
) (
1 1 1 0
1 1 1 1 0
1 1
2
1 1 0

+ +
+ +



L usando
h
h
h h h
h h
t t
t
t t t t
t t t

(2.5)
onde, se 1 , ento h
t
no est definido, ou seja, a varincia condicional no existe. Esta
persistncia pode ser interpretada de duas maneiras na literatura de finanas, como resultado de uma
tendncia na varincia, ou ainda como uma mudana estrutural nesta tendncia da varincia. Da
mesma forma que a partir de um MA( ) obtido um AR(1), partindo de um GARCH(1,1)
encontrado um ARCH( ).

2.1.3 Modelo GARCH-t (distribuio t Student)
Seja a distribuio condicional do retorno do ativo { }
t
R , T t ,..., 1 padronizada como t-
Student com mdia R
t/t-1
e varincia h
t/t-1
e graus de liberdade, temos ento que
) / ( ~ /
1 1 t t t t
f

(2.6)

10
Com esta maximizao pode ser obtido um mximo global ou o mximo local. Neste sentido necessrio cuidado em
identificar o processo a ser estimado.
11
Ver Engle e Bollerslev (1986) e Nelson (1990a) e (1990b).
5
onde ) (

f a funo de densidade condicional para

t
, que da forma:
2
) 1 (
1 1
1 /
2
1 /
1
1
) ) 2 )( ( 1 ( ) ) 2 (( )
2
( )
2
1
( ) / (
+

+
+

t t t t t t t
h h f (2.7)
com 2 > e sendo uma funo gamma
12
.
Pela decomposio do erro de previso a funo log-verossimilhana para a amostra
T
R R ,...,
1
dada por

T
t
t t t
f L
1
1
) / ( log ) (

(2.8)
Portanto, maximizando a funo de verossimilhana (2.8), onde
)) 2 )( ( 1 ln( ) 1 ( 5 , 0
) ln( 5 , 0 ) 2 ln( 5 , 0 ) 5 , 0 ( ln )) 1 ( 5 , 0 ( ln ) ( ln
2
+ +
+

t
t
t
h
h f
(2.9)
so obtidos os parmetros do modelo. O modelo GARCH(1,1)-t ento da forma
) / ( ~ /
1 1 t t t t
f

+ +
p
i
i t i
q
i
i t i t
h h
1 1
2
0
(2.10)
b x R
t t t
'


2.1.4 Modelo EGARCH ( Exponential GARCH)
A correlao entre os retornos das aes e as mudanas na sua volatilidade pode ser negativa,
pois observado que as ms notcias aumentam a volatilidade, enquanto que as boas notcias a
diminuem. Nelson (1991) props um modelo no-linear alternativo, o EGARCH que da forma
]
2
[ ) log( ) log(
) , 0 ( ~ /
1
1
1
1
1
1

+ + +

t
t
t
t
t t
t t t
h h
h h
h N
(2.11)
b x R
t t t
'

Neste modelo, incluindo o choque padro (
1 t
) e o seu valor absoluto, dada maior
flexibilidade equao da varincia, permitindo que ela capture alguma assimetria na relao entre
retornos de mercado e a volatilidade condicional. O modelo assimtrico devido existncia do
coeficiente , que capta o efeito leverage .
Uma outra diferena entre os modelos GARCH e EGARCH que, neste, grandes erros
provocam maiores impactos na volatilidade do que nos modelos GARCH, sejam eles de valores
positivos ou negativos, como pode ser notado pelo termo
1 t
.

2.1.5 Modelo GJR
Uma outra especificao muito utilizada na literatura para captar o efeito assimetria (modelo
GJR) foi proposta por Glosten, Runkle e Jagannathan (1993) e pode ser descrita como
2
1 1
2
1 1
1
) , 0 ( ~ /

+ + +
t t t t t
t t t
S h h
h N



b x R
t t t
'
(2.12)

t
S 1 se 0 <
t

0 se 0
t


12
Ver James (1996).
6
Logo, quando 0 > captura-se o efeito leverage e com 0 o modelo GJR(1,1) reduz-se a
um GARCH(1,1). Neste sentido, o modelo GARCH aninhado ao modelo GJR.
Assim sendo, os trs ltimos modelos descritos nesta seo so capazes de captar trs tipos de
caractersticas comuns em sries financeiras de dados dirios: as caudas mais cheias da
distribuio dos retornos devido a variao da volatilidade no tempo, o efeito assimetria resultante
da no estacionaridade da mdia e, por fim , a aglomerao das variaes dos retornos.

2.2 Modelos de Volatilidade Estocstica
As mudanas na varincia que ocorrem no tempo podem tambm ser especificadas atravs
de modelos com volatilidade estocstica, onde a volatilidade tratada como uma varivel no
observvel. Dada a diferena de modelagem entre os casos estocsticos e determinsticos, fica
difcil a comparao entre elas, pois o verdadeiro processo gerador de dados (DGP) desconhecido.
Os modelos de volatilidade estocstica so no Gaussianos, e sua estimao e controle estatsticos
podem apresentar algumas dificuldades
13
.
Para a estimao da volatilidade considere os retornos como sendo dados por
( ) 1 , 0 ~ NID R
t t t t
(2.13)
Elevando ao quadrado, e extraindo o log, obtemos uma expresso linear da forma
( ) ( ) ( )
2 2 2
log log log
t t t
R + (2.14)
onde ( )
2
log
t
tem distribuio log-normal com mdia 1,27 e varincia
2
/2
14
.
Suponha agora que
t
seja um processo de inovao dado por
( ) ( ) [ ]
2 2
log log
t t t
(2.15)
onde ( ) 0
t
e ( )
2
2

t
VAR . Mas, como
( ) [ ] 27 , 1 log
2

t
(2.16)
temos que
( ) 27 , 1 log
2

t t
(2.17)
Substituindo (2.16) em (2.14) temos
( ) ( )
t t t
R + +
2 2
log 27 , 1 log (2.18)
Adotando o processo autoregressivo de primeira ordem estacionrio e com drift (AR(1)-SV)
na forma logartimica para descrever a trajetria da varincia condicional temos
( ) ( ) ( )
2 2
1
2
0

, NID ~ log log
t t t t
+ +

(2.19)
e, associando com a equao (2.18) temos o modelo no formato espao de estados
( ) ( ) ( )
( ) ( ) ( )
2 2
1
2
2 2 2
0
0 27 1

, NID ~ log log
, ID ~ log , R log
t t t t
t t t t
+ +
+ +

(2.20)
onde ( )
2
t
log um componente no observvel,
t

e
t
so independentes,
2 2

e , so os
hiperparmetros com 1 < . O caso no estacionrio pode ser obtido quando =0 e =1. Em 2.20 a
primeira equao a equao de medida enquanto que a segunda a equao de transio
15
.
O processo de estimao da volatilidade estocstica feito neste trabalho compreende os
seguintes 4 passos. Em primeiro lugar , estimado por OLS (mnimos quadrados ordinrios) o
modelo
t t t t
D D R R R + + + +

2 1
2 1 2 2 1 1
(2.21)
onde
t
R o retorno do ativo no perodo t,
1 2 1
, , e
2
os coeficientes, D1 e D2 dummies de
outliers e
t
o resduo da regresso (2.21).

13
Ver Hamilton(1994).
14
Para uma explicao das propriedades da funo lognormal consultar Ruiz (1994).
15
O modelo pode ser um AR(1)-SV onde os retornos so dados por:
t t t
R R +
1
, com
t
sendo o resduo, ou
ainda um AR(2)-SV da forma;
t t t t
R R R + +
2 2 1 1 1
, onde
t
o resduo.
7
Estes resduos so da forma
( ) 1 , 0 ~ IID
t t t t
(2.22)
Em seguida, para modelarmos o componente no observvel, a varincia de
t
, dada por
2
t
, utilizado o seguinte conjunto de equaes
( ) ( ) ( )
( ) ( ) ( )
2 2
1
2
2 2 2
, 0 ~ log log
, 0 ~ log 27 , 1 log

NID
ID
t t t t
t t t t
+
+ +

(2.23)
Adotando ( )
2
log
t t
Y e ( )
2
log
t t
h , o formato espao de estados de (2.23) para o caso
estacionrio
t t t
t t
t t t t
h h
N N N
h N Y

+

+ +

1
1
(2.24)
onde
t
N um nvel fixo
16
. No caso do modelo no-estacionrio,
t
N =0 e 1 .
Alm dos hiperparmetros
2
,

e
2

, onde a persistncia, so obtidas as estimativas

de
t
h filtradas e suavizadas. Por fim, para determinar a varincia do erro da equao (2.21),
utilizado o conjunto de equaes
) 27 , 1 exp(
) 27 , 1 exp(
, ,
, ,
s t t s t
f t t f t
h N Vol
h N Vol
+ +
+ +
(2.25)
onde
f t
Vol
,
a volatilidade filtrada no tempo t ,
s t
Vol
,
a volatilidade suavizada,
f t
h
,
o
componente autoregressivo filtrado e
s t
h
,
o suavizado.
Vrios so os mtodos utilizados para estimar modelos estocsticos. O que ser aqui adotado
o mtodo de quasi-mxima verossimilhana
17
baseado no Filtro de Kalman. A verossimilhana
concentrada calculada atravs da decomposio do erro de previso, como
( ) ( ) ( )



T
t
T
t t
t
t
t t
f
f h
T T
L
1 1
2
2
2
1
log
2
1
log
2
2 log
2
log

(2.26)
onde
t
o erro de previso e
t
f um hiperparmetro, ambos provenientes do Filtro de Kalman. Para
obter os parmetros do modelo, so dados valores iniciais para
2

e
2

que determinam os
mximos de ( ) L log . A vantagem na utilizao do Filtro de Kalman que a varincia pode ser
estimada de forma filtrada e suavizada
18
.
Os efeitos dias da semana, fim de semana, leverage e a persistncia podem ser testados
nos modelos de volatilidade estocstica. Intervenes so feitas com o objetivo de captar mudanas
estruturais abruptas na volatilidade, ou eliminar a interferncia dos outliers.
A forma de comparar os modelos de volatilidade estocstica e determinstica pode ser feita
atravs da construo de intervalos de confiana para as previses um passo a frente dos retornos.
Neste caso, ser prefervel o modelo que apresente um menor comprimento do intervalo e tiver o
maior nmero de retornos includos neste intervalo
19
. Pode ainda ser adotada uma srie de varincia
qualquer como referncia, benchmark, e ento compar-la com as volatilidades obtidas.


16
Para um exemplo das propriedades deste modelo, ver Herencia(1997).
17
Assumindo que o componente irregular
t
em 2.23 aproximado por uma distribuio normal, a verossimilhana
aproximada e ento a estimativa feita por quasi mxima verossimillhana. Ver Ruiz(1994).
18
A hiptese de que os erros
t
seguem uma distribuio t-Student aplicada aos modelos estocsticos fazendo uso da
funo Digamma ( ) . e Trigamma ( ) . ' . Para maiores detalhes ver Herencia(1997).
19
Para um exemplo desta aplicao ver Herencia(1997).
8
3. Aplicaes dos Modelos de Estimativa da Volatilidade
Nesta seo so discutidos vrios resultados existentes na literatura que apresentam os fatos
estilizados das sries financeiras, tais como o efeito calendrio, a persistncia, aglomerao da
volatilidade e o efeito leverage. Apresentamos ainda uma comparao emprica entre os modelos de
volatilidade estocstica e determinstica.

3.1 O Efeito Calendrio
Gibbons e Hess (1981) aborda o efeito dia da semana para os dados dirios da srie do
ndice S&P-500 e o portflio construdo pelo Center for Research in Security Prices, entre 1962 e
1978, testando o modelo
it t i t i it
D D R + + +
5 5 1 1
... (3.1)
onde 1
1

t
D uma dummy para segunda-feira, 1
2

t
D a dummy de tera feira e assim por diante,
at sexta-feira. A hiptese de igualdade entre os coeficientes
i i 5 1
... foi rejeitada, sendo que
os dias que mais contriburam para a rejeio desta igualdade foram quarta e sexta-feira.
Noh e outros (1994), usando opes de compra e venda do S&P-500 entre 1986-1991,
encontrou diferena de volatilidade entre a segunda (27,84%) e a tera-feira (16,33%). Para
evidenciar esta caracterstica, a proposta foi criar uma varivel
t
que captasse este efeito, tendo
valor 1 para dias normais e 3 para a segunda, pois a segunda feira precedida por 2 dias de no
negociao. No caso de um feriado na segunda, ento 4
t
na tera-feira.
Um coeficiente foi colocado como parmetro a ser estimado pelo modelo para testar se o
efeito dias de no negociao completamente repassado, onde

t
significa que apenas uma
frao desses efeitos tivesse ao direta. Com 1 h total repasse dos efeitos de dias de no
negociao. Assim, a equao de varincia utilizada foi

1
1
1
1
2
1
1 0

+ +
t
t
t
t
t
t
h h
(3.2)
onde o parmetro encontrado (0,253) foi estatisticamente significativo, indicando a existncia do
efeito dias de no negociao.
Akgiray (1989), com dados dirios do ndice CRSP-VW entre 1963-1986, estimou a equao
t t t
D R R + + +
2 1 1 0
(3.3)
por OLS, onde D era a dummy de segunda-feira e Rt o retorno, no encontrando efeito fim-de-
semana pois a dummy colocada na segunda-feira foi estatisticamente no significante.
Herencia (1997) encontrou efeito dia da semana para uma srie de aes. A modelagem da
equao da mdia dos retornos feita como em (3.1) adicionando
1 t
R . Para a srie do Ibovespa,
Correa (1998) tambm encontrou efeito dia da semana.

3.2 Persistncia
Como mostrado na seo 2, a persistncia capturada pelos modelos determinsticos e
estocsticos obtida de forma distinta. Para quantificar o grau de influncia da persistncia da
volatilidade nos retornos podemos calcular a meia vida
20
.
Pagan e Schwert (1990), encontrou uma meia vida de 0,793 para um GARCH(1,2), e 0,747
para um EGARCH(1,3). Herencia (1997), para a srie Telebrs PN, achou 0,9967 com o modelo
GARCH(1,1) e 0,9656 nos modelos AR(1) de volatilidade estocstica.
Galvo, Portugal e Ribeiro (1997) encontrou persistncia baixa para o Ibovespa no mercado
vista (0,8951) e para o mercado futuro (0,965), enquanto que na srie da taxa de cmbio comercial
obtm-se 0,894.
Quando a persistncia alta, a alternativa proposta adotar o modelo IGARCH para o caso
determinstico (persistncia infinita), e um modelo no estacionrio para o caso estocstico
21
.

20
A meia vida () revela o tempo necessrio para que o efeito de um choque na varincia condicional seja reduzido
metade.
9
Bustamante Fernandes(1995) utilizam modelos IGARCH(1,1) para 5 sries brasileiras: a taxa
de inflao mensal (IGP-DI), a taxa de juros (CDI-over) diria, a taxa de cmbio (dlar paralelo), e
os ndices Ibovespa e FGV-100. Para a taxa de cmbio foi encontrada persistncia euma meia vida
de 7 dias, sendo que o melhor modelo encontrado foi o ARIMA(2,1,2)-IGARCH(1,1). A taxa de
juros teve pouca persistncia e uma meia vida de 25 dias, atravs do modelo ARIMA(2,1,0)-
IGARCH(1,1). A taxa de inflao teve a especificao ARIMA(2,2,0)-IGARCH(1,1) com grande
persistncia, que conduziu a uma meia vida de 4 meses. No caso dos ndices de aes, foi escolhido
o modelo ARIMA(2,1,0)-IGARCH(1,1) para o FGV-100, com meia vida de 8 dias, e um
ARIMA(1,1,0)-GARCH(1,1) para o Ibovespa, gerando uma meia vida de 10 dias.

3.3. Aglomerao na Volatilidade e o Efeito leverage.
O modelo EGARCH revela a aglomerao da volatilidade atravs do termo da equao
2.11. esperado que este valor seja positivo, como encontrado por Kim e Kon (1994), Hagerud
(1997), Pagan e Schwert (1990) e Herencia (1997).
O efeito leverage captado pelo coeficiente , nos modelos EGARCH e GJR, sendo que no
primeiro ele negativo e no segundo positivo.
Kim e Kon (1994) confirmaram a existncia do efeito leverage nos modelos ARMA(2,1)-
EGARCH(1,3)-M e GJR(1,3)-M. Braun e outros (1995), com um modelo EGARCH bivariado,
encontrou evidncia deste efeito na equao que modela o comportamento do mercado e do
portflio. Os resultados de Herencia (1997) tambm vo neste sentido.

3.4 Comparao entre os diferentes Modelos e Quebra Estrutural
Nesta seo so discutidos os diferentes modelos, estocsticos e determinsticos, que foram
utilizados na literatura aplicada para estimar a volatilidade de ativos brasileiros e estrangeiros.
apresentado tambm a forma de comparao adotada para selecionar o melhor modelo e como
foram resolvidos os problemas de mudanas estruturais nas sries.
Kim e Kon (1994) estimou os modelos AR(1)-ARCH(q) encontrando que a constante da
equao da varincia condicional foi positiva. O menor modelo obtido foi um ARCH(2). O AR(1)-
GARCH(1,1) adaptou-se melhor aos dados do que os seus similares da classe GARCH(q,p).
Comparando os modelos GARCH(1,1) e ARCH(2), atravs das estatsticas do erro mdio (ME),
erro quadrtico mdio (RMSE), erro absoluto mdio (MAE), erro mdio absoluto percentual
(MAPE) e pelo log da verossimilhana, conclui-se que o primeiro prev muito melhor, mesmo que
nenhuma das previses tenha tido a performance desejada. Estes dois modelos foram ainda
comparados com o EWMA (exponentially weighted moving average) e o modelo de estimao da
volatilidade histrica, sendo este ltimo adotado como benchmark.
Hagerud (1997) compara sete modelos (EGARCH, GJR, T-GARCH, A-PARCH,
GQARCH, VS-ARCH e LSTGARCH)
22
para o retorno dirio de 45 aes da bolsa de valores de
Helsinque, Estocolmo, Oslo e Copenhague. A equao da mdia foi estimada atravs de um AR(1).
O modelo GARCH(1,1) comparado aos demais na previso da varincia condicional utilizando
como critrios de seleo o valor da funo de verossimilhana e o critrio de Schwarz. O mximo
da funo de verossimilhana, como esperado, foi maior para modelos com mais parmetros, tais
como o APARCH e o LSTGARCH. Os modelos que minimizaram o critrio de Schwarz um maior
nmero de vezes foram o GJR e o TGARCH.
H diferentes formas de identificar as quebras estruturais. Uma delas seria acompanhar a
srie de dados e, atravs da estatstica do teste de Chow, determinar quando houve a quebra
estrutural, fazendo ento a devida interveno.

21
Para uma aplicao do caso no estacionrio em modelos estocsticos, ver Herencia(1997).
22
O modelo T-GARCH (Threshold Heteroscedastic models) pode ser encontrado em Zacoan(1994), o A-PARCH
(Asymmetric Power ARCH) em Ding, Granger e Engle(1993), o GQARCH (Generalized Quadratic ARCH) em
Sentana(1995), o VS-ARCH (Volatility Switching ARCH) em Fornari e Nele(1996), e o LSTGARCH (Logistic Smooth
Transition GARCH(1,1)) em Hagerud(1996), onde, pelos resultados encontrados aqui, o autor conclui que o modelo
GJR uma boa aproximao do LSTGARCH.
10
Uma maneira alternativa de determinar a mudana de regime foi proposta por Hamilton e
Susmel (1994), usando a srie de preos de um portflio de aes da NYSE, com retornos dados
entre a quarta-feira de uma semana e a quinta da prxima. Suponha que h q estados ou regimes
condicionados ao modelo ARCH(q). Se o agente espera que S
t
= 1, e o resduo obtido da previso
for pequeno, ento continua a atribuir St = 1, no havendo mudana de regime. Mas se o resduo for
grande, os agentes mudam de regime, passando agora a atribuir St = 2. Os resduos obtidos a cada
momento so ponderados pela constante
t
s
g , tal que se o processo est em S
t
= 1, ento temos
1
g , em S
t
= 2 usa-se
2
g , e assim por diante. Portanto, a modelagem da mudana no regime
feita atravs da mudana na escala do processo. Na equao da mdia foi utilizado um AR(1), sendo
a comparao feita com a varincia amostral. As estatsticas utilizadas para comparao foram o log
da verossimilhana e os critrios de Akaike e Schwarz. No caso da previso foram utilizadas as
informaes obtidas do MSE, MAE, [LE]
2
e |LE|
23
. Foram estimados modelos com distribuio t-
Student, Gaussianos e com densidade GED (Generalized Error Distribution). Os modelos com
distribuio t-Student apresentaram melhor performance do que os modelos gaussianos. O modelo
SWARCH(4,2) assimtrico e com 4 regimes, foi o que melhor performance teve pelo critrio AIC e
nas estatsticas de erro de previso MAE e MSE. Mas a probabilidade de mudana do regime 3 para
o regime 4 foi quase zero. Sendo assim, o modelo SWARCH(3,2) assimtrico foi preferido, tendo o
melhor critrio SBC.
Herencia (1997) compara os modelos de varincia estocstica estimados via Filtro de Kalman,
(AR(1)-SV) com o modelo GARCH(1,1), atravs da estimao pontual da volatilidade e a previso
um passo a frente. utilizada a srie de preos de fechamento da Telebrs-PN em dlar, e a taxa de
cmbio do marco alemo em relao ao dlar no mercado futuro. Nos modelos do tipo GARCH
para a srie da Telebrs foram encontradas as especificaes GARCH(1,2), EGARCH(2,2) e
GARCH(1,1), todos com volatilidades estimadas prximas. Na srie da taxa de cmbio foram
escolhidos os modelos GARCH(1,1), GARCH(2,2) e EGARCH(2,0), sendo que o ltimo
apresentou uma volatilidade mais suave que os demais. Para o caso dos modelos de volatilidade
estocstica, foram estimados quatro modelos AR(1)-SV, estacionrios e no estacionrios, para
captar os efeitos dias da semana e feriados. Na comparao entre os modelos determinsticos e
estocsticos so feitas 2 simulaes. Uma que considera os modelos equivalentes e outra no qual
eles so no equivalentes, sendo construdos intervalos de confiana para os retornos. A volatilidade
dos modelos GARCH mostrou-se maior e houve similaridade entre o nmero de retornos dentro do
intervalo construdo. Portanto, no h concluso acerca da superioridade de um modelo sobre o
outro.
Ziegelmann e Pereira (1997) comparam sete modelos de volatilidade estocstica, no tempo
discreto e contnuo para a srie do Ibovespa. incorporado formulao original o conceito de
deformao temporal na estimao da volatilidade. A idia captar as mudanas de informaes no
mercado com o uso do volume de negociao do ativo no dia anterior, uma defasagem dos retornos
e o seu mdulo, e uma varivel que inclui os efeitos de dias sem negociao. Os modelos
estocsticos com e sem deformao temporal so comparados atravs da previso da volatilidade
um passo a frente, e a concluso que, quanto maior a velocidade de variao do tempo operacional
e o volume de negociao do dia anterior, menor a persistncia encontrada. Alm disso, a
volatilidade estimada com deformao temporal mais errtica do que a sem deformao no tempo
discreto, e que retornos negativos no dia anterior conduzem a uma volatilidade maior do que
retornos positivos.


23
Onde ( ) ( ) { }

T
t
t t

T
LE
1
2
2 2
2
ln ln
1
, e ( ) ( )

T
t
t t

T
LE
1
2 2
ln ln
1
.
11
4. Estimativas da Volatilidade do IBOVESPA
Nesta seo utilizamos dados dirios coletados junto BM&F e Gazeta Mercantil do ndice
da bolsa de valores de So Paulo no perodo aps a implementao do Plano Real, entre 4/6/94 e
9/10/98, para a anlise dos modelos de previso de varincia condicional propostos.
Na subseo 4.1 so analisadas as caratersticas da srie do Ibovespa. A subseo 4.2 verifica
os efeitos calendrio e a varincia. Na subseo 4.3 so escolhidas as equaes da mdia dos
retornos com o uso dos modelos de volatilidade determinstica. Na subseo 4.4 so selecionados os
melhores modelos (GARCH, EGARCH, GARCH-t e GJR) e comparadas suas estimativas de
volatilidade. A subseo 4.5 compara os modelos da seo anterior para previso da varincia 21
passos frente. A subseo 4.6 compara diferentes modelos de volatilidade estocstica atravs dos
critrios de informao e das estatsticas de previso. Por fim, na subseo 4.7 so comparados os
modelos de varincia determinstica e estocstica para previso da volatilidade.

4.1 Caractersticas da Srie do Ibovespa
A srie em pontos do IBOVESPA apresentada no grfico 4.1 claramente no-estacionria
24
,
apresentando fortes oscilaes em determinados perodos, como dezembro de 1994 (crise do
Mxico, final de 1997 (crise da sia) e no quarto trimestre de 1998 (crise Russa)
25
.

Grfico 4.1
Srie de pontos do IBOVESPA dirio
0
2000
4000
6000
8000
10000
12000
14000
16000
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8

Grfico 4.2
Srie de retornos do IBOVESPA dirio
-0.2
-0.15
-0.1
-0.05
0
0.05
0.1
0.15
0.2
0.25
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8


24
Os testes de Dickey-Fuller e de Phillips-Perron, mostram que a srie de retornos dirios do Ibovespa estacionria.
Este resultado j era esperado pois esta srie nada mais que a primeira diferena do log dos preos.

25
Os valores mnimos e mximos atingidos pelo Ibovespa neste per odo foram de 2138 (9/3/95) e 13617 (8/7/97).
12
Um ndice de aes pode ser encarado como um ativo financeiro que transacionado tanto no
mercado vista quanto no mercado futuro, sendo muitas vezes utilizado na composio de carteiras
de investimento. Fazendo a primeira diferena do log do preo do ativo,
) ln(
1

t
t
t
P
P
R (4.1)
onde
t
R o retorno no tempo t e
t
P o preo do ativo no tempo t (o valor do ndice em pontos),
temos uma srie de retornos dirios
26
que pode ser vista pelo grfico 4.2.
O valor mximo foi atingido em 10/3/95 e caracterizado por um momento ps crise
Mexicana. Este retorno mximo do Ibovespa coincide com o valor mnimo em pontos do Ibovespa
(grfico 4.1). J o valor mnimo de 0,172292 atingido em 10/9/98. Alm deste grfico podemos
tambm obter o grfico do quadrado dos retornos (grfico 4.3), onde o valor mximo atingido em
10/3/95. A partir da srie de retornos dirios possvel analisar a srie de retornos semanais, atravs
do clculo de
) ln(
5

t
t
t
P
P
R (4.2)
onde so obtidas cinco sries diferentes, uma para cada dia da semana. A partir de ento so
calculadas as estatsticas das sries, apresentadas nas tabelas 4.1 e 4.2.

Grfico 4.3
Srie do quadrado dos retornos do IBOVESPA dirio
0
0.01
0.02
0.03
0.04
0.05
0.06
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8


TABELA 4.1: Estatsticas para o IBOVESPA Semanal
Estatstica/Perodo Segunda Tera Quarta Quinta Sexta
Mdia Amostral 0.002648 0.002712 0.003238 0.002001 0.001747
Significncia
a
0.538154 0.517869 0.459505 0.670230 0.656560
Erro Padro 0.063995 0.062396 0.065123 0.069938 0.058460
Assimetria
b
0.000224 0.003254 0.016548 0.047032 0.000050
Curtosis
c
0.000205 0.000000 0.000000 0.000000 0.000000
Retorno Mximo 0.161253 0.252601 0.291045 0.384790 0.217420
Retorno Mnimo -0.257820 -0.225684 -0.277260 -0.334970 -0.250580
Notas: a: Teste para Mdia = 0
b: Teste para Assimetria = 0
c: Teste para excesso de Curtose = 0

26
Estes retornos tambm poderiam ser obtidos de forma discreta; (Pt Pt-1)/Pt-1. Como comentado em Correa e outros
(1998), estas duas formulaes podem gerar estatsticas diferentes. Apesar dos problemas apontados pelo autor,
escolheu-se trabalhar com a aproximao logartmica. Nelson (1991), Ruiz (1994), Herencia (1997) e Bollerslev (1987)
tambm utilizaram a equao 4.1 para obter os retornos.
13
TABELA 4.2: Estatsticas para o IBOVESPA Dirio
Estatstica/Perodo Retorno Dirio

(Retorno Dirio)
2
Mdulo do Retorno Dirio

Mdia Amostral 0.0005728 0.0008811 0.0202032
Significncia

0.530053 0.0000000 0.0000000
Erro Padro 0.029693 0.0027232 0.0217589
Assimetria

0.162889 0.0000000 0.0000000
Curtose 0.000000 -------- 0.0000000
Retorno Mximo 0.228125 0.0520414 0.2281259
Retorno Mnimo -0.172292 0.0000000 0.0000000

Analisando estas tabelas pode ser visto que a mdia amostral dos retornos dirios bem
menor do que no caso dos retornos semanais. Todas as sries apresentam problemas de
normalidade, como constatado a partir das estatsticas de assimetria e curtose (a hiptese nula de
distribuio normal). A hiptese de assimetria rejeitada para o caso da srie de retornos dirios
apenas a 16%. Os retornos mximos e mnimos acontecem na quarta e na quinta.
Os altos valores da Curtose (Tabelas 4.1 e 4.2) e a indicao de existncia de aglomerao da
varincia (grfico 4.2) sugerem uma especificao ARCH. Analisando o grfico 4.2 podemos notar
que existem alguns destes agrupamentos (volatility clusteri ng) tal como sugerido na literatura de
finanas, onde os altos retornos so seguidos por altos retornos, mas com maior influncia no caso
dos retornos negativos. Tambm pela tabela 4.3 pode ser visto que a varincia dos retornos no tem
distribuio normal. Esta varincia ser adotada como benchmark neste trabalho
27
.

Grfico 4.4
Autocorrelao dos Retornos
-0,18
0,02
0,22
0,42
0,62
0,82
1,02
13579
1
1
1
3
1
5
1
7
1
9
2
1
2
3
Grfico 4.5
Autocorrelao do Quadrado dos Retornos
0
0,2
0,4
0,6
0,8
1
1 2 3 4 5 6 7 8 9 1011121314151617181920212223


A existncia de perodos de alta volatilidade pode ser um indicativo da possibilidade de
haver autocorrelao. Podem contribuir para a existncia de autocorrelao de primeira ordem a
existncia de poucas negociaes com determinada ao, a velocidade na qual a informao
absorvida pelos participantes do mercado, alm dos efeitos dias-da-semana (mesmo que pequenos)
que conduz a uma estrutura de dependncia linear. So feitos os testes de autocorrelao nos
retornos semanais e dirios (estatstica Ljung-Box) com 12 defasagens.
Para os retornos semanais os testes mostram que existe uma autocorrelao nas segundas,
teras e quartas, mas no nas quintas e sextas. H fortes indcios tambm de autocorrelao para os
retornos dirios e para o quadrado dos retornos. Os grficos 4.4 e 4.5 mostram as autocorrelaes da
srie de retornos dirios e de seu quadrado.


27
Seguindo Herencia (1997) e Pagan e Schwert( 1990) foi feito o teste para varincia finita, sendo comprovada a sua
convergncia.
14
4.2. Efeitos Calendrio e varincia
O grfico 4.2 revela a existncia de picos nos retornos da srie, coincidindo com os 3
momentos de grande nervosismo no mercado financeiro (crise do Mxico, crise da sia e moratria
da Rssia). Como estes momentos atpicos podem ser vistos como outliers, so colocadas 2
dummies referentes a grandes retornos positivos e negativos
28
. A partir de ento, estimando um
modelo AR(2) com estas 2 dummies e uma dummy de tera-feira, o coeficiente desta ltima passa a
ser significativo apenas a 8%, o que nos leva descartar, a princpio, a existncia do efeito dia da
semana.
A informao que desperta interesse a varincia dos retornos. Suas estatsticas podem ser
vistas na tabela 4.3, e o comportamento da varincia no tempo pode ser visto no grfico 4.4. Como
era esperado, os 2 momentos de maior varincia da srie coincidem com os dias de maior retorno.
Os maiores valores da varincia so atingidos em 14/3/95 (0,02079), 15/9/98 (0,01883) e 16/9/98
(0,01863). Para comprovar a existncia do efeito calendrio, como proposto na literatura, so feitos
testes para os dias de no negociao e dias de semana. Utilizando-se uma dummy para cada dia da
semana estimamos o modelo proposto por Gibbons e Hess (1981) (equao 3.1), para a srie de
retornos dirios. O nico coeficiente significativo foi o de tera feira, como pode ser visto pela
equao abaixo
) 002 , 0 (
,
) 002 , 0 (
,
) 002 , 0 (
,
) 002 , 0 (
,
) 002 , 0 (
,
003035 , 0 0028837 , 0 000617 , 0 004066 , 0 00212 , 0
t F t Q t W t T t M t
D D D D D R + + +
(4.3)
onde D
M,t
a dummy de segunda-feira e assim por diante. Em parnteses esto os desvios-padro.

TABELA 4.3 Estatsticas para a varincia do IBOVESPA dirio.
Estatstica Mdia
Amostral
Significancia

Erro padro Skewness Curtose Mximo Mnimo
Varincia 0,000884 0,0000 0,00192 0,0000 0,0000 0,020791 0,00000947

Grfico 4.6
Varincia dos retornos do IBOVESPA dirio -
Benchmark
0
0,005
0,01
0,015
0,02
0,025
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8



28
A varivel dummy1 corresponde aos dias 10/3/1995 e 15/9/1998, cujos retornos foram de 0,2281 e 0,1712
respectivamente, e a varivel dummy2 aos dias 27/10/1997 e 10/9/1998, com retornos de - 0,1622 e 0,1723,
respectivamente.

15
4.3 Estimao para as Equaes da Mdia e da Varincia para modelos Determinsticos
Na literatura aplicada a finanas comum encontrar uma equao da mdia do tipo AR(1)
para especificaes da varincia condicional. O modelo autoregressivo encontrado, aps testes que
conduziram a eliminao dos coeficientes no significativos, foi o AR(2)+Dummy1+Dummy2.
29

O teste LM foi feito, e o resultado obtido para dez lags dos resduos ao quadrado foi
719 , 235
2
) 10 (
. Assim sendo, os resduos encontrados da regresso do AR(2) para a srie toda so
no autocorrelacionados. Alm do mais, h evidncia de erro ARCH quando calculada a
estatstica Q(.) para o quadrado dos resduos, onde rejeitada a hiptese nula de existncia de no
autocorrelao.
30

Aps a escolha da estrutura da equao da mdia, o prximo passo a escolha da equao
da varincia. Para fazermos esta escolha, so testados modelos com 4 defasagens para os
componentes p e q da equao da varincia. No modelo GARCH, a formulao escolhida da
forma
) 0196 , 0 (
1
) 0206 , 0 (
2
1
) 00000359 , 0 (
) 0374 , 0 ( ) 1143 , 0 ( ) 0308 , 0 (
2
) 0301 , 0 (
1
) 000609 , 0 (
8483 , 0 1494 , 0 000009384 , 0
2 1944 , 0 1 1958 , 0 0891 , 0 0957 , 0 00218 , 0


+ +
+
t t t
t t t
h h
D D R R R

(4.4)
Note que todos os coeficientes so significativos e que 9977 , 0
1 1
+ , indicando a
existncia de persistncia a choques na varincia. Esta persistncia tambm percebida pois
1 1
> . A meia vida desta persistncia de 9 meses.
Para analisar o efeito fim de semana e feriados (dias de no negociao) a partir da
formulao GARCH(1,1), utilizado o modelo proposto por Noh e outros (1994) (equao 3.2). Os
resultados encontrados foram
) 066 , 0 (
1
1
) 0197 , 0 (
1
2
1
) 0206 , 0 ( ) 0000036 , 0 (
) 0361 , 0 (
2
) 1146 , 0 (
1
) 0314 , 0 (
2
) 0305 , 0 (
1
) 000611 , 0 (
0180 , 0 848 , 0 1496 , 0 00000946 , 0
1443 , 0 1959 , 0 0887 , 0 0965 , 0 0021725 , 0

,
_

,
_

+
+ +

t
t
t
t
t
t
t t t
h h
D D R R R
(4.5)
Ao contrrio de Noh e outros (1994) o coeficiente estimado no foi significativo, enquanto
que os demais coeficientes apresentaram significncia. Podemos ento aceitar a idia de que o
efeito dia da semana pequeno para a srie de dados do Ibovespa (pelo menos para o perodo
analisado), tal como indicado antes pela pequena diferena entre os desvios-padro das sries dos
retornos semanais (tabela 4.1), e tambm que o efeito dia de no negociao insignificante, pouco
afetando no resultado dos retornos.
A equao do modelo EGARCH escolhida dada por
( )
1
1
]
1

,
_

+
+ +

2
262926 , 0 122679 , 0 ) log( 95037 , 0 37538 , 0 ) log(
2 12254 , 0 1 19467 , 0 07615 , 0 102618 , 0 001408 , 0
1
1
) 0344 , 0 (
1
1
) 0037 , 0 ( ) 01117 , 0 (
1
) 08624 , 0 (
) 02446 , 0 ( ) 0771 , 0 (
) 0311 , 0 (
2
) 0309 , 0 (
1
) 00060 , 0 (
t
t
t
t
t t
t t t
h h
h h
D D R R R
(4.6)
Todos os coeficientes so significativos e o efeito leverage de 12226 , 0 ou seja,
negativo como esperado. O valor de 262926 , 0 positivo confirma a existncia de aglomerao
da volatilidade. A persistncia dada por 95037 , 0
1
, que no to prximo a 1 quanto no

29
Mais frente na previso, so testados modelos sem as dummies com o objetivo de verificar a capacidade dos
modelos de absorver os outliers. O coeficiente autoregressivo de ordem 2 foi confirmado mesmo quando analis ado
um perodo de baixa oscilao dos retornos, entre 1/4/96 e 14/7/97.
30
Para testar a significncia dos coeficientes autoregressivos da mdia so escolhidas as especificaes GARCH(1,1),
EGARCH(1,1), GJR(1,1) e GARCH-t(1,1) e, em cada uma delas, so utilizados um AR(p) para p = 0, 1, 2, 3, 4. Os
critrios de comparao para cada um dos cinco diferentes modelos autoregressivos da mdia nas especificaes acima
so o log da verossimilhana, o critrio de Schwarz (SBC) e de Akaike (AIC).
16
modelo GARCH(1,1). Esta persistncia conduz a uma meia vida de 14 dias, bem menor do que no
modelo anterior.
A equao da mdia e da varincia para o modelo GARCH-t so dadas por
) 02515 , 0 (
1
) 02732 , 0 (
2
1
) 0000040 , 0 (
) 5844 , 0 ( ) 0944 , 0 ( ) 03075 , 0 (
2
) 02999 , 0 (
1
) 000566 , 0 (
85017 , 0 14906 , 0 0000085 , 0
2 171226 , 0 1 195965 , 0 091693 , 0 07748 , 0 002408 , 0


+ +
+ +
t t t
t t t
h h
D D R R R

(4.7)
apresentando 9 graus de liberdade (v=9). A persistncia notada por
1 1
> e 99923 , 0
1 1
+ ,
com uma meia vida de 29 meses, bem maior que o modelo GARCH com distribuio normal.
Por fim, o modelo GJR apresenta as seguintes equaes da mdia e da varincia
2
1 1
) 038 , 0 ( ) 0244 , 0 (
1
) 0256 , 0 (
2
1
) 000005371 , 0 (
) 0245 , 0 ( ) 1007 , 0 ( ) 0318 , 0 (
2
) 0311 , 0 (
1
) 0006352 , 0 (
1695 , 0 8226 , 0 0628 , 0 00001966 , 0
2 1197 , 0 1 1944 , 0 0757 , 0 1137 , 0 00158 , 0

+ + +
+ +
t t t t t
t t t
S h h
D D R R R

(4.8)
O efeito leverage capturado por 1695 , 0 , positivo como esperado. A meia vida deste
modelo de 6 dias, a menor de todas as especificaes aqui consideradas. Como este modelo
engloba o GARCH(1,1) e o coeficiente significativo, esperado que apresente melhores
estatsticas. A tabela 4.5 compara as estatsticas da varincia condicional estimada (
t
h ) para todos
os modelos.
O erro-padro para a varincia (benchmark) e seus valores extremos so bem maiores do
que a varincia condicional estimada por todos os modelos (
t
h ). Todas as sries da tabela 4.5
apresentam problemas de normalidade.

Grfico 4.7
Varincias Condicionais Estimadas
0
0.002
0.004
0.006
0.008
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8
hGARCH(1,1) hEGARCH(1,1)
hGARCH-t(1,1) hGJR(1,1)



TABELA 4.5 Estatsticas da varincia condicional estimada para a srie IBOVESPA
Estatstica/ modelo Varincia benchmark ht GARCH ht EGARCH ht GARCH-t ht GJR
Mdia Amostral 0,000884 0,000788 0,000729 0,000789 0,000770
Significncia

0,0000 0,0000 0,0000 0,0000 0,0000
Erro Padro 0,00192 0,00089 0,00075 0,00089 0,00088
Assimetria

0,0000 0,0000 0,0000 0,0000 0,0000
Curtose 0,0000 0,0000 0,0000 0,0000 0,0000
Mximo 0,02079 0,00655 0,00620 0,00663 0,00682
Mnimo 0,0000094 0,000092 0,000090 0,000089 0,00013
Notas: h
t
GARCH, h
t
EGARCH, h
t
GARCH-t e h
t
GJR so as varincias condicionais estimadas dos modelos
GARCH(1,1), EGARCH(1,1), GARCH-t(1,1) e GJR(1,1) respectivamente.

17
Para analisar o grau de acerto entre a volatilidade estimada e a verdadeira utilizado o
quociente s = volatilidade estimada/ volatilidade verdadeira. Neste caso, se s>1 h superestimao,
se s =1 h acerto e se s<1 tem-se subestimao. O modelo GARCH(1,1) superestima 68% dos
dados. Em 3,03% das observaes encontrado 0,98<s<1,02, que um intervalo razovel de
acerto.
Para o modelo EGARCH(1,1) 68% das observaes da volatilidade estimada esto acima da
volatilidade verdadeira, e com 2,46% de acerto no intervalo 0,98<s<1,02. O modelo GARCH-t (1,1)
superestima em 67% dos dados e mantm o maior percentual dentro do intervalo determinado,
3,31%. Por fim, no modelo GJR h o menor percentual de superestimao (66%) mas com poucas
observaes dentro do intervalo determinado (2,55%).
Todos os modelos produziram varincias condicionais prximas, afora em momentos de
pico. No grfico 4.7 esto mostradas as varincias condicionais dos 4 modelos testados.
observado que h grande proximidade do
t
h estimado para cada modelo.

4.4 Comparao entre os Modelos Determinsticos
Para determinar qual modelo se ajusta melhor aos dados feita a estimao da varincia
condicional um passo frente (
1 + t
h ) 21 vezes. So analisadas 3 situaes diferentes. A primeira
(situao A) considera apenas os 600 primeiros dados (at 2/12/96), deixando de fora da amostra a
crise da sia e Russa. Esta situao caracterizada por um perodo de pouca volatilidade no
mercado.
A segunda previso (situao B) considera os 1027 primeiros dados (at 24/8/98), e
caracterizada por um perodo que incorpora a crise Asitica. O objetivo ver qual a capacidade dos
modelos em absorver a informao passada. No momento caracterizado aqui, antes do incio da
crise da Rssia, o mercado est pouco voltil.
Por fim, a terceira previso (situao C) considera a amostra toda, composta de 1060 dados
terminando no perodo em que estava ocorrendo a moratria Russa (9/10/98), com efeitos sobre o
mercado brasileiro. O objetivo na situao C investigar a capacidade preditiva dos modelos
quando existe uma situao de alta volatilidade e incerteza no mercado.

TABELA 4.6 Estatsticas de Previso Situao A
Estatstica/modelo
a
GARCH EGARCH GARCH-t GJR
ME

7,022E-05 8,5635E-05 6,4676E-05 8,9357E-05
RMSE

7,83421E-05 9,32388E-05 7,34145E-05 9,58992E-05
MAE

7,5186E-05 8,8713E-05 7,0203E-05 9,2041E-05
Notas: a: Nesta situao os modelos no possuem as dummies D1 e D2.

TABELA 4.7 Estatsticas de Previso Situao B
Estatstica/modelo
a
GARCH EGARCH GARCH-t GJR
ME

0,00010326 0,00034625 0,00011809 0,00027215
RMSE

0,000394875 0,00058176 0,000406428 0,00054988
MAE

0,00031594 0,00048583 0,00032684 0,00044309
Notas: a: Nesta situao h somente a dummy D2.

O cenrio proposto pela situao A revela um ME, RMSE e MAE menores para o modelo
GARCH-t(1,1). Ento esperado que em momentos de baixa volatilidade, este modelo preveja
melhor a varincia condicional. Na situao B, ps crise Asitica, o modelo GARCH(1,1) pouco
melhor que o GARCH-t(1,1), mas bem superior aos demais. O mesmo percebido para o caso da
situao C (momento de alta volatilidade no mercado).
Portanto, difcil selecionar um modelo nico para diferentes situaes de mercado, o
mesmo vale para diferentes ativos. As estatsticas de erro so menores para perodos de baixa
volatilidade (situao A) em comparao ao perodo de grande nervosismo do mercado (situao
18
C). A capacidade de adaptao destes modelos tambm pode ser testada no caso de no ser
sinalizado os momentos de alta volatilidade, como aqueles referentes aos outliers (D1 e D2).

TABELA 4.8 Estatsticas de Previso Situao C
Estatstica/modelo
a
GARCH EGARCH GARCH-t GJR
ME

-0,003095 -0,0041304 -0,0031866 -0,0036293
RMSE

0,005610303 0,00650802 0,005713927 0,006142994
MAE

0,00350659 0,00425137 0,00357875 0,00391148
Notas: a: Nesta situao tem-se a dummy D1 e D2.

TABELA 4.9 Estatsticas de Previso Situao B sem dummies
Estatstica/modelo

GARCH EGARCH GARCH-t GJR
ME

0,000131 0,000345 0,000122 0,000303
RMSE

0,000407 0,000594 0,000408 0,0005797
MAE

0,000325 0,000482 0,000328 0,000468

TABELA 4.10 Estatsticas de Previso Situao C sem dummies
Estatstica/modelo

GARCH EGARCH GARCH-t GJR
ME

-0,000232 -0,002834 -0,000334 -0,001529
RMSE

0,003206 0,004873 0,003336 0,003674
MAE

0,002134 0,003088 0,002213 0,002098

Na situao B os modelos GARCH(1,1) e GARCH-t(1,1) possuem pouca diferena de erros
de previso. J na situao C, h ligeira vantagem de previso para o modelo GARCH(1,1). Na
comparao entre modelos com e sem dummy, visto que a colocao das dummies geram ganhos
de previso.

4.5 Modelos de Volatilidade Estocstica
Esta seo dedicada anlise da volatilidade do Ibovespa estimada pelo Filtro de Kalman,
onde a equao 2.23 colocada no formato espao de estado. Para comparao da previso so
adotados dois modelos, cada qual com duas formulaes, uma estacionria 1 <
31
e outra no
estacionria 1 , gerando, portanto, quatro equaes diferentes. O primeiro modelo incorpora as
mesmas duas dummies utilizadas pelas formulaes da seo 4.4, com D1 e D2 na regresso dos
retornos. A partir dos resduos encontrados estimamos a volatilidade dos retornos que, por sua vez,
pode ou no ser estacionria. No segundo modelo so obtidos os resduos
t
sem o uso das 2
dummies e, novamente, so estimadas as volatilidades para o caso estacionrio e no estacionrio.
Podemos ento escrever o modelo geral (Modelo 1) tal como as equaes 4.9 a 4.11. Para o
Modelo 2 admitimos a mesma estrutura impondo a restrio 0
2 1
na equao 4.9.
t t t t
D D R R R
1 2 1 2 2 1 1
2 1 + + + +

(4.9)
Equao 1- Caso estacionrio
32
:
t t t
t t
t t t t
t t t
h h
N N N
h N Y

+

+ +

1
1
1
(4.10)

31
O software utilizado nas estimaes foi o STAMP 5.0, que impe esta restrio ao modelo quando da estimao da
volatilidade estocstica.
32
Como primeira abordagem testada a hiptese de que o modelo contm uma inclinao varivel no tempo. Contudo,
rejeita-se esta hiptese.
19
Equao 2- Caso no estacionrio:
t t t
t t t
t t t
h h
h Y

+
+

1
1
(4.11)

Para cada uma destas equaes so encontrados os valores para a volatilidade filtrada e
suavizada, alm dos hiperparmetros
2
,

e
2

. A comparao entre as equaes feita atravs de

3 resultados estatsticos, a varincia do erro de previso (p.e.v.), o critrio de Akaike e o critrio de
Schwarz. ento feita a previso 1 passo a frente 21 vezes, considerando as mesmas 3 situaes (A,
B e C) anteriores.

TABELA 4.11 Resultados Estatsticos para a Volatilidade Estocstica.
Modelo1 Modelo2
Estat./ Equaes Equao 1 Equao 2 Equao 3 Equao 4
p.e.v. 2,8278 2,8451 2,8174 2,8350
AIC 1,0451 1,0493 1,0414 1,0458
SBC 1,0592 1,0587 1,0555 1,0552

0,9843 - 0,9840 -
2

2,5444 2,5725 2,5333 2,5619
2

0,0367 0,0266 0,0372 0,0268
q
0,0144 0,0103 0,0146 0,0104

Os modelos estimados no apresentaram problemas de convergncia. Em ambos os casos o
p.e.v. e o critrio de AIC selecionam o caso estacionrio (equaes 1 e 3), enquanto que o critrio
de SBC seleciona o caso no estacionrio (equaes 2 e 4). Com relao ao Modelo 1, a
persistncia encontrada na equao 1 (0,9843) conduz a uma meia vida de 43 dias, enquanto que a
persistncia para o Modelo 2 (equao 3) um pouco menor (0,9840), com uma meia vida de 42
dias.
O hiperparmetro do componente irregular mostrou valores prximos para as quatro
equaes, em torno de 2,55. Para o hiperparmetro da volatilidade estimada e para a razo de
varincias q , a diferena foi um pouco maior nos dois casos estacionrios. Nestes casos as
equaes das volatilidades estocsticas so dadas por
Equao 1: 0367 , 0 5444 , 2 9843 , 0
2 2
1


com h h
t t
(4.12)
Equao 3: 0372 , 0 5333 , 2 9840 , 0
2 2
1


com h h
t t
(4.13)
Pelas tabelas 4.12 e 4.13, pode ser visto que as estimativas da volatilidade para os 2 modelos
apresentam problemas de normalidade e que so obtidos melhores valores para o caso suavizado,
como era de se esperar pois este processo utiliza toda a informao disponvel na amostra. Na
comparao entre os modelos, o caso estacionrio apresenta melhor desempenho que o no
estacionrio, tanto em relao ao menor erro padro e mdia, quanto na volatilidade mxima
atingida.
TABELA 4.12: Estatsticas da Volatilidade Estocstica Estimada - Modelo 1
Estatstica/equaes
Equao1-
t f
h
,
Equao1-
t s
h
,
Equao2-
t f
h
,
Equao2-
t s
h
,

Mdia Amostral 0,00102 0,000002 0,00085 0,00085
Significncia
a
0,00000 0,00000 0,00000 0,00000
Erro Padro 0,00126 0,00001 0,00255 0,00255
Assimetria
b
0,00000 0,00000 0,00000 0,00000
Curtose
c
0,00000 - - -
Volatilidade Mxima 0,00949 0,00034 0,05139 0,05139
Volatilidade Mnima 0,00000 0,00000 0,00000 0,00000
20

TABELA 4.13: Estatsticas da Volatilidade Estocstica Estimada - Modelo 2
Estatstica/equaes
Equao3-
t f
h
,
Equao3-
t s
h
,
Equao4-
t f
h
,
Equao4-
t s
h
,

Mdia Amostral 0,000002 0,000002 0,00087 0,00087
Significncia

0,00000 0,00000 0,00000 0,00000
Erro Padro 0,00001 0,00001 0,00273 0,00273
Assimetria

- 0,00000 0,00000 0,00000
Curtose 0,00000 - 0,00000 0,00000
Volatilidade Mxima 0,00031 0,00033 0,05230 0,05230
Volatilidade Mnima 0,00000 0,00000 0,00000 0,00000

Assim como nos modelos de varincia determinstica, aqui feita a anlise sobre o
percentual de superestimao ou subestimao das varincias obtidas nos modelos estocsticos em
relao varincia adotada como benchmark, o valor de s (seo 4.4).

TABELA 4.14 Estatsticas de Previso Situao A
Estat./Volatilidade
1 Equao h
f
2 Equao h
f
3 Equao h
f
4 Equao h
f

ME -0,006323 -0,00632285 -0,006323 -0,006331
RMSE 0,008096 0,008095883 0,008096 0,008101
MAE 0,006323 0,00632285 0,006323 0,006331

TABELA 4.15 Estatsticas de Previso Situao B
Estat./Volatilidade
1 Equao h
f
2 Equao h
f
3 Equao h
f
4 Equao h
f

ME -0,006271 -0,006278962 -0,006272 -0,00628
RMSE 0,008057 0,008060712 0,008057 0,008061
MAE 0,006271 0,006278962 0,006272 0,00628

TABELA 4.16 Estatsticas de Previso Situao C
Estat./Volatilidade
1 Equao h
f
2 Equao h
f
3 Equao h
f
4 Equao h
f

ME -0,00557806 -0,005265363 -0,005707085 -0,005465089
RMSE 0,007471708 0,007298887 0,007581316 0,007444253
MAE 0,00557806 0,005270109 0,005707085 0,005465089

As volatilidades filtradas e suavizadas para a equao estacionria e no estacionria do
Modelo 1 ficaram todas com o mesmo percentual de subestimao (63%). Com relao ao nmero
de observaes dentro do intervalo 0,98<s<1,02, o percentual foi de 1,13%. Para o Modelo 2, a
equao 3 (estacionria) teve 100% de subestimao. No caso no estacionrio, o percentual de
subestimao tanto para a volatilidade filtrada quanto suavizada foi de 62%, com 0,5% de
observaes dentro do intervalo 0,98<s<1,02.
Para previso so consideradas as volatilidades filtradas
33
, pois o objetivo ver como o
modelo prev a volatilidade incorporando novas informaes a cada momento. Nas tabelas 4.14 a
4.16 so mostradas as mesmas estatsticas utilizadas para comparar a previso um passo a frente no
caso determinstico (seo 4.5).
Para as quatro equaes notada pouca diferena entre as estatsticas de erro, com pequena
vantagem para a equao 4.9 (caso estacionrio) nas situaes A e B, ao passo que na situao C a
equao 4.11 (caso no estacionrio) apresenta uma melhor capacidade de previso. A incluso de
variveis dummies no provocou uma grande diferena nas estatsticas de previso. A equao 4.9
(caso estacionrio) escolhida como a mais adequada para os modelos estocsticos.

33
Ziegelmann e Pereira (1997) tambm utilizam a estimativa da volatilidade filtrada para fazer previso.
21

4.6 Comparao entre os Modelos Determinsticos e Estocsticos
O prximo passo a comparao entre o melhor modelo selecionado para o caso
determinstico (AR(2)+D1+D2+GARCH(1,1)) e o escolhido pelo processo estocstico
(AR(2)+D1+D2+SV estacionrio). O grfico 4.8 relaciona as estimativas da volatilidade com a
varincia adotada como benchmark.

Grfico 4.8
Volatilidades Estimadas e Varincia
0
0,005
0,01
0,015
0,02
0,025
0
4
/
0
7
/
9
4
0
4
/
1
0
/
9
4
0
4
/
0
1
/
9
5
0
4
/
0
4
/
9
5
0
4
/
0
7
/
9
5
0
4
/
1
0
/
9
5
0
4
/
0
1
/
9
6
0
4
/
0
4
/
9
6
0
4
/
0
7
/
9
6
0
4
/
1
0
/
9
6
0
4
/
0
1
/
9
7
0
4
/
0
4
/
9
7
0
4
/
0
7
/
9
7
0
4
/
1
0
/
9
7
0
4
/
0
1
/
9
8
0
4
/
0
4
/
9
8
0
4
/
0
7
/
9
8
0
4
/
1
0
/
9
8
hf-equao1 hGARCH(1,1) Benchmark


A persistncia no modelo GARCH maior que no AR-SV, respectivamente (0,9977 e
0,9843). Desta forma, o perodo para que um choque na volatilidade seja reduzido metade muito
menor no modelo estocstico. Herencia (1997) tambm obteve este resultado para a srie da
Telebrs PN. Uma similaridade encontrada entre as duas formulaes a obteno de melhores
resultados para os modelos que consideraram a existncia de dummies como sinalizadoras da
presena dos outliers.
Com relao s estatsticas de previso para as 3 situaes, o modelo AR-SV melhor pelo
critrio do erro mdio (ME), enquanto que o RMSE e o MAE indicam o GARCH como preferido.
Esta caracterstica j era esperada, uma vez que os modelos estocsticos subestimam as estimativas
mais frequentemente.
O modelo GARCH(1,1) estima melhor a volatilidade em perodo de relativa calma no
mercado (situao A), ao passo que o modelo estocstico obtm resultados mais satisfatrios em um
perodo de maior nervosismo (situao C). Portanto, diante dos resultados das estatsticas de erro
para a previso da volatilidade, difcil selecionar a melhor formulao para cada caso
(determinstico ou estocstico), bem como escolher entre estas duas formulaes.

5. CONCLUSO
Algumas concluses gerais podem ser feitas sobre os resultados encontrados neste trabalho.
O efeito fim de semana e dia de semana no foram pronunciados para a srie do Ibovespa no
perodo considerado, muito embora de que Correa e outros (1998) tenham encontrado este efeito
para o mesmo ativo, no perodo de 1991 a 1993. O mesmo acontece para a equao autoregressiva
utilizada para filtrar a autocorrelao presente nesta srie. Ziegelmann e Pereira (1997) utilizaram
um AR(1) enquanto que aqui foi encontrada a presena do componente autoregressivo de ordem
dois.
A no existncia do efeito fim de semana pode estar sendo ocasionada pelo perodo
analisado neste trabalho, que tem taxas de inflao muito baixas e um menor desvio padro dos
retornos nominais em comparao ao perodo analisado por Ziegelmann e Pereira (1997)
34
.
Resultados diferentes quanto ao efeito fim de semana foram tambm encontrados para o S&P 500

34
O desvio padro dos retornos nominais encontrado neste trabalho foi de 0,029, contra 0,041 em Ziegelmann e Pereira
(1997)
22
quando analisado em perodos distintos. Enquanto Gibbons e Hess (1981) no encontraram efeito
fim de semana, Noh e outros (1994) evidenciaram a presena deste efeito.
No caso da autocorrelao, testamos um modelo geral AR( p ), onde 4 ..., 1 , 0 p , sendo que
o AR(2) produzia resduos no autocorrelacionados. O perodo de anlise tambm pode ter
contribudo para que o componente de ordem dois fosse significativo, pois existem trs momentos
de forte oscilao dos retornos, a crise do Mxico, a crise Asitica e a crise Russa. Formulaes
ARMA so tambm encontradas na literatura, tal como em Kim e Kon (1994) e Nelson (1991).
O efeito leverage foi evidenciado na srie do ndice Bovespa nos modelos EGARCH e GJR,
enquanto que a aglomerao da varincia ocorreu somente no modelo EGARCH.
35
A utilizao do
modelo GARCH-t como tentativa de ajustar a distribuio dos erros gerou poucos ganhos de
previso.


A persistncia de 0,99 encontrada para o Ibovespa no modelo GARCH(1,1) foi alta,
implicando uma meia vida de 9 meses. No modelo EGARCH(1,1) esta foi menor (0,95) com uma
meia vida de 14 dias. A formulao que produziu a menor persistncia foi o modelo GJR, que
implicou uma meia vida de 6 dias, pouco menor que a encontrada por Bustamante e Fernandes
(1995).
Na seleo dos modelos determinsticos, apesar da alta persistncia, quase sempre o modelo
GARCH(1,1) apresentou a melhor performance. Herencia (1997) escolheu um GARCH(1,1) para a
srie de aes e do cmbio, a mesma formulao foi encontrada por Bustamante e Fernandes (1995)
e Galvo, Portugal e Ribeiro (1997) para o Ibovespa.
Tanto aqui como em Herencia (1997) so feitas comparaes entre modelos determinsticos
e estocsticos, no sendo possvel escolher de forma segura qual o melhor modelo para descrever os
retornos e a volatilidade, pois as estimativas encontradas so muito prximas.
O modelo GARCH(1,1) descreve relativamente melhor a volatilidade estimada quando o
perodo utilizado para anlise calmo (situao A), ao passo que o modelo estocstico estacionrio
desempenha melhor em perodos turbulentos. Portanto, mesmo tendo alta persistncia dentro do
perodo analisado, a srie de retornos do Ibovespa no apresenta caractersticas de um modelo
IGARCH para o caso determinstico, nem de no estacionariedade para o caso estocstico.
A interveno feita na equao da mdia dos retornos com as duas dummies produziu
ganhos de previso em ambos os modelos, sendo que de forma mais intensa para os modelos
estocsticos.



Referncias Bibliogrficas
AKGIRAY, V. (1989) Conditional Heteroscedasticity in Time Series of Stock Returns: Evidence
and Forecasts. Journal of Business, Vol.62, n.1, 55-80.
BARCINSKI, A., ALMEIDA, B. C. P., GARCIA, M. G. P. e SILVEIRA,M. A. C. (1997)
Estimao da Volatilidade do Retorno das Aes Brasileiras: Um Mtodo Alternativo Famlia
GARCH. Resenha BM&F, n.116, p.21-39.
BOLLERSLEV,T.(1986) Generalized Autoregressive Conditional Heteroskedasticity. Journal of
Econometrics,31:307-27.
_______________(1987) - A Conditionally Heteroskedastic time Series Model For Speculative
Prices and Rates of Return. The Review of Economics and Statistics; 542-47,N.3 Vol.LXIX.
BRAUN, P.A., NELSON, D. B. E SUNIER, A. M. (1995) Good News, Bad News, Volatility, and
Betas. The Journal of Finance, Vol. 50, n. 5.
BUSTAMANTE, M. e FERNANDES, M. (1995) Um procedimento para anlise da persistncia
na volatilidade. Anais do XVII Encontro Brasileiro de Econometria, Reveista de Econometria, p.
203-223.
CHRISS, N. A. (1997) Black & Scholes and Beyond Option Pricing Models. McGrall-Hill.

35
O efeito leverage foi tambm observado em Day e Lewis (1992), Engle e Ng (1993) e Kim e Kon (1997), enquanto
que a aglomerao da varincia percebida em Ziegelmann e Pereira (1997) e Herencia (1997).
23
CORREA, M. M. R. L. e PEREIRA, P. L. V.(1998) Modelos no lineares em finanas:
previsibilidade em mercados financeiros e aplicaes a gesto de risco. Anais do XX Encontro
Brasileiro de Econometria, Vol 1, p. 427-448.
DAY, T. E. E LEWIS, C. M. (1992) Stock Market Volatility and The Information Content of
Stock Index Options. Journal of Econometrics, 52; 267-87.
DING, Z., GRANGER, C. W. J. E ENGLE, R. F. (1993) A Long Memory Property of Stock
Market Returns and a New Model. Journal of Empirical Finance, 83-106.
DUARTE J., A. M. (1997) Simulao Monte Carlo para Anlise de Opes, Resenha
BM&F,n.115,p.52-64
DUARTE J., A. M., PINHEIRO M. A., HEIL, T.B.B.(1996) Estimao da Volatilidade de Ativos
e ndices Brasileiros. Resenha BM&F, n.111.p.16-28
ENGLE, R. F. (1982) Autoregressive Conditional Heteroskedasticity with Estimates of the
variances of U.K. Inflation. Economtrica, 50/4:987-1008.
ENGLE, R. F. e BOLLERSLEV, T. (1986) Modelling the Persistence of Conditional Variances.
(with discussion). Econometrics Reviews, 5: 1-50, 81-87.
___________, LILIEN, D. M. e ROBINS, R. P. (1987) - Estimating TimeVarying Risk Premia in
The Term Structure: the ARCH-M Model. Econometrica, 55; 391-408.
___________ e NG, V. K. (1993) Measuring and Testing The Impact of News on Volatility.
Journal of Finance, 4815; 1749-78.
FORNARI, F. e MELE, A. (1996) Modeling The Changing Asymetry of Conditional Variances.
Economics Letters; 50, 197-203.
GALVO,A B. C., PORTUGAL, M. S. e RIBEIRO, E. P. (1997) Volatilidade e Causalidade Os
efeitos da crise do Mxico sobre os mercados vista e futuro de cmbio e ndice de aes no
Brasil, Anais do no XIX Encontro Brasileiro de Econometria, vol. II, p. 755-774.
GIBBONS, M. R. e HESS, P. (1981) Day of The Week Effects and Asset Returns, Journal of
Business, Vol.54, nmero 4, 579-596.
GLOSTEN, L. R., JAGANNATHAN, R. e RUNKLE, D. E. (1993) On the Relation Between
Expected Value and The Volatility of The Nominal Excess Return on Stocks. Journal of
Finance, 48; 1779-1801.
HAGERUD, G. E. (1996) A Smooth Transition ARCH Model for Asset Returns. Working Paper
Stockholm School of Economics.
___________ (1997) Modeling Nordic Stock Returns With Asymmetric GARCH Models.
Working Paper Series in Economics and Finance, n. 164.
HAMILTON, J. D. (1994) State Space Models. Handbook of Econometrics, Vol IV, captulo 50,
p. 3039-3080.
HAMILTON, J. D. and SUSMEL, R. (1994) Autoregressive Conditional Heteroskedasticity and
Changes in Regime. Journal of Econometrics, Vol. 64, 307-333.
HARVEY, A. C. (1996) Forecasting, Structural Time Series Models and Kalman Filter.
Cambridge University Press.
HERENCIA, M. E. Z. (1997) Volatilidade nos Modelos ARCH e Varincia Estocstica: um
estudo comparativo. Dissertao de Mestrado apresentada ao IME-Unicamp.
_____________, HOTTA, L. K., PEREIRA, P. L. V. (1998) Filtragem e Previso com modelos
de volatilidade: Volatilidade Estocstica versus GARCH, Revista Brasileira de Economia., vol.
52, nmero 2, 241-278.
JAMES, B. R. (1996) Probabilidade: Um Curso em Nvel Intermedirio. Projeto Euclides, 2
Edio, IMPA.
KIM, D., KON, S. J. (1994) Alternative Models for The Conditional Heteroscedasticity of Stock
Returns. Journal of Business, Vol.67,n.4, 563-598.
KRONER, K. (1996) Creating and Using Volatility Forecasts. Derivatives Quartely, 39-53.
LAMOUREUX, C.G., LASTRAPES, W. D. (1990) Heteroskedasticity in Stock Return Data:
Volume Versus GARCH Effects. Journal of Finance 45, p. 221-229.
24
NELSON, D. B. (1991) Conditional Heteroskedasticity in Asset Returns: A New Approach.
Economtrica; 59, 347-70.
____________ (1990a) Stationarity and Persistence in the GARCH(1,1) Model. Econometric
Theory,6:318-34.
____________(1990b)- ARCH Models as Diffusion Approximations. Journal of
Econometrics,45:7-38.
NOH, J., ENGLE, R. F. e KANE, A. (1994) Forecasting Volatility and Option Prices of the S&P
500 Index. Journal of Derivatives, 17-30.
PAGAN, A. R. and SCHWERT, G. W. (1990) Alternative Models for Conditional Stock
Volatility. Journal of Econometrics; 45, 267-290.
PORTUGAL, M. S. (1995) Neural Network Versus Time Series Models: A Forecasting Exercise.
Revista Brasileira de Economia. Vol.49,p.611-629.
RUIZ, E. (1994) Quasi Maximum Lifelihood Estimation of Stochastic Volatility Models. Journal
of Econometrics, 63, pp. 289-306.
SENTANA, E. (1995) Quadratic ARCH Models. Review of Economic Studies, 62, 639-661.
ZAKOIAN, J. Michel (1994) Threshold Heteroskedastic Models. Journal of Economic Dynamics
and Control, 18, 931-955.
ZIEGELMANN, F. A. e PEREIRA, P. L. V. (1997) Modelos de Volatilidade Estocstica com
Deformao Temporal: Um Estudo Emprico para o ndice Ibovespa. Poltica e Planejamento
Econmico, v.27, n.2, p.353-376.