Modelo de previsão com volatilidade estocástica

THIAGO KURIMORI GARCIA DA SILVEIRA
MODELO DE PREVISO COM VOLATILIDADE

ESTOCSTICA
Trabalho de Formatura apresentado

Escola Politcnica da Universidade de
So Paulo para a obteno do Diploma
de Engenheiro de Produo
SO PAULO
2008
THIAGO KURIMORI GARCIA DA SILVEIRA
MODELO DE PREVISO COM VOLATILIDADE

ESTOCSTICA
Trabalho de Formatura apresentado

Escola Politcnica da Universidade de
So Paulo para a obteno do Diploma
de Engenheiro de Produo
Orientadora:
Prof Dr Linda Lee Ho
SO PAULO
2008
FICHA CATALOGRFICA
Silveira, Thiago Kurimori Garcia da

Modelo de previso com volatilidade estocstica, T. K. G.
Silveira So Paulo, 2008.
107 p.
Trabalho de formatura Escola Politcnica da
Universidade de So Paulo. Departamento de Engenharia de
Produo.
1.Modelos No Lineares 2.Inferncia Bayesiana 3.Mtodos
MCMC I.Universidade de So Paulo. Escola Politcnica.
Departamento de Engenharia de Produo II.t.
DEDICATRIA
minha famlia.
AGRADECIMENTOS
Aos meus pais Alberto e Lucia, meus irmos Alberto e Luciana e minha
namorada Helena pelo apoio, carinho e motivao.
professora Linda Lee Ho, pelos conselhos, pela pacincia e pela confiana
depositada em mim.
RESUMO
A volatilidade um tema de crescente importncia no mercado financeiro, e
diversos modelos tm sido criados e sugeridos para realizar a sua previso. O
presente trabalho apresenta a construo de um modelo de sries temporais para a
previso da volatilidade futura de uma srie financeira. O modelo proposto incorpora
componentes estocsticos tanto para a equao de retornos quanto para a equao das
volatilidades condicionais, o que aumenta a complexidade do problema e
impossibilita a estimao dos seus parmetros via mtodos de verossimilhana.
Assim, so utilizadas tcnicas de simulao MCMC, que surgem como alternativa
para a resoluo dos problemas de inferncia Bayesiana em que no possvel
derivar a funo de verossimilhana analiticamente.
A capacidade preditiva do modelo foi comparada de um modelo GARCH,
que amplamente utilizado para a previso da volatilidade, e o desempenho dos
modelos foram confrontados atravs de clculos dos erros de previso. O modelo de
Volatilidade Estocstica proposto apresentou melhor desempenho na capacidade de
previso da volatilidade, mas tambm apresentou maior complexidade e maior
demanda de capacidade de processamento computacional para seu ajustamento.
Palavras-chave: Modelos No Lineares. Inferncia Bayesiana. Mtodos MCMC.
ABSTRACT
Volatility is an issue of growing importance in the financial market, and
several models have been created and suggested to realize its forecast. This paper
presents the construction of a time-series model to forecast the future volatility of a
financial series. The proposed model incorporates stochastic components both to the
equation of returns and for the equation of conditional volatilities, which increases
the complexity of the problem and makes the estimation of its parameters impossible
via the likelihood methods. Therefore, MCMC simulation techniques are used, which
emerge as an alternative to solving the problems of Bayesian inference on which it is
not possible to derive the likelihood function analytically.
The predictive ability of the model was compared to that of a GARCH model,
which is widely used to predict the volatility, and the performance of the models
were confronted by the calculation of forecasting errors. The proposed stochastic
volatility model showed better performance in the prediction of volatility, but
presented higher complexity and greater demand of computer processing capacity to
realize its adjustment.
Keywords: Non-Linear Models. Bayesian inference. MCMC methods.
LISTA DE FIGURAS
Figura 2-1 - Volume global de contratos de futuros e de opes por categoria (JanMai 2008). ......................................................................................................28
Figura 2-2 Resultado financeiro de uma opo de compra no vencimento. ...........31
Figura 3-1 - Trajetrias aleatrias de um processo estocstico.................................41
Figura 3-2 Fac de um rudo branco.......................................................................45
Figura 3-3 - Diagrama representativo de um filtro linear. ........................................46
Figura 3-4 - Srie de observaes de um modelo AR(1)..........................................48
Figura 3-5 - Fac amostral e terica de um processo AR(1). .....................................49
Figura 3-6 - Srie de observaes de um modelo MA(1). ........................................50
Figura 3-7 - Fac amostral e terica de um processo MA(1). ....................................51
Figura 3-8 - Inversa FPA para uma distribuio normal padro. ..............................67
Figura 4-1 - Evoluo das cotaes dirias do IBOVESPA e os log retornos da srie.
.......................................................................................................................72
Figura 4-2 - Histograma dos log retornos do IBOVESPA........................................73
Figura 4-3 - PPN dos log retornos do IBOVESPA. .................................................73
Figura 4-4 - Fluxograma do processo de construo do modelo de volatilidade
estocstica.......................................................................................................76
Figura 4-5 - Diagrama da simulao do Amostrador de Gibbs.................................84
Figura 4-6 - Amostras realizadas dos parmetros do modelo (parte 1/2). .................86
Figura 4-7 - Amostras realizadas dos parmetros do modelo (parte 2/2). .................87
Figura 4-8 - Funes densidade de probabilidade das distribuies a priori e a
posteriori dos parmetros. ...............................................................................89
Figura 4-9 Funes densidade de probabilidade dos parmetros da volatilidade. ..90
Figura 4-10 - Volatilidade condicional dos modelos ajustados. ...............................91
Figura 4-11 - Resduos dos modelos ajustados. .......................................................93
Figura 4-12 - Varincia condicional prevista e os quadrados dos retornos observados.
.......................................................................................................................96
Figura 4-13 - Resduos EQMPV. ............................................................................97
LISTA DE TABELAS
Tabela 2-1 - Direitos e obrigaes de opes...........................................................30
Tabela 2-2 - Efeito do aumento das variveis sobre o preo das opes...................33
Tabela 4-1 - Estatsticas descritivas da srie de log retornos do IBOVESPA. ..........74
Tabela 4-2 - Estimao do modelo GARCH(1,1) para a srie de retornos do
IBOVESPA.....................................................................................................75
Tabela 4-3 - Teste de Ljung-Box paara os resduos padronizados............................92
Tabela 4-4 - Teste de Ljung-Box para os quadrados dos resduos............................92
Tabela 4-5 - Teste de multiplicadores de Lagrange..................................................92
Tabela 4-6 - Quartis dos resduos EMAP. ...............................................................97
Tabela 4-7 - Comparao dos critrios de desempenho. ..........................................98
LISTA DE SIGLAS E ABREVIATURAS

AR
Autoregressivo
ARIMA
Autoregressive Integrated Moving Average
ARCH
Autoregressive Conditional Heteroscedasticity
BOVESPA
Bolsa de Valores de So Paulo
CDI
Certificado de Depsito Interfinanceiro
EQM
Erro Quadrado Mdio
EQMPV
Erro Quadrado Mdio de Previso da Volatilidade
EMAP
Erro Mdio Absoluto de Previso
Fac
Funo de autocorrelao
Facv
Funo de autocovarincia
FDP
Funo de Densidade de Probabilidade
FPA
Funo densidade de Probabilidade Acumulada
GARCH
Generalized Autoregressive Conditional Heteroscedasticity
i.i.d.
Independent and identically distributed
MA
Moving Average
MCMC
Markov Chain Monte Carlo
MVE
Modelo de Volatilidade Estocstica
SUMRIO
1.
2.
INTRODUO.............................................................................................21
1.1.
O Estgio................................................................................................ 22
1.2.
Motivao .............................................................................................. 23
1.3.
Organizao do Trabalho........................................................................ 24
CONCEITOS ................................................................................................26
2.1.
Aes ..................................................................................................... 27
2.2.
Derivativos............................................................................................. 27
2.3.
Opes ................................................................................................... 30
2.4.
Modelo de Black & Scholes ................................................................... 33
2.5.
Volatilidade............................................................................................ 35
2.5.1 Volatilidade futura ........................................................................................................ 36
2.5.2 Volatilidade histrica.................................................................................................... 36
2.5.3 Volatilidade implcita.................................................................................................... 37
3.
FUNDAMENTAO TERICA ................................................................39

3.1.
Modelos de Sries Temporais ................................................................. 39

3.1.1Processos estocsticos ................................................................................................... 40
3.1.2 Processos estacionrios................................................................................................ 42
3.1.3 Rudo branco................................................................................................................. 44
3.1.4 Funo de autocovarincia (facv) ................................................................................ 44
3.1.5 Tipos de modelos........................................................................................................... 46
3.1.6 Modelos lineares........................................................................................................... 46
3.1.6.1 Modelos AR ...................................................................................................................... 48
3.1.6.2 Modelos MA ..................................................................................................................... 49
3.1.6.3 Modelos ARMA................................................................................................................ 51
3.1.6.4 Modelos ARIMA .............................................................................................................. 52
3.1.7 Modelos no-lineares ................................................................................................... 52

3.1.7.1 Modelos ARCH................................................................................................................. 53
3.1.7.2 Modelos GARCH.............................................................................................................. 54
3.1.7.3 Modelos de Volatilidade Estocstica................................................................................. 55
3.1.8 Diagnsticos de Modelos.............................................................................................. 55

3.1.8.1 Teste de Ljung-Box ........................................................................................................... 55
3.1.8.2 Teste de multiplicadores de Lagrange................................................................................ 56
3.1.8.3 Anlise da fac residual....................................................................................................... 57
3.2.
Inferncia Bayesiana .............................................................................. 58

3.2.1 Distribuies a Priori Conjugadas............................................................................... 59
3.2.2 Simulao por Cadeias de Markov............................................................................... 63
3.2.3 Mtodos baseados em simulao estocstica ............................................................... 63
3.2.3.1 Amostrador de Gibbs ......................................................................................................... 64
3.2.3.2 Griddy Gibbs ..................................................................................................................... 66
3.3.
4.
O Modelo de Volatilidade Estocstica.................................................... 69
CONSTRUO DO MODELO................................................................... 71
4.1.
Etapas da construo do modelo............................................................. 75

4.1.1 O Modelo Proposto....................................................................................................... 77
4.1.2 Escolha das distribuies a priori dos parmetros ...................................................... 78
4.1.3 Estimao das posterioris condicionais ....................................................................... 79
4.1.4 Simulao via Amostrador de Gibbs ............................................................................ 83
4.1.5 Verificao da convergncia do algoritmo................................................................... 85
4.1.6 Estimativas dos parmetros.......................................................................................... 88
4.1.7 Validao e comparao dos modelos ajustados ......................................................... 90
5.
CONCLUSES........................................................................................... 100
6.
REFERNCIAS BIBLIOGRFICAS....................................................... 102
ANEXO CDIGO DO PROGRAMA ESCRITO EM MATLAB ................. 104
INTRODUO
21
1. INTRODUO
A volatilidade um tema de crescente importncia para todos os participantes
econmicos que atuam direta ou indiretamente no mercado financeiro, pois um dos
principais critrios utilizados para anlise de riscos, deciso de estratgias de hedge,
oportunidades de especulao, otimizao de portfolios de investimento, etc.
O mercado brasileiro de opes vem crescendo substancialmente nos ltimos
anos e, cada vez mais, novos participantes ingressam neste mercado. Os principais
players so investidores que utilizam as opes como derivativos para se protegerem
(os chamados hedgers); os especuladores, que tentam prever os movimentos de
preos do mercado e lucrar com tais oscilaes; e os arbitradores, que tentam
aproveitar imperfeies de mercado para realizarem lucros com pouco ou sem riscos.
Uma das principais caractersticas de um mercado de opes a quantidade
de fatores que influem diretamente no apreamento desses derivativos. Uma dessas
variveis a volatilidade, que representa a velocidade com que as cotaes de um
ativo variam com o tempo. O valor da volatilidade no pode ser determinado, pois
ela no pode ser observada, e no h como se obter a real populao dos retornos de
um ativo qualquer. Assim, muitos esforos so realizados para obter a melhor
estimao possvel do seu valor, e o sucesso financeiro de qualquer um dos players
desse mercado est totalmente atrelado eficincia na sua estimao.
Atualmente, os modelos mais utilizados para a previso da volatilidade so os
modelos da famlia ARCH/GARCH, que utiliza a teoria de sries temporais para
propor equaes para a mdia e varincia da varivel de interesse, que usualmente
o retorno ou a variao de um instrumento financeiro. Assim, os modelos de
volatilidade estocstica surgem como uma evoluo direta aos modelos
ARCH/GARCH, por permitirem maiores possibilidades de modelagem. O modelo de
volatilidade estocstica foi apresentado por Jaquier, Polson e Rossi (1994), e no
to popular provavelmente pela dificuldade de resoluo do mesmo, que requer
tcnicas avanadas de simulao e demanda grande capacidade de processamento
computacional.
O presente trabalho de formatura busca a resoluo de um problema de
previso de uma varivel de interesse: a volatilidade futura de um instrumento
Modelo de Previso com Volatilidade Estocstica
22
INTRODUO
financeiro. O objetivo construir um modelo para o comportamento temporal de um

instrumento financeiro, que permita inferir e prever os valores reais da volatilidade
do mesmo. Assim, utiliza-se a inferncia Bayesiana para a estimao dos parmetros
que, dado a impossibilidade de se obter analiticamente as distribuies necessrias
no problema proposto, requer mtodos de simulao de Cadeias de Markov (MCMC)
para a obteno de tais distribuies de probabilidade a posteriori dos parmetros.
1.1. O Estgio
O desenvolvimento deste trabalho de formatura foi realizado na empresa
Capitnia S.A., na rea de gesto de ativos (asset management) atravs de fundos de
investimentos multimercado, operando em ativos de renda varivel na Bolsa de
Valores de So Paulo (BOVESPA).
A Capitnia S.A. foi fundada em julho de 2003 pelas equipes de trading,
estruturao e vendas de produtos da rea de tesouraria do Bank of America no
Brasil. Atualmente, a Capitnia S.A. gestora de quatro fundos de investimento,
sendo trs da categoria multimercado e um fundo exclusivo de aes. Atravs destes
quatro produtos, a empresa procura oferecer fundos de investimento com perfis
diferenciados, utilizando em sua essncia estratgias de renda varivel, com o
objetivo
de
gerar
retornos
consistentes,
independentemente
do
cenrio
macroeconmico.
O estgio teve como principal objetivo a anlise quantitativa de instrumentos
financeiros, principalmente voltada a aes e opes de aes. Uma das principais
estratgias de investimento da empresa gerar ganhos financeiros atravs da
especulao da volatilidade futura de uma ao. Assim, muitas pesquisas nesse
sentido so realizadas, que tm em sua essncia aplicaes da teoria estatstica para a
realizao de uma srie de anlises quantitativas. nesse contexto que surge a
proposta de realizao do presente trabalho.
INTRODUO
23
1.2. Motivao
Atualmente, h diversos modelos de previso que incluem a importncia da
volatilidade nos seus parmetros. Alguns deles consideram a volatilidade como
constante ao longo do tempo (modelos ARIMA), enquanto outros a consideram
como uma varivel correlacionada a seus valores passados (modelos ARCH), e
tambm a valores de outras variveis explicativas (modelos GARCH). Tais classes
de modelos buscam explicar os valores de uma varivel em um dado instante a partir
dos valores passados dessa mesma varivel, ou seja, admite-se que os valores so
autocorrelacionados. Caso exista essa explicao de valores futuros atravs de seus
antecedentes, pode-se dizer que os valores da srie so autocorrelacionados. A idia
principal da volatilidade estocstica incrementar os modelos ARCH/GARCH para
que este possa considerar a prpria volatilidade como dependente no s de seus
valores passados, mas tambm da dinmica aleatria intrnseca do mercado
financeiro.
H alguns estudos que mostram a influncia do volume de operaes do
mercado na volatilidade. O catico fluxo de informaes que atinge os diversos
participantes do mercado produz um volume de operaes aleatrio. Tal
comportamento deveria, se possvel, ser incorporado a um modelo eficiente de
previso. Tauchen; Pitts (1983) e Gallant; Hsieh; Tauchen (1991) notaram que, se os
fluxos de informaes so autocorrelacionados, ento um modelo que considera a
varincia condicional como varivel no tempo e correlacionada com seus valores
passados pode ser apropriado para estudar as sries financeiras. Com essa viso,
Jaquier; Polson e Rossi (1994) propuseram uma metodologia que utiliza a anlise
Bayesiana para a construo do modelo de volatilidade estocstica. Tal anlise busca
a estimao dos reais parmetros de um modelo a partir das informaes que se
dispe para explic-lo. Assim, dado um conjunto de informaes disponveis sobre
uma srie, a metodologia Bayesiana permite inferir sobre os reais valores dos
parmetros geradores dessa srie analisada.
Contudo, para a incorporao do carter aleatrio da volatilidade, o modelo
torna-se de difcil resoluo pelos mtodos clssicos ou seja, que utilizam funes
de verossimilhana. Tais funes podem ser obtidas analiticamente para os modelos
24
INTRODUO
ARIMA, ARCH e GARCH, porm, para os modelos de volatilidade estocstica, esta

obteno no possvel. Por isso, como alternativa, so utilizadas tcnicas Markov
Chain Monte Carlo (MCMC) que, realizando simulaes, constri-se uma cadeia de
Markov aproximadamente equivalente distribuio conjunta a posteriori
necessria.
Levando esses fatos em considerao, o objetivo deste trabalho construir
um modelo quantitativo que utilize um conjunto de informaes disponveis para a
previso da volatilidade, juntamente com a considerao de influncias estocsticas
no seu comportamento. Apesar de exigir tcnicas de resoluo mais trabalhosas e
sofisticadas, o modelo ser de grande valia caso tenha um desempenho
marginalmente melhor que os modelos mais populares, visto que qualquer vantagem
competitiva no mercado financeiro pode representar enormes benefcios para a
empresa. O resultado poder ser usado como auxlio direto no apreamento de uma
opo, e conseqentemente servir de apoio nas decises de investimento do
operador de opes.
1.3. Organizao do Trabalho

O trabalho organizado em seis partes bsicas. Nesta seo, apresenta-se a
forma como est organizado e descreve-se sucintamente cada um dos captulos que o
compem:
Captulo 1 So apresentados o problema a ser resolvido e os objetivos do

trabalho, assim como uma breve introduo ao tema proposto. Apresenta-se
tambm a descrio do estgio e da motivao para o projeto.
Captulo 2 Conduz a parte conceitual necessria para a melhor

compreenso e contextualizao do tema proposto. So apresentados
conceitos bsicos do mercado financeiro, entre eles os instrumentos
existentes, os principais participantes do mercado de capitais e um panorama
da teoria de apreamento de opes de Black & Scholes. Alm disso, trata da
varivel objeto motivadora do presente trabalho, onde apresentado o
conceito de volatilidade no mercado financeiro: sua importncia, suas
INTRODUO
25
caractersticas, classificaes, aplicaes no mercado e peculiaridades no

apreamento de opes.
Captulo 3 Apresenta as fundamentaes tericas necessrias para o

desenvolvimento do projeto. A teoria pesquisada para a resoluo do
problema envolve modelos de sries temporais, inferncia Bayesiana e
mtodos de simulao MCMC.
Captulo 4 Neste, detalha-se a construo do modelo de volatilidade

estocstica, aplicado em uma srie de dados histricos do IBOVESPA. O
objetivo propor um modelo que represente satisfatoriamente o
comportamento dos retornos da srie analisada e, principalmente, da sua
volatilidade condicional. Assim, so aplicados mtodos MCMC para que os
parmetros do modelo possam ser estimados via inferncia Bayesiana. A
resoluo do modelo ser divida em: proposta do modelo, apresentao das
distribuies a priori dos parmetros, obteno das distribuies a posteriori
condicionais dos parmetros, descrio dos algoritmos MCMC e resoluo
numrica do modelo. Este captulo tambm apresenta a validao do modelo
estatstico apresentado, verificando a coerncia dos resultados obtidos e
comparando seu desempenho com um modelo GARCH.
Captulo 5 Conclui-se o trabalho, destacando os pontos mais relevantes do

estudo realizado, bem como se analisa criticamente o projeto desenvolvido.
26
CONCEITOS
2. CONCEITOS
A definio de investir, segundo Bodie (2000), comprometer o uso de
recursos no presente com a expectativa de benefcios futuros. Atualmente, h
inmeros produtos financeiros que servem de meios para que essa alocao de
recursos ocorra. Tais instrumentos podem ser classificados quanto sua
lucratividade, que pode ser fixa ou varivel.
Ativos de renda fixa so investimentos que pagam, em perodos definidos,
uma certa remunerao ao investidor. A rentabilidade pode ser determinada no
momento da aplicao (ttulos pr-fixados) ou no momento do resgate (ttulos psfixados). Os ttulos de renda fixa podem ser pblicos ou privados, de acordo com a
instituio encarregada de honrar o pagamento do investimento e a remunerao.
Entre os ativos de renda fixa podem ser citados: a caderneta de poupana, o CDB
(Certificado de Depsito Bancrio) e debntures.
J os ativos de renda varivel so ttulos de propriedade que podem
apresentar componentes de remunerao peridica, determinados contratualmente. O
lucro nesse caso apurado pela diferena entre o preo de compra mais os
benefcios, e o preo de venda. Aes, cotas de fundos de investimento, moedas e
commodities so exemplos dos ativos de renda varivel mais conhecidos.
Os instrumentos financeiros mais importantes na realizao e aplicao do
presente trabalho so as aes, opes (uma classe de derivativos) e o CDI
(Certificado de Depsito Interfinanceiro). A importncia de tais ativos decorre da
volatilidade, que interliga estes instrumentos. Em suma, a volatilidade de um ativo
pode ser especulada atravs de opes que tenham este ativo como objeto, e o CDI
serve como a taxa de retorno livre de risco, que corresponde ao custo de
oportunidade de um investimento, e que uma das entradas no apreamento de tais
opes.
CONCEITOS
27
2.1. Aes
Segundo a Bolsa de Valores de So Paulo (BOVESPA), aes so ttulos
nominativos negociveis que representam, para quem as possui, uma frao do
capital social de uma empresa. Tais ttulos conferem ao seu proprietrio parcelas de
participao no controle, nos bens e nos lucros da empresa. Existem basicamente
dois tipos de aes:
Aes ordinrias (ON): concedem, aos seus proprietrios, poder de voto nas
assemblias deliberativas da companhia.
Aes preferenciais (PN): oferecem preferncia na distribuio de resultados

ou no reembolso do capital em caso de liquidao da companhia, mas no
concedem poder de voto aos acionistas.
Uma empresa deve dividir os lucros com seus acionistas. Essa parcela
direcionada aos detentores de aes denominada de dividendo, e distribuda na

proporo da quantidade de aes que cada acionista possui, e apurada ao fim de
cada exerccio social. Assim, um dos principais motivos que atraem investidores a
comprar aes a expectativa de receber dividendos das empresas emissoras desses
ttulos. Em muitos casos, entretanto, de interesse do proprietrio de aes a busca
por outros investimentos que resultem, por exemplo, em uma maior proteo aos
seus investimentos, uma maior alavancagem do capital investido, dentre outros.
Nestas e outras situaes similares, os investidores podem utilizar os chamados
derivativos.
2.2. Derivativos
Um derivativo um ttulo cujo valor depende dos valores de outras variveis
bsicas que o referenciam. Um derivativo sobre uma ao, por exemplo, tem o seu
valor atrelado cotao desta ao. Os mercados de derivativos tiveram um ritmo de
crescimento bastante acelerado nos ltimos anos em todo o mundo. Alm de
instituies financeiras como bancos e investidores, o uso de derivativos foi
28
CONCEITOS
difundido para empresas de outros segmentos da economia (agrcola, energia, entre

diversos outros).
As finalidades do investimento em derivativos so muitas, entre elas a
proteo contra oscilaes de mercado (hedge), ganhos financeiros atravs da
especulao, transformao de um passivo de taxa flutuante por um de taxa fixa,
entre outros. Existe uma variedade muito grande de contratos negociados, e a Figura
2-1 mostra os contratos de futuros e de opes mais negociados no perodo de janeiro
a maio de 2008, classificados pelo tipo de ativo objeto do derivativo:
Outros
0,2%
Metais
2,0%
Moedas
3,3%
Energia
3,4%
Agricultura
5,1%
ndices de aes
32,3%
Taxas de juros
22,3%
Aes individuais
31,4%
Figura 2-1 - Volume global de contratos de futuros e de opes por categoria (Jan-Mai 2008).
Fonte: FIA
O total de contratos negociados nesse perodo foi de aproximadamente 7

bilhes, considerando o mercado de balco (isto , negociaes que no passam pelas
Bolsas) e Bolsas de Valores de todo o mundo. A categoria outros envolve
contratos baseados em carbono, ndices de commodities, crdito, fertilizantes,
construo civil, inflao, lenha e condies climticas.
CONCEITOS
29
Os tipos de derivativos mais negociados no mercado brasileiro atualmente

so:
Contratos a termo: so acordos de compra e venda de um determinado ativo

para liquidao em uma data futura, estabelecida por um preo entre as
partes, que denominado de preo de entrega. Sua negociao ocorre
principalmente em mercado de balco.
Contratos futuros: assim como os contratos a termo, as partes envolvidas so

obrigadas a comprar ou vender, a um preo estabelecido por elas,
determinada quantidade de um ativo, em certa data futura. A diferena que
os contratos so negociados em Bolsa e assim fica a cargo da Bolsa cumprir o
contrato. Esses contratos so padronizados em relao quantidade e
qualidade do ativo, formas de liquidao, garantias, prazos de entrega, dentre
outros. Alm disso, possvel a liquidao do contrato antes do prazo de
vencimento.
Swaps: so acordos privados entre duas instituies para a troca futura de

fluxos de caixa, realizada de acordo com uma frmula preestabelecida.
Assim, os pagamentos futuros dependem de seus respectivos indexadores,
que podem ser flutuantes ou no. Como ambos os pagamentos so efetuados
em uma mesma data, a liquidao do contrato geralmente ocorre pela
diferena entre os valores contratuais corrigidos pelos seus respectivos
indexadores. So negociados principalmente em mercado de balco.
Opes: so contratos que do parte compradora o direito (e no a

obrigao) de comprar ou vender o ativo objeto em certa data a um preo
preestabelecido. As opes so negociadas tanto em mercado de balco
quanto na Bolsa. Este tipo de derivativo, dada a sua relevncia pra o
problema proposto, ser apresentado com mais detalhes na Seo 2.3.
30
CONCEITOS
2.3. Opes
Segundo Costa (1998), opo um direito negocivel de compra ou venda
de um ativo a um preo futuro predeterminado. O titular, agente econmico que
compra a opo a um determinado preo na data inicial, adquire a escolha de exercer
ou no o seu direito de compra ou venda. A contraparte, denominado de lanador da
opo, adquire o dever de aceitar a deciso do titular, e assim torna-se obrigado a
comprar ou vender o ativo objeto no preo determinado para o titular, em caso do
exerccio de direito.
H inmeros tipos de contratos de opes que apresentam uma srie de
caractersticas peculiares. As opes mais negociadas so as chamadas opes
vanilla, que sero o nico tipo de opo considerado no decorrer deste trabalho.
Para maiores informaes sobre os outros tipos de opes existentes (asiticas,
flexveis, exticas, etc) ver Hull (1997) e Costa (1998).
H dois tipos de direitos que uma opo apresenta: direito de compra (call) e
direito de venda (put), cujos direitos e obrigaes so apresentados na Tabela 2-1:
Parte
Lanador
Titular
Opo de compra (Call)
Opo de venda (Put)
Obrigao de compra
Obrigao de venda
Direito de compra
Direito de venda
Tabela 2-1 - Direitos e obrigaes de opes.
Alm disso, as opes podem ser classificadas de acordo com a possibilidade

de exerccio antes ou somente na data de exerccio preestabelecida. So ditas opes
americanas aquelas que podem ser exercidas a qualquer instante at a data de
vencimento, enquanto as opes europias podem ser exercidas somente na data de
vencimento. No Brasil, a maioria das opes negociadas do tipo europeu.
O resultado financeiro de uma operao de compra de uma opo call
europia na data de vencimento apresentado na Figura 2-2:
31
Resultado da operao
CONCEITOS
Lucro
K
Prmio
Preo do ativo objeto (S)
Figura 2-2 Resultado financeiro de uma opo de compra no vencimento.
Na Figura 2-2, K corresponde ao preo de exerccio da opo de compra e o

prmio o preo pago pela opo na data negociada. Pode-se notar que se o preo do
ativo objeto for maior que o preo de exerccio, compensador para o titular exercer
o direito de compra, pois deste modo estaria comprando o ativo objeto por um preo
menor do que o preo negociado nesta data. O valor recebido pelo titular no
vencimento da opo denominado payoff, e pode ser descrito como:
max(0, S K ) , para uma opo de compra
max(0, K S ) , para uma opo de venda.
onde S a cotao vista do ativo objeto (spot) e K o preo de exerccio da opo
(strike). O payoff tambm denominado de valor intrnseco da opo.
As opes podem ser negociadas em todo o perodo desde o seu lanamento
at a data de vencimento, e neste perodo o seu valor no pode mais ser definido
32
CONCEITOS
apenas pelo valor intrnseco. Segundo Hull (1997) existem basicamente cinco
variveis que influem no valor de uma opo:
S preo vista do ativo objeto;
K preo de exerccio da opo;
r taxa de juros livre de risco;
t tempo at o vencimento;
volatilidade do ativo objeto.

O preo vista do ativo objeto e o preo de exerccio podem ser analisados
juntos atravs do valor intrnseco da opo. No caso de uma opo de compra, esta
ter valor maior quanto maior for o preo do ativo e quanto menor for o seu strike. J
uma opo de venda ter valor maior quanto menor for o preo do ativo e maior for o
seu strike.
A volatilidade de um ativo pode ser entendida como uma medida de incerteza
sobre os seus preos futuros. Quanto maior a volatilidade, maior a possibilidade de
haver oscilaes bruscas de preos, tanto para cima quanto para baixo. Assim, para
uma opo, tanto de compra quanto de venda, a volatilidade aumenta a possibilidade
de um resultado positivo, dado que as perdas so limitadas.
O tempo at o vencimento de uma opo medido em dias teis e influi no
preo de uma opo, pois quanto maior o prazo at o vencimento, maiores as
possibilidades para a trajetria de preos do ativo objeto.
A taxa de juros livre de risco afeta o preo das opes na medida em que
quanto maior o seu valor, maior ser a expectativa de retorno dos preos dos ativos.
Alm disso, por tratar de fluxos de caixas futuros, o valor futuro dos desembolsos e
receitas diminuiro. Na prtica, a taxa de juros livre de risco utilizada no Brasil o
CDI.
A Tabela 2-2 apresenta um panorama dos efeitos do aumento de cada
varivel sobre o preo da opo, enquanto as demais se mantm constantes:
33
CONCEITOS
Opo de
compra (Call)
Varivel
Opo de
venda (Put)
Preo do ativo
Preo de exerccio
Prazo at o vencimento
Volatilidade
Taxa livre de risco
Tabela 2-2 - Efeito do aumento das variveis sobre o preo das opes.
Fonte: Adaptado de Hull (1997)
A teoria de apreamento de opes extensa e bastante desenvolvida, no

entanto o estudo publicado mais importante sobre o assunto a derivao da equao
de Black & Scholes (1973).
2.4. Modelo de Black & Scholes

A difuso e popularidade das opes no mercado financeiro devem-se, em
grande parte, ao modelo proposto por Black e Scholes (1973) para o apreamento de
opes. Tal mtodo foi apresentado na dcada de 70 e amplamente utilizado no
mercado financeiro, devido a sua fcil implementao, ao seu rigor terico e vasta
aplicao prtica no mercado de capitais. O modelo proposto por Black e Scholes
apresenta uma frmula cujo resultado o valor justo de uma opo, respeitando
determinadas hipteses.
Dada a relevncia prtica ao presente trabalho, o modelo de Black e Scholes
ser apresentado sucintamente para que fique clara a principal implementao prtica
deste trabalho. Para maiores detalhes sobre o modelo de Black e Scholes, ver Hull
(1997).
Considerando:
C : Preo da opo de compra
34
CONCEITOS
P : Preo da opo de venda

S : Preo do ativo objeto no instante t
K : Preo de exerccio
r : Taxa de juros livre de risco, composta continuamente
T : Data de vencimento
T t : Nmero de dias teis at o vencimento
: Volatilidade do ativo objeto

(d ) : Funo de distribuio de probabilidade normal padro acumulada
Black e Scholes (1973) desenvolveram um modelo que determina o preo de

uma opo de compra do tipo europia, por meio da expresso:
C = S (d 1 ) Ke r (T t ) ( d 2 )
(Eq. 2.1)
Para uma opo de venda, a expresso torna-se:

P = Ke r (T t ) ( d 2 ) S ( d 1 )
(Eq. 2.2)
onde:
d1 =
d2 =
ln(S / K ) + (r + 2 / 2)T
(Eq. 2.3)
T
ln(S / K ) + (r 2 / 2)T
= d1 T .
(Eq. 2.4)
importante notar que, dentre todas as variveis utilizadas no apreamento

de uma opo, a nica que no conhecida a volatilidade do ativo objeto. Assim,
este parmetro se torna o mais relevante na negociao de opes, e muitos esforos
so realizados a fim de estim-lo do modo mais eficaz possvel. Na prtica, h
muitos investidores que realizam as chamadas operaes de volatilidade, que
CONCEITOS
35
consiste na especulao e arbitragem no do preo futuro de um ativo, mas da sua

volatilidade futura. Desse modo, o investidor que conseguir estimar melhor o valor
justo da volatilidade poder oper-la de modo a obter lucros financeiros acima do seu
custo de oportunidade.
Juntamente com a derivao do preo de uma opo, Black e Scholes (1973)
apresentaram uma srie de variveis que permitem a realizao de uma anlise de
sensibilidade do preo da opo em funo de suas variveis, que no jargo do
mercado financeiro recebem o nome de gregas. Elas so extremamente teis para
analisar uma carteira de investimentos que contenha posies em opes. Cada uma
mede uma dimenso do risco da posio em opo. Por no serem cruciais para o
desenvolvimento deste trabalho, estas no sero detalhadas. Como referncia, ver
Hull (1997) e Costa (1998).
2.5. Volatilidade
O mercado financeiro caracterizado pelo dinamismo dos preos dos ativos
negociados nas Bolsas de Valores. Tais mudanas podem ser mais ou menos
drsticas. A cotao da ao de uma empresa de tecnologia, por exemplo, exibe um
comportamento muito mais dinmico do que a taxa de juros livre de risco. Nesse
sentido, a volatilidade surge como uma medida da velocidade, da incerteza das
movimentaes de preos. Mercados que se movem lentamente so ditos mercados
de baixa volatilidade. Em contrapartida, mercados altamente dinmicos so ditos
mercados de alta volatilidade.
Mais especificamente, a volatilidade pode ser entendida como uma medida de
disperso do preo ao redor de seu valor esperado em um determinado perodo de
tempo. Assim sendo, de extrema importncia que os participantes do mercado
consigam estimar a volatilidade para diferentes prazos sejam eles dirios, semanais,
anuais, ou outros para que o apreamento de uma opo possa ser realizado de
maneira acurada. A volatilidade, por no poder ser observada, deve ser devidamente
medida e estimada para que o investidor possa tomar posies coerentes.
36
CONCEITOS
A volatilidade pode ser apresentada de diversas maneiras, e importante

saber distinguir qual a abordagem em questo quando se trata deste tema. A seguir,
sero descritos os diferentes tratamentos existentes em relao volatilidade.
2.5.1 Volatilidade futura

A volatilidade futura o que qualquer investidor gostaria de saber, pois
corresponde volatilidade que melhor descreve a distribuio futura dos preos de
um determinado instrumento. Caso pudesse ser determinada, o investidor conheceria
a real funo de distribuio de probabilidade dos preos.
2.5.2 Volatilidade histrica

Uma das maneiras de se estimar a volatilidade real de um ativo analisar a
volatilidade histrica do mesmo. A volatilidade histrica, tambm chamada de
volatilidade realizada, pode ser estimada para quaisquer intervalos de tempo, desde
que se consiga obter os respectivos dados necessrios. Usualmente, calcula-se a
volatilidade histrica considerando observaes dirias do preo de fechamento do
ativo, calculando-se os retornos como a variao de tais observaes.
A seguir, apresenta-se a definio da volatilidade histrica segundo Hull
(1997). Sejam:
n + 1 : Nmero de observaes;
Si: Preo do ativo ao final do i -simo intervalo (i = 0,1,K , n) ;
ui: Retorno continuamente capitalizado (no-anualizado), no i -simo intervalo;
: Intervalo de tempo em anos.

Pela definio de retorno continuamente capitalizado, temos:
S i = S i 1e ui
(Eq. 2.5)
S
u i = ln i
S i 1
(Eq. 2.6)
37
CONCEITOS
A estimativa usual, s, do desvio padro dos valores de ui dada por:
s=
1 n
ui u
n 1 i =1
s=
1 n 2
1 n
u
ui
i n(n 1)
n 1 i =1
i =1
(Eq. 2.7)
ou
2
(Eq. 2.8)
onde u a mdia dos retornos ui.

Desta maneira, utilizando a estimativa para o desvio padro atravs da
Equao 2.8, possvel estimar a volatilidade histria para o perodo , designado
por :
(Eq. 2.9)
Deve-se frisar que a estimativa da volatilidade para o perodo considerado

refere-se a dados passados, e que usar tal estimativa para aprear opes equivale a
presumir que o passado ir se repetir no futuro. Tal suposio requer cautela, pois o
mercado financeiro altamente complexo e dinmico. Todavia, a volatilidade
histrica uma ferramenta bastante til para que o comportamento do preo do ativo
seja estudado, principalmente em horizontes de longo prazo.
2.5.3 Volatilidade implcita

O nico parmetro da equao de Black & Scholes que no pode ser
diretamente observado a volatilidade do preo do ativo. Por isso, a volatilidade o
principal fator de incerteza no preo de uma opo. Na prtica, os operadores
usualmente trabalham com a chamada volatilidade implcita, ou seja, a volatilidade
associada ao preo da opo negociada no mercado.
A volatilidade implcita usada para monitorar a opinio do mercado acerca
da volatilidade futura de determinado ativo. Na prtica comum observar valores
diferentes da volatilidade implcita de opes de um mesmo ativo objeto. Tal fato
decorre de diversos aspectos, entre eles o prazo de vencimento e o preo de exerccio
da opo. Assim, no usual negociar opes pelo seu preo, mas sim em termos de
38
CONCEITOS
sua volatilidade implcita. Um investidor em opes geralmente realiza suas decises

em relao ao valor da volatilidade implcita que este est disposto a receber ou
pagar por uma opo, pois seu preo, por si s, no carrega as informaes mais
relevantes para as decises de investimento. Neste sentido, o investidor especula a
volatilidade implcita da opo.
FUNDAMENTAO TERICA
39
3. FUNDAMENTAO TERICA
O modelo proposto para a resoluo do problema requer conhecimentos
tericos sobre estatstica, mais especificamente a inferncia Bayesiana, que no so
abordados no curso de Engenharia de Produo. Porm, os conceitos de estatstica
desenvolvidos no curso apresentam uma base necessria para que o aluno tenha a
competncia necessria para se aprofundar em reas de maior interesse. Assim,
intensivas pesquisas foram realizadas sobre o conceito de sries temporais,
volatilidade estocstica, teoria de Bayes e simulaes MCMC. A argumentao
terica utilizada na resoluo do problema trabalhada nesta seo, e um resumo dos
tpicos que sero abordados apresentado a seguir:
Modelos de sries temporais: contempla a teoria de sries temporais,

apresentando os conceitos de processos estacionrios, rudo branco,
funo de autocovarincia, alm de apresentar alguns dos principais
modelos existentes e testes estatsticos de validao dos mesmos.
Inferncia Bayesiana: apresenta a teoria de inferncia Bayesiana,

juntamente com conceitos de distribuies conjugadas, simulaes
MCMC e os principais algoritmos desta categoria.
3.1. Modelos de Sries Temporais

Segundo Morettin; Toloi (2006), uma srie temporal qualquer conjunto de
observaes ordenadas no tempo. O objetivo da anlise de sries temporais
construir modelos para as sries, com propsitos determinados, como:
Investigar o mecanismo gerador da srie temporal;
Fazer previses de valores futuros da srie;
Descrever apenas o comportamento da srie, a partir da construo de

grfico, verificao da existncia de tendncias, ciclos, variaes sazonais;
Procurar periodicidades relevantes nos dados.
40
FUNDAMENTAO TERICA
Em todos os casos, modelos probabilsticos so construdos. Caso seja

possvel, os modelos devem ser simples e parcimoniosos, ou seja, com um nmero
enxuto de parmetros envolvidos.
Os modelos utilizados para descrever sries temporais so processos
estocsticos, isto , processos descritos por leis probabilsticas.
Para descrever o comportamento de uma srie, possvel considerar um
nmero muito grande de modelos. A construo de um modelo adequado depende de
vrios fatores, tais como o comportamento do fenmeno ou o conhecimento prvio
que temos de sua natureza e do objetivo da anlise. Na prtica, outras questes so
relevantes, como a existncia de mtodos apropriados de estimao, disponibilidade
de softwares adequados e capacidade de processamento de dados.
3.1.1 Processos estocsticos

Seja T um conjunto arbitrrio representante da dimenso temporal. Um
processo estocstico uma famlia Z = {Z (t ), t T }, tal que, para cada t T , Z(t)
uma varivel aleatria.
Nestas condies, um processo estocstico a famlia de variveis aleatrias,
que se supe definidas num mesmo espao de probabilidades. O conjunto T
normalmente representado pelo tempo, e tomado como o conjunto dos inteiros
Z = {0,1,2,K} ou o conjunto dos reais . Tambm, para cada t T , Z(t) ser
uma varivel aleatria real, definida sobre , que a dimenso dos parmetros
geradores do processo.
Logo, na realidade Z(t) uma funo de dois argumentos, Z (t , ) , t T ,
. A Figura 3-1 ilustra esta interpretao de um processo estocstico:
41
FUNDAMENTAO TERICA
Z(t, )
4
3
Z(1)(t)
x(t)
Z(3)(t)
Z(2)(t)
t1
tn
-1
Figura 3-1 - Trajetrias aleatrias de um processo estocstico.
Para cada fixado, obtm-se uma funo de t , ou seja, uma realizao

ou trajetria do processo, ou ainda, uma srie temporal. No exemplo ilustrado, as
trajetrias de Z (t ) foram geradas a partir de uma distribuio de probabilidade
normal com parmetro = ( , ) , para valores = 2 e = 1 . Portanto, nesse caso
o parmetro consiste em um vetor com os valores para a mdia e desvio padro da
srie. A trajetria de x(t ) denota a mdia amostral para as trajetrias de Z (t ) em
cada instante t , isto :
x (t ) =
Z (1) (t ) + Z ( 2) (t ) + Z (3) (t )
.
3
(Eq. 3.1)
O objetivo da inferncia estatstica trata-se de, a partir das observaes

disponveis das trajetrias de uma varivel, inferir os valores dos parmetros
geradores do processo. No exemplo descrito, o objetivo seria encontrar os valores de
= ( , ) , isto , a mdia e o desvio-padro incondicional da distribuio normal

geradora da srie temporal.
42
FUNDAMENTAO TERICA
A teoria de inferncia ser mais bem detalhada posteriormente, na Seo 3.2,

mas a diferena fundamental entre a inferncia estatstica e a Bayesiana que a
ltima utiliza as chamadas distribuies de probabilidade a priori. Em suma, tais
distribuies buscam implementar informaes subjetivas sobre o processo em
questo, atravs de funes de probabilidades. A inferncia Bayesiana utiliza as
distribuies a priori, e pondera tais informaes com os dados observados
amostralmente, na busca dos valores justos dos parmetros.
Outra considerao importante que na prtica no se conhece, na maioria
dos casos, a verdadeira funo de densidade de probabilidade (fdp) da varivel de
interesse. Assim, primeiramente um modelo adequado deve ser proposto para que as
sries sejam geradas a partir de equaes especificadas. H vrios modelos de sries
temporais existentes, e os principais sero apresentados na Seo 3.1.4.
3.1.2 Processos estacionrios

A utilizao de modelos de sries temporais frequentemente requer a
introduo de suposies simplificadoras. Assim, algumas classes de processos
estocsticos com podem ser definidas de acordo com suas caractersticas, segundo
Morettin; Toloi (2006):
a) Processos estacionrios ou no-estacionrios, de acordo com a
independncia ou no relativamente origem dos tempos;
b) Processos normais (Gaussianos) ou no-normais, de acordo com as
funes de densidade de probabilidade que os caracterizam;
c) Processos Markovianos ou no-Markovianos, de acordo com a
independncia dos valores do processo, em dado instante, de seus valores
em instantes precedentes, ou seja, um processo Markoviano representa
um processo no qual a srie temporal no autocorrelacionada. O
conceito de autocorrelao ser apresentado posteriormente.
Intuitivamente, um processo Z estacionrio se ele se desenvolve no tempo

de modo que a escolha de uma origem dos tempos no importante. Em outras
palavras, as caractersticas de Z (t + ) , para todo , so as mesmas de Z (t ) . As
43
FUNDAMENTAO TERICA
medidas das vibraes de um avio em regime estvel de vo horizontal, durante seu

cruzeiro, constituem um exemplo de um processo estacionrio (MORETTIN;
TOLOI, 2006, p.23).
Mais especificamente, uma srie estacionria aquela que se desenvolve no
tempo aleatoriamente ao redor de uma mdia constante, refletindo uma espcie de
equilbrio estvel. Na prtica, a maioria das sries apresenta algum tipo de noestacionariedade. As sries econmicas e financeiras, por exemplo, em geral
apresentam tendncias. Outros casos, como o crescimento populacional, apresentem
uma forma de no-estacionariedade explosiva, e so mais difceis de modelar.
Como a maioria dos procedimentos de anlise estatstica supe a condio de
estacionariedade, muitas vezes necessrio realizar algum tipo de transformao dos
dados originais da srie. O mtodo mais comum consiste em tomar diferenas
sucessivas da srie original, at se obter uma srie estacionria. Em muitos casos
prticos, a tomada de diferenas de primeira e segunda ordem so bastante eficazes
em tornar a srie estacionria, o que facilita a utilizao de modelos. A primeira
diferena de Z (t ) definida por:
Z (t ) = Z (t ) Z (t 1) .
(Eq. 3.2)
De modo geral, a n-sima diferena de Z (t )
n Z (t ) = [n 1 Z (t )] .
(Eq. 3.3)
Um processo estacionrio pode ser estritamente ou fracamente estacionrio.

As definies de tais processos so apresentadas a seguir:
Um processo estocstico Z = {Z (t ), t T } diz-se estritamente estacionrio se todas
as distribuies finito-dimensionais permanecem as mesmas sob translaes no
tempo, ou seja,
F ( z 1 , L , z n ; t1 + , L , t n + ) = F ( z 1 , L , z n ; t 1 , L , t n ) ,
(Eq. 3.4)
para quaisquer t1 , L , t n , de T.
Isto significa, em particular, que todas as distribuies unidimensionais so
invariantes ao longo do tempo, logo a mdia e a varincia da srie so constantes,
isto :
(t ) = , V (t ) = 2
(Eq. 3.5)
44
FUNDAMENTAO TERICA
para todo t T .
3.1.3 Rudo branco

Rudo branco trata-se de uma sequncia de valores aleatrios { t } que
amplamente utilizada nos modelos de sries temporais. Tais elementos so
caracterizados por terem mdia zero e varincia 2 ,
E ( t ) = 0
E ( t2 ) = 2
(Eq. 3.6)
,
(Eq. 3.7)
e terem todos os valores no-correlacionados no tempo:
E ( t ) = 0 para t .
(Eq. 3.8)
Assim, um processo que satisfaz tais condies chamado de rudo branco.

Se alm dessas caractersticas o processo seguir uma distribuio,
~ N (0, 2 ) ,
(Eq. 3.9)
ento o processo dito um rudo branco gaussiano.
3.1.4 Funo de autocovarincia (facv)

Uma importante anlise na modelagem de sries temporais observar a
covarincia entre os seus valores em diferentes instantes de tempo. Segundo
Morettin; Toloi (2006), para um processo X estacionrio de segunda ordem discreto
qualquer, sua funo de autocovarincia (facv) definida por:
(t1 , t 2 ) = E{X (t1 ) X (t 2 )} E{X (t1 )}E{X (t 2 )} .
(Eq. 3.10)
Em particular, se t1 = t 2 = t ,
(t , t ) = Var{X (t )} = E{X 2 (t )} E 2 {X (t )},
(Eq. 3.11)
que a (funo) varincia do processo X .

A facv tambm pode ser representada na forma , onde = E{X t X t + } .
45
FUNDAMENTAO TERICA
Alm da facv, outra funo que bastante utilizada na anlise de sries

temporais a funo de autocorrelao, definida por:
, Z .
0
(Eq. 3.12)
O valor de definido no intervalo [ 1, 1] , onde 1 indica perfeita

correlao, -1 indica perfeita correlao negativa e zero indica correlao nula.
Para processos puramente aleatrios, como um rudo branco, os seus valores
so independentes no tempo, ou seja, so no-correlacionados. Tal comportamento
pode ser visualizado atravs da funo de autocorrelao (fac) do processo:
Considere um processo puramente aleatrio tal que:
t ~ i.i.d .(0, 2 ) .
A fac desse rudo branco ilustrada na Figura 3-2:
-4
-2
Figura 3-2 Fac de um rudo branco.

Fonte: Morettin; Toloi (2006).
46
FUNDAMENTAO TERICA
3.1.5 Tipos de modelos

Os modelos de sries temporais existentes podem ser classificados em duas
classes:
1. Modelos lineares, que podem ser estacionrios ou no-estacionrios;
2. Modelos no-lineares, nos quais a srie explicada apresenta uma
combinao no-linear de parmetros.
Os tipos de modelo que sero apresentados nesta seo so os modelos
lineares estacionrios (AR, MA e ARMA), modelos lineares no-estacionrios
(ARIMA) e modelos no-lineares (ARCH, GARCH e Volatilidade Estocstica).
Como referncia aos outros tipos de modelos existentes, ver Morettin; Toloi (2006).
A teoria de sries temporais apresenta alguns operadores para facilitar a
manipulao dos modelos estudados. Os operadores que sero utilizados so:
a) Operador translao para o passado:
BZ t = Z t 1 , B m Z t = Z t m ;
(Eq. 3.13)
b) Operador diferena, j definido anteriormente:
Z t = Z t Z t 1 = (1 B) Z t .
(Eq. 3.14)
3.1.6 Modelos lineares

Os modelos lineares estacionrios podem ser representados como filtros
lineares, como na Figura 3-3:
(B)
at
Filtro Linear
Zt
Figura 3-3 - Diagrama representativo de um filtro linear.
Este filtro pode ser representado na forma:
Z t = + a t + 1 a t 1 + 2 a t 2 + K = + ( B) at ,
(Eq. 3.15)
( B) = 1 + 1 B + 2 B 2 + K ,
(Eq. 3.16)
em que
47
FUNDAMENTAO TERICA
denominada funo de transferncia do filtro, um parmetro determinando o

nvel da srie e B o operador translao para o passado.
~
Chamando Z t = Z t , temos que
~
Z t = ( B) at .
(Eq. 3.17)
Se a seqncia de pesos { j , j 1} for finita ou infinita e convergente, o

filtro dito estvel (somvel) e Z t estacionria. Neste caso, a mdia do
processo.
~
Uma forma alternativa de representar o processo Z t ponderando os valores
~ ~
passados Z t 1 , Z t 2 , K mais um rudo branco at :
~
~
~
~
Z t = 1 Z t 1 + 2 Z t 2 + K + a t = j Z t j + at .
(Eq. 3.18)
j =1
Segue-se que
~
1 j B j Z j = a t
j =1
ou
( B)Z t = at ,
(Eq. 3.19)
onde ( B) o operador
( B) = 1 1 B 2 B 2 K
que equivalente
( B) ( B)at = at ,
de modo que
( B) = 1 ( B) .
(Eq. 3.20)
Esta relao pode ser usada para obter os pesos j em funo dos pesos j e
vice-versa.
48
FUNDAMENTAO TERICA
3.1.6.1 Modelos AR
Considerando o filtro linear apresentado com j = 0, j > p , obtm-se um
modelo auto-regressivo de ordem p, denotado por AR(p):

p
~
~
Z t = j =1 j Z t j + a t .
(Eq. 3.21)
Assim, um modelo AR tenta prever o valor do instante t considerando uma

combinao linear de seus valores anteriores.
O caso mais simples o modelo AR(1):
~
~
Z t = 1 Z t 1 + at ,
(Eq. 3.22)
~
~
de maneira que Z t depende apenas de Z t 1 e do rudo branco no instante t . A Figura
3-4 apresenta um exemplo de uma srie de 50 observaes geradas a partir de um
processo AR(1):
Z t = 0,8Z t 1 + a t ,
onde a t ~ N (0, 1) .
5
4
3
AR(1)
2
1
0
-1
-2
-3
-4
10
20
30
40
50
Figura 3-4 - Srie de observaes de um modelo AR(1).
49
FUNDAMENTAO TERICA
No processo apresentado, temos que 1 = 0,8 , assim a funo de

autocorrelao do processo decai exponencialmente. A Figura 3-5 apresenta a fac
terica e amostral para o processo descrito, calculada com as observaes do mesmo.
Deve-se ressaltar que os parmetros de um modelo devem satisfazer algumas
restries para a modelagem adequada. No caso de um processo AR(1) qualquer, o
parmetro 1 da equao de auto-regresso deve satisfazer 1 <= 1 para que o
processo seja estacionrio e no exploda com a evoluo do tempo, j que, caso
contrrio, o processo apresentaria um crescimento exponencial.
Funo de autocorrelao (fac)
1
fac amostral
fac terica
0.9
0.8
0.7
fac
0.6
0.5
0.4
0.3
0.2
0.1
0
10
Lag
Figura 3-5 - Fac amostral e terica de um processo AR(1).
3.1.6.2 Modelos MA
Considerando o filtro linear Z t = + a t + 1 a t 1 + 2 a t 2 + K = + ( B) at ,
e supondo que j = 0, j > q , obtm-se um processo de mdias mveis de ordem q,
denotado por MA(p):
50
FUNDAMENTAO TERICA
p
~
Z t = j =1 j at j + a t ,
(Eq. 3.23)
~
de maneira que Z t depende apenas dos valores dos (t p ) rudos brancos passados
e do rudo branco no instante t . A Figura 3-6 apresenta um exemplo de uma srie de
50 observaes para um processo MA(1):
~
Z t = at 0,8at 1 .
2.5
2
1.5
1
MA(1)
0.5
0
-0.5
-1
-1.5
-2
-2.5
10
20
30
40
50
Figura 3-6 - Srie de observaes de um modelo MA(1).
E as funes de autocorrelao tericas e amostrais do processo so

apresentadas na Figura 3-7:
51
FUNDAMENTAO TERICA
Funo de autocorrelao (fac)

fac amostral
fac terica
0.5
0.4
0.3
0.2
fac
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
1
10
Lag
Figura 3-7 - Fac amostral e terica de um processo MA(1).
Neste caso, pode-se notar que a fac terica de um processo MA(q) igual a
zero para defasagens (lags) maiores do que q, ao contrrio do que acontece para
um processo AR, onde h um decaimento exponencial. Isto equivale dizer que um
processo MA(q) possui memria apenas at o elemento t q .
3.1.6.3 Modelos ARMA

Os modelos auto-regressivos e de mdias mveis podem ser teis para a
descrio parcimoniosa de uma srie, isto , a construo de um modelo com um
nmero de parmetros no muito grande. Um modelo genrico ARMA(p,q)
construdo a partir de uma parcela auto-regressiva e uma parcela de mdias mveis:
p
p
~
~
Z t = j =1 j Z t j + j =1 j at j + at .
(Eq. 3.24)
52
FUNDAMENTAO TERICA
3.1.6.4 Modelos ARIMA

Os modelos auto-regressivos integrados de mdias mveis (ARIMA) so
freqentemente utilizados para descrever o comportamento de sries econmicas e
sociais, onde os erros (resduos) observados so autocorrelacionados, e portanto
influenciam a evoluo do processo.
Os modelos ARIMA so bastante utilizados para descrever sries Z t tais que,
tomando-se um nmero finito de diferenas, d, tornam-se estacionrias (sries no-
estacionrias homogneas).
Se Wt = d Z t for estacionria, podemos representar Wt por um modelo
ARMA(p,q). Neste caso, trata-se de um processo ARIMA(p,d,q), que supe que a dsima diferena da srie Z t pode ser representada por um modelo ARMA. Como a
srie Wt gerada a partir de diferenas de Z t , ento Z t uma integral de Wt , e da
provm o nome de modelo auto-regressivo, integrado, de mdias mveis.
3.1.7 Modelos no-lineares

Os modelos abordados at agora so freqentemente utilizados para descrever
sries estacionrias ou no-estacionrias homogneas que apresentam varincia
constante. Para descrever o comportamento de sries que apresentam varincia
condicional que evolui com o tempo, os modelos do tipo ARIMA no so adequados.
H uma variedade muito grande de modelos no-lineares que tratam a
varincia como uma varivel no tempo. Exemplos mais conhecidos so os modelos
ARCH (autoregressive conditional heterocedasticity), os modelos GARCH
(generalized autoregressive heterocedasticity), e os modelos de volatilidade
estocstica (stochastic volatility). O objetivo comum dessas classes modelar a
varincia condicional dos retornos, ou seja, a sua volatilidade. Embora no possa ser
medida diretamente, a volatilidade tem um comportamento com algumas
caractersticas observveis (Pea et. al., 2001):
a) A volatilidade aparece em grupos, de maior ou menor variabilidade;
53
FUNDAMENTAO TERICA
b) A volatilidade evolui continuamente no tempo, e pode ser considerada

estacionria;
c) Ela reage de modo diferente a valores positivos ou negativos da srie.
3.1.7.1 Modelos ARCH

Os modelos ARCH (auto-regressivos com heteroscedasticidade condicional),
apresentados por Engle (1982), surgiram com o objetivo de estimar a varincia da
inflao. Nestes modelos, o retorno
Xt
considerado no-correlacionado
serialmente, mas a volatilidade depende dos retornos passados, por meio de uma
funo quadrtica. Um modelo ARCH(r) definido por:
X t = ht at ,
(Eq. 3.25)
ht = 0 + 1 X t21 + K + r X t2 r ,
(Eq. 3.26)
onde at i.i.d. (0, 1) , 0 > 0, i 0, i > 0 .

Os coeficientes i devem satisfazer certas condies, dependendo do tipo de
imposio que o processo X t deve seguir (uma imposio necessria que a
volatilidade ht seja estacionria e positiva).
Este modelo caracterizado por apresentar caudas longas, isto , caso X t
siga um modelo ARCH, as caudas sero mais pesadas do que as da normal (isto ,
curtose de X t maior do que a de um processo normal). Dado que os retornos das
sries financeiras apresentam este tipo de caracterstica, os modelos ARCH
apresentam uma propriedade vantajosa. Outra vantagem do modelo que a
estimao dos seus parmetros pode ser realizada facilmente pelo mtodo de mxima
verossimilhana
condicional
(que
ser
apresentado
posteriormente).
Uma
desvantagem do modelo que este no assume que retornos positivos ou negativos

impactam de forma diferente na volatilidade, o que observado na prtica.
54
FUNDAMENTAO TERICA
3.1.7.2 Modelos GARCH

Como o prprio nome diz, o modelo GARCH uma generalizao dos
modelos ARCH (generalized ARCH), sugerida por Bollerslev (1986). Do mesmo
modo que um modelo ARMA pode ser mais parcimonioso do que um modelo AR ou
MA puro, um modelo GARCH pode ser usado para descrever a volatilidade com
menos parmetros do que um modelo ARCH.
Um modelo GARCH(r,s) definido por:
X t = ht at ,
(Eq. 3.27)
i =1
j =1
ht = 0 + i X t2i + j ht j ,
(Eq. 3.28)
onde at i.i.d. (0,1), 0 > 0 , i 0 , j 0 ,
(
q
i =1
+ i ) < 1 , q = max(r , s ) .
Como no caso de um modelo ARCH, usualmente supe-se que os at so normais ou

seguem uma distribuio t de Student com graus de liberdade.
possvel derivar uma equao para a varincia no-condicional do modelo,
expressa por:
E ( X t2 ) =
1 i =1 ( i + i )
q
(Eq. 3.29)
Assim como os modelos ARCH, o modelo GARCH apresenta algumas

caractersticas vantajosas, como: a possibilidade pela estimao dos parmetros via o
mtodo de mxima verossimilhana, apresenta caudas pesadas, volatilidades altas
so precedidas de retornos ou volatilidades grandes.
Em geral, existe uma alta persistncia na volatilidade das sries de retornos, o
que implica num alto valor de r para um modelo ARCH(r) e, portanto, a
necessidade de estimao de um grande nmero de parmetros. Assim, o modelo
GARCH surge como uma tentativa de expressar de forma mais parcimoniosa a
dependncia temporal dos retornos da varincia condicional. Deste modo, alm de
depender do quadrado dos retornos passados, como no modelo ARCH, a volatilidade
tambm depende das prprias varincias condicionais passadas.
FUNDAMENTAO TERICA
55
H uma literatura muito grande sobre extenses dos modelos ARCHGARCH, como os modelos IGARCH, EGARCH, TARCH, QGARCH, entre outros.
Como referncia a estes e outros tipos de modelos no-lineares, ver Morettin; Toloi
(2006), Nelson (1991) e Zakoian (1994).
3.1.7.3 Modelos de Volatilidade Estocstica

O modelo que ser desenvolvido no presente trabalho trata-se de um
problema univariado de volatilidade estocstica. Para a resoluo do modelo e
estimao dos seus parmetros na sua aplicao, necessria a utilizao da teoria de
inferncia Bayesiana e de algoritmos de simulao via MCMC, que sero
apresentados na Seo 3.2. Assim, a apresentao dos modelos de volatilidade
estocstica ser realizada posteriormente, na Seo 3.3.
3.1.8 Diagnsticos de Modelos

Aps a etapa de estimao dos parmetros de um modelo, necessrio
verificar se ele representa adequadamente a srie objeto de estudo. Esta etapa de
validao do modelo pode ajudar tambm a sugerir modelos alternativos em caso de
inadequao.
H diversos testes de adequao de um modelo de sries temporais, sendo
que a maioria baseia-se nas autocorrelaes estimadas dos resduos (isto , a
autocorrelao dos erros entre a srie real e a srie ajustada). Os testes que sero
apresentados so os testes comumente usados para a verificao de adequao dos
modelos ARCH-GARCH.
3.1.8.1 Teste de Ljung-Box

O teste da estatstica Q , proposto por Box e Pierce (1970), utilizado para a
verificao da aleatoriedade em um conjunto de dados. Assim, a partir das
56
FUNDAMENTAO TERICA
autocorrelaes dos resduos de um modelo, o teste verifica a hiptese nula da

ausncia de correlao serial dos dados.
Assim, se o modelo for adequado, a estatstica
rj2
Q ( K ) = n ( n + 2)
j =1
(Eq. 3.30)
(n j )
ter aproximadamente uma distribuio 2 com K p q graus de liberdade, onde

n o tamanho da amostra, K o nmero de lags autocorrelacionados includos
no teste, e rj2 o quadrado da autocorrelao amostral no lag j .

As hipteses do teste para um conjunto de dados so:
H 0 : os dados so aleatrios.
H 1 : os dados no so aleatrios.
Para um nvel de significncia , a hiptese nula rejeitada se:
Q ( K ) > 12 , K
onde 12 , K representa o -simo quantil de uma distribuio chi-quadrada com K
graus de liberdade.
3.1.8.2 Teste de multiplicadores de Lagrange

O teste de multiplicadores de Lagrange (ML), proposto por Engle (1982),
consiste em testar:
H 0 : no h heterocedasticidade condicional dos resduos.
H 1 : h heterocedasticidade condicional dos resduos.

Em termos matemticos, o ML consiste em testar:
57
FUNDAMENTAO TERICA
H 0 : i = 0 , para todo i = 1,K , r , na regresso:

X t2 = 0 + 1 X t21 + K + r X t2 r + u t ,
(Eq. 3.31)
para t = r + 1,K , n , onde X t2 o quadrado do resduo do modelo no instante t . A

estatstica do teste :
T = NR 2 ~ 2 (r )
em que R 2 o coeficiente de determinao da regresso.

O teste rejeita a hiptese nula de ausncia de heterocedasticidade condicional
dos resduos do modelo caso o valor de T seja maior que a sua estatstica no nvel de
significncia escolhido.
3.1.8.3 Anlise da fac residual

A anlise da autocorrelao dos resduos do modelo tentativo pode ser feita
atravs da construo da funo de autocorrelao. Atravs dela, pode-se verificar se
h persistncia de autocorrelao nos resduos, o que indicaria uma inadequao do
modelo em explicar esta correlao ainda existente. recomendvel realizar esta
anlise tambm para os quadrados dos resduos padronizados, para a verificao de
heterocedasticidade residual, o que pode ser realizado atravs do Teste de
multiplicadores de Lagrange.
58
FUNDAMENTAO TERICA
3.2. Inferncia Bayesiana

Inferncia o processeo de utilizao da teoria estatstica para analisar e
descrever alguma populao a partir de uma amostra. O objetivo principal realizar
afirmaes sobre quantidades desconhecidas, buscando extrair informaes do todo a
partir de um pedao.
Atualmente, h duas correntes de inferncia estatstica: a freqentista e a
Bayesiana. A principal diferena entre elas que na inferncia Bayesiana,
informaes prvias sobre a varivel de interesse podem ser incorporadas s anlises.
As informaes a priori, para serem devidamente incorporadas na anlise, devem ser
traduzidas em uma distribuio de probabilidade. Tal distribuio do parmetro
populacional chamada de distribuio a priori. Caso seja interessante considerar
informaes subjetivas, estas devem ser devidamente traduzidas em funes de
distribuio de probabilidade, para que possam ser incorporadas na anlise. A
distribuio de densidade a priori, portanto, denota o grau de conhecimento
acumulado sobre o processo, antes da observao dos dados amostrais.
O objetivo da inferncia estatstica usar informaes para realizar
inferncias sobre parmetros desconhecidos. A inferncia Bayesiana uma parte da
estatstica que alm de utilizar as informaes disponveis (dados) para fazer
afirmaes, agrega as informaes a priori. Assim, a inferncia Bayesiana busca
atribuir funes de probabilidades para uma varivel de maneira condicional aos
dados da amostra e s informaes a priori.
As informaes a priori devem ser explicadas atravs de uma distribuio de
probabilidade adequada para que, em conjunto com os dados observados, se consiga
obter uma distribuio de probabilidade a posteriori, que a distribuio de
probabilidade de parmetros dado as informaes a priori, os dados observados e os
valores de outros parmetros.
Seja o vetor de parmetros desconhecidos de um modelo definido, e X o
vetor de dados observados. As informaes a priori dos parmetros so especificadas
atrves de uma funo f ( ) . Seja f ( X | ) a funo de verossimilhana. Assim,
usando a teoria de probabilidade condicional:
59
FUNDAMENTAO TERICA
f ( | X ) =
f ( , X ) f ( X | ) f ( )
=
f (X )
f (X )
(Eq. 3.32)
onde f ( X ) , distribuio marginal dos dados, pode ser obtida por:

f ( X ) = f ( X , )d = f ( X | ) f ( )d.
(Eq. 3.33)
A distribuio f ( | X ) na Eq. 3.32 chamada de distribuio a posteriori de

. Em geral, podemos escrever:
f ( | X ) f ( X | ) f ( ).
(Eq. 3.34)
Tal equao tambm pode ser expressa usando a funo de verossimilhana.

Dado X , qualquer funo proporcional a f ( X | ) chamada de funo de
verossimilhana, l( ) . A forma da curva posteriori inteiramente determinada por
l( ) e pela priori no numerador, o que pode ser escrito como:
f ( | X ) l( ) f ( ).
(Eq. 3.35)
Caso l( ) = f ( X | ) , ento a constante de proporcionalidade a distribuio

marginal dos dados, f ( X ) = f ( X , )d = f ( X | ) f ( )d .
Na maioria das aplicaes, de interesse obter a distribuio marginal de
cada um dos elementos do vetor de parmetros, isto , a partir da distribuio
posteriori conjunta, obter as distribuies posterioris marginais dos parmetros.
Assim, considerando um problema de inferncia com um vetor de parmetros
= (1 , 2 , 3 ) , por exemplo, a distribuio posteriori marginal do parmetro 1

pode ser obtida a partir da posteriori conjunta f ( | X ) = f ( 1 , 2 , 3 | X ) por:
f ( 1 | X ) = f (1 , 2 , 3 | X )d 2 d 3 .
(Eq. 3.36)
3.2.1 Distribuies a Priori Conjugadas

Obter a distribuio a posteriori nem sempre trivial, mas h alguns casos
em que a priori e a posteriori pertencem a uma mesma famlia de distribuies.
60
FUNDAMENTAO TERICA
Nesse caso, a priori chamada de distribuio conjugada. A existncia de tal

distribuio implica a possibilidade de se obter uma expresso analtica para a
posteriori, o que facilita muito a conduo da anlise Bayesiana. Em modelos que
apresentam uma distribuio a priori no-conjugada, outros mtodos devem ser

utilizados para o clculo das distribuies a posteriori. O mtodo mais utilizado para
tais situaes o Markov Chain Monte Carlo (MCMC), que a utilizao de
procedimentos nmericos para o clculo das integrais necessrias. Entre os
algoritmos MCMC mais aplicados esto o Amostrador de Gibbs, MetropolisHastings e o Griddy Gibbs, que sero apresentados posteriormente.
comum a utilizao de distribuies conjugadas na inferncia Bayesiana,
principalmente quando no h muita certeza nas informaes sobre os parmetros do
modelo. Alm disso, em casos de incerteza, as prioris so caracterizadas por
possurem valores pouco informativos de seus hiperparmetros, que so os
parmetros das distribuies a priori. Nesse sentido, os hiperparmetros tratam-se de
parmetros de parmetros. importante observar nos resultados da inferncia
Bayesiana a dependncia dos resultados obtidos em relao s suas prioris. De modo
geral, a obteno de distribuies posterioris bem definidas e diferentes das suas
respectivas prioris so um bom indicador da coerncia e convergncia do algoritmo.
A seguir, so apresentadas algumas distribuies conjugadas bastante
utilizadas na inferncia Bayesiana atravs de resultados disponveis na literatura,
apresentados por Tsay (2002). Sero abordadas as distribuies que sero utilizadas
posteriormente na resoluo do problema proposto, Para mais informaes sobre
outras distribuies conjugadas, ver DeGroot (1970).
Resultado 1: Suponha que x1 , K , x n formem uma amostra aleatria de uma

distribuio normal com mdia , que desconhecida, e varincia 2 , conhecida.
Suponha que a distribuio priori de uma normal com mdia 0 e varincia
02 . Ento a distribuio posteriori de dado os valores observados e a priori

uma normal com mdia e varincia 2 segue uma distribuio normal com:
FUNDAMENTAO TERICA
61
2 0 + n 02 x
2 02
2
,
e
=
2 + n 02
2 + n 02
onde x = i =1 xi / n a mdia amostral.

n
Na anlise Bayesiana, geralmente conveniente usar o parmetro de preciso
= 1 / 2 . Sendo 0 = 1 / 02 o parmetro de preciso da distribuio priori, e

= 1 / 2 , o resultado apresentado pode ser reescrito na forma
= 0 + n e =
0
n
0 +
x.
Ainda em relao ao resultado apresentado, as informaes observveis (isto

, o conjunto de dados) sobre esto contidas na mdia amostral x , que a
estatstica suficiente de . A preciso de x n / 2 = n . Conseqentemente, a
expresso dos parmetros da posteriori mostra que (a) a preciso da distribuio
posteriori a soma das precises da priori e da amostra, e (b) a mdia da posteriori
uma mdia ponderada da mdia da priori e da mdia amostral, com peso

proporcional preciso. Alm disso, o resultado mostra que a contribuio da
distribuio priori para a anlise diminui com o aumento do nmero de observaes
n.
O resultado obtido pode ser estendido para a distribuio normal

multivariada. Neste caso, dada uma distribuio com um vetor de mdia e matriz
de covarincia conhecida com uma priori normal multivariada com vetor de
mdia 0 e matriz de covarincia 0 , ento a distribuio posteriori de tambm
multivariada normal com vetor de mdia e matriz de covarincia , onde
1 = 01 + n 1 e = ( 01 0 + n 1 x ) .
onde x = i =1 x i / n o vetor das mdias amostrais, que distribuda sendo uma
n
normal multivariada com mdia e matriz de covarincia / n . Pode notar-se que
62
FUNDAMENTAO TERICA
n 1 a matriz de preciso de x e 01 a matriz de preciso da distribuio a

priori.
Resultado 2: Suponha que x1 , K , x n formem uma amostra aleatria de uma

distribuio normal com mdia zero e varincia 2 . Suponha tambm que a
distribuio priori de 2 uma inversa chi-quadrada com graus de liberdade, isto
( )
~ 2 , onde > 0 .
Nessas condies, a distribuio posteriori de 2 tambm ser uma inversa

chi-quadrada com + n graus de liberdade
( + i =1 xi2 )
n
~ 2+ n .
A distribuio inversa qui-quadrada bastante utilizada em modelos que

apresentam variveis aleatrias com varincia condicional. Uma varivel Y tem uma
distribuio inversa qui-quadrada com graus de liberdade se 1 / Y segue uma
distribuio qui-quadrada com os mesmos graus de liberdade. A funo densidade de
probabilidade de Y
f ( y | ) =
Para
2 / 2 ( / 2+1) 1 /( 2 y )
y
e
, y > 0.
( / 2)
essa
distribuio
tem-se
que
(Eq. 3.37)
E (Y ) = 1 /( 2)
se
>2
Var (Y ) = 2 /[( 2) 2 ( 4)] se > 4 .
FUNDAMENTAO TERICA
63
3.2.2 Simulao por Cadeias de Markov

Para contornar os casos em que uma forma analtica da distribuio a
posteriori no pode ser obtida (ou for extremamente difcil de obter), recentemente
foram usados mtodos baseados em simulao chamados Markov Chain Monte
Carlo.
Os mtodos de inferncia Baysiana baseados em simulao estocstica
(MCMC) utilizam a teoria de cadeias de Markov e tcnicas de simulao. O conceito
de cadeia de Markov atribudo ao matemtico russo Andrei Andreivich Markov,
que desenvolveu um modelo probabilstico onde sucessivos resultados dependiam
somente dos resultados imediatamente predecessores.
Em relao inferncia Bayesiana, os algoritmos existentes utilizam a teoria
de Markov, e suas convergncias so provadas usando as propriedades desta teoria.
Entretanto, para fins prticos, ou seja, de implementao dos algoritmos, o
conhecimento sobre a teoria de Markov no crucial. Assim, a teoria de cadeias de
Markov no ser apresentada neste presente trabalho, mas para maiores detalhes ver
Feller (1968), Meyn e Tweedie (1993), Nummelin (1984) e Ross (1996).
Em suma, o principal objetivo dos algoritmos MCMC presentes pode ser
apresentado como a seguir:
Dado um vetor de parmetros e um conjunto de dados X, a simulao de
Markov Chain busca uma distribuio de transio estcionria para os parmetros,
que ser a distribuio desejada f(|X). A idia principal no MCMC criar um
processo de Markov cuja distribuio de transio estacionria seja f(|X) e rodar
uma simulao suficientemente grande para obter sua distribuio estacionria.
3.2.3 Mtodos baseados em simulao estocstica

Recentemente vrios algortmos foram desenvolvidos a fim de contornar as
dificuldades existentes em modelos no-conjugados e, aliados ao avano da
64
FUNDAMENTAO TERICA
capacidade computacional de processamento de dados, apresentam extrema

importncia prtica para a inferncia Bayesiana.
Os principais algoritmos MCMC so:
Amostrador de Gibbs (Gibbs sampling);
Metropolis-Hastings;
Griddy Gibbs.
Os algoritmos que sero utilizados na resoluo deste trabalho so o

Amostrador de Gibbs e o Griddy Gibbs. Para maiores detalhes sobre os algoritmos
Metropolis-Hastings, entre outros, ver Gamerman (2006).
3.2.3.1 Amostrador de Gibbs

Apresentado por Geman and Geman (1984) e Gelfand e Smith (1990) um
dos mtodos mais populares de MCMC. O Amostrador de Gibbs usado em
situaes em que a funo de verossimilhana dficil de se obter, mas as
distribuies condicionais de seus parmetros, dados os outros parmetros, so
disponveis.
O Amostrador de Gibbs baseia-se no conceito de data augmentation, que
consiste na adio de variveis auxiliares para a resoluo de um problema. Assim, o
problema decomposto em diversos problemas menores, menos complexos, e mais
fceis de serem resolvidos.
O algoritmo de Gibbs diminui a complexidade do problema, pois decompe
um problema de estimao de muitas dimenses em vrios problemas de dimenses
menores, via as distribuies condicionais dos parmetros. Assim, no extremo, um
problema de dimenso N poderia ser decomposto em N problemas univariados de
distribuio condicional. Cabe-se ressaltar que nem sempre tal decomposio
eficiente. Se os parmetros forem altamente correlacionados, difcil tirar amostras
da distribuio a posteriori conjunta dos parmetros.
65
FUNDAMENTAO TERICA
Dado o conjunto de parmetros de um modelo M proposto. Considere X

como o conjunto de todas as variveis explicativas do modelo. O objetivo estimar
os parmetros do modelo para que este possa ser usado para realizar inferncias.
Suponha que a funo de verossimilhana seja difcil de obter, ou que sua resoluo
seja infactvel. Assim, se as distribuies condicionais de um nico parmetro, dados
os outros parmetros, forem fceis de obter, o Amostrador de Gibbs pode ser usado
para a construo de uma cadeia de Markov que, ao tornar-se estacionria,
corresponder a distribuio conjunta dos parmetros do modelo.
A seguir, um exemplo genrico do algoritmo apresentado:
Considere um modelo com trs parmetros 1, 2 e 3. Denote a coleo de
dados disponveis por X, e o modelo proposto por M. O Amostrador de Gibbs pode
ser utilizado para calcular a funo de verossimilhana caso as seguintes
distribuies condicionais sejam conhecidas:
f 1 (1 | 2 , 3 , X , M );
f 2 ( 2 | 3 , 1 , X , M );
f 3 ( 3 | 1 , 2 , X , M ),
onde f i ( i | i j , X , M ) denota a distribuio condicional do parmetro i dados o

conjunto de observaes, o modelo e os outros parmetros j , j i .
Considere 2,0 e 3,0 como dois valores arbitrrios de 2 e 3. O amostrador de
Gibbs procede da seguinte maneira:
1. Tire uma amostra de f 1 ( 1 | 2, 0 , 3,0 , X , M ) . Denote a amostra calculada
por 1,1.
2. Tire uma amostra de f 2 ( 2 | 3, 0 ,1,1 , X , M ) . Denote a amostra calculada
por 2,1.
3. Tire uma amostra de f 3 ( 3 | 1,1 , 2,1 , X , M ), . Denote a amostra calculada
por 3,1.
A iterao repetida atualizando-se os valores iniciais para 1,1, 2,1 e 3,1.
Assim, o ciclo repete-se por um nmero m de vezes at que se obtenha a seqncia
de amostras aleatrias:
1,1 , 2,1 , 3,1 ,K , (1,m , 2,m , 3, m ) .
66
FUNDAMENTAO TERICA
Se algumas condies forem respeitadas, pode-se mostrar que, para um

nmero suficientemente grande de m,
(1, m , 2, m , 3,m )
equivalente
retirada
uma
f ( 1 , 2 , 3 | X , M )
amostra
aleatria
da
aproximadamente
distribuio
conjunta
dos trs parmetros. As condies necessrias para a
convergncia do algoritmo essencialmente requerem que os valores paramtricos

iniciais (1,0 , 2,0 , 3, 0 ) podem visitar todo o espao paramtrico .
Na prtica, usa-se um nmero suficientemente grande n e descartam-se as
primeiras m amostras aleatrias retiradas do Amostrador de Gibbs.
3.2.3.2 Griddy Gibbs

Em alguns problemas de inferncia, a forma da distribuio condicional de
todos os parmetros (a chamada distribuio condicional cheia) no conhecida, o
que impossibilita a amostragem via os algoritmos tradicionais. Isto ocorre na maioria
das aplicaes financeiras onde h distribuies a posteriori no-lineares dos
parmetros (usual em modelos de volatilidade).
Ritter e Tanner (1992) propuseram um esquema de amostragem para casos
que apresentam condicionais cheias difceis. O mtodo baseia-se em avaliar a
condicional cheia em alguns pontos selecionados, como apresentado por Gamerman
(2006), a seguir:
Considere i um parmetro escalar com distribuio condicional posteriori
f ( i | X , i ) , onde i o vetor de parmetros aps remover i . Por exemplo, se
= (1 , 2 , 3 )' , ento 1 = ( 2 , 3 )' . Assim, o Griddy Gibbs consiste em:
1. Selecionar um conjunto de pontos de um intervalo adequadamente

escolhido de i , como i1 i 2 L im . Avaliar a funo densidade da
condicional posteriori para obter w j = f ( ij | X , i ) para j = 1,L , m .
67
FUNDAMENTAO TERICA
2. Usar w1 ,L , wm para obter uma aproximao da funo inversa de

distribuio de probabilidade acumulada (FPA) de f ( ij | X , i ) .
3. Tirar uma amostra de uma varivel uniformemente distribuda em (0,1) e
transformar a observao da distribuio uniforme atravs da funo
inversa FPA aproximada, para obter uma amostra aleatria de i .
Uma aproximao simples para a funo inversa FPA uma distribuio
discreta para { ij }j =1 com probabilidade p ( ij ) = w j / v =1 wv .
m
A amostragem de um i genrico ilustrada na Figura 3-8 da funo inversa

FPA para uma distribuio normal:
2
1.5
1
0.5
0
-0.5
-1
-1.5
-2
0.1
0.2
0.3
0.4
0.5
FPA
0.6
0.7
0.8
0.9
Figura 3-8 - Inversa FPA para uma distribuio normal padro.
A Figura 3-8 ilustra uma inversa FPA para uma distribuio normal com
mdia 0 e desvio-padro 1. A amostragem de i foi realizada com um valor da
68
FUNDAMENTAO TERICA
varivel uniforme de 0,60, que resultou em um valor de 0,2533 para i . O clculo de
i foi realizado usando a inversa FPA da curva normal:

x = F 1 ( p | , ) = {x : F ( x | , ) = p}
(Eq. 3.38)
onde
1
p = F ( x | , ) =
2
( t )2
2 2
dt
(Eq. 3.39)
e, para o exemplo apresentado,
p = 0,60 , = 1 e = 1 .
A curva apresentada contnua, porm na prtica a obteno do valor de i
pode ser realizada atravs de uma interpolao simples entre os pontos da FPA
discreta aproximada.
Em aplicaes prticas, a escolha do intervalo [ i1 , im ] deve ser feita
cuidadosamente. Um procedimento simples para a validao do intervalo observar
o histograma das amostras de i . Caso estas estejam muito concentradas nos
extremos do intervalo, o intervalo deve ser expandido. Em contrapartida, caso os
valores estejam muito distantes dos extremos, o intervalo deve ser diminudo, pois
caso contrrio o Griddy Gibbs torna-se ineficiente visto que a maioria dos w j seriam
zero.
Outra considerao relevante que o Griddy Gibbs pode ser utilizado
juntamente com o Amostrador de Gibbs para obter amostras de vrios parmetros de
interesse.
69
FUNDAMENTAO TERICA
3.3. O Modelo de Volatilidade Estocstica

O modelo que ser desenvolvido no presente trabalho foi proposto por
Jacquier et. al. (1994), e as equaes para a mdia e para a volatilidade (ht ) de uma
srie de retornos rt so:
rt = 0 + 1 x1t + L + p x pt + a t , a t = ht t
(Eq. 3.40)
ln ht = 0 + 1 ln ht 1 + t
(Eq. 3.41)
onde {xit i = 1,L , p} so variveis explicativas conhecidas no tempo t 1 , j so

parmetros,
{ t }
so variveis independentes e de idnticas distribuies de
probabilidade (iid) com mdia 0 e varincia 1, {vt } tambm um rudo branco com
mdia 0 e varincia 2 , e
{ t }
{vt }
so independentes A transformao
logartmica utilizada para assegurar que ht seja positivo para qualquer t. Alm
disso, assume-se que 1 < 1 para que ln ht seja estacionrio. Caso seja de interesse,
um modelo AR de maior ordem pode ser utilizado para ln ht , o que equivale a
utilizar diferenas ln ht p , onde p refere-se ordem do modelo AR.
Sejam:
= ( 0 , 1 ,K , p )' o vetor de coeficientes da equao da mdia;

= ( 0 , 1 , v2 )' o vetor de parmetros da equao da volatilidade;
R = ( r1 , K, rn )' a coleo dos retornos observveis;
X a coleo das variveis explicativas do modelo;
H = ( h1 ,K , hn )' o vetor de volatilidades no-observveis.
Os parmetros e so tradicionais, enquanto H um vetor de variveis

auxiliares. A estimao do modelo via o mtodo de mxima verossimilhana seria
complicada, pois a funo de verossimilhana uma mistura sobre a distribuio ndimensional H, dada por:
f ( R | X , , ) = f ( R | X , , H ) f ( H | ) dH
70
FUNDAMENTAO TERICA
Contudo, sobre a tica Bayesiana, o vetor de volatilidade H consiste em

parmetros segmentados. Condicionando em H, pode-se focar nas funes de
distribuio de probabilidades
f (R | H , ) ,
f ( H | ) , e a distribuio priori
p ( , ) . Assume-se que a distribuio a priori pode ser particionada em

p ( , ) = p ( ) p() , ou seja, que as distribuies a priori das equaes da mdia e
da volatilidade so independentes. Assim, uma abordagem pelo Amostrador de
Gibbs para estimar a volatilidade estocstica nas equaes envolve tirar amostras das
seguintes distribuies condicionais a posteriori:
f ( | R, X , H , ) , f ( H | R, X , , ) , f ( | R, X , , H ) ,
sendo que, na convergncia do algortmo, a cadeia estacionria resultante ser
equivalente a amostrar diretamente da distribuio conjunta a posteriori
f ( , H , | X ) .
71
CONSTRUO DO MODELO
4. CONSTRUO DO MODELO
O objetivo desta seo desenvolver um modelo de sries temporais para o
ndice IBOVESPA que considere a volatilidade como uma varivel que evolui no
decorrer do tempo. Para tal, dois modelos sero realizados: GARCH e MVE (Modelo
de Volatilidade Estocstica). O intuito verificar se o modelo de volatilidade
estocstica apresenta um desempenho melhor que o modelo GARCH em termos de
descrio e previso da srie de retornos do IBOVESPA. H vrios tipos de modelos
de volatilidade estocstica, e o que ser desenvolvido nesta seo a formulao
proposta por Jacquier et. al. (1994).
A proposta por um modelo MVE surge como um aprimoramento dos
modelos ARCH-GARCH, por considerar termos estocsticos tanto para a equao da
mdia quanto da volatilidade dos retornos. Considerando um MVE simples genrico:
rt = 0 + at , at = ht t ,
(Eq. 4.1)
ln ht = 0 + 1 ln ht 1 + t ,
(Eq. 4.2)
onde t e t so rudos brancos independentes, tais que t ~ N (0,1) e
t ~ N (0, 2 ) , rt o retorno do instante t, ht a volatilidade do instante t e

0 , 0 , 1 , 2 so os parmetros do modelo.
Neste caso, pode-se notar que a volatilidade possui um termo estocstico t ,
que no est presente nos modelos ARCH-GARCH. O fato de os modelos MVE
apresentarem termos de erro tanto para a equao da mdia quanto da volatilidade
surge como uma considerao natural de que ambas variveis so processos
aleatrios, ou seja, apesar de serem dependentes de outras variveis (inclusive de
seus prprios valores passados), sempre haver uma componente de incerteza,
proveniente da sua caracterstica estocstica.
A srie de retornos que ser modelada uma srie de valores dirios do
IBOVESPA de 2-jan-2002 a 28-dez-2007, num total de 1484 observaes. Na Figura
4-1 so ilustradas as cotaes e os log retornos da srie:
72
CONSTRUO DO MODELO
IBOVESPA dirio
80,000
70,000
60,000
50,000
40,000
30,000
20,000
10,000
2002
2003
2004
2005
2006
2007
2008
2006
2007
2008
Log retornos dirios

10%
8%
6%
4%
2%
0%
-2%
-4%
-6%
-8%
-10%
2002
2003
2004
2005
Figura 4-1 - Evoluo das cotaes dirias do IBOVESPA e os log retornos da srie.
interessante observar o histograma e o grfico PPN (Normal Probability

Plot) para visualizar algumas caractersticas da srie em estudo na Figura 4-2 e
Figura 4-3, respectivamente:
73
CONSTRUO DO MODELO
Histograma dos log retornos dirios

35
30
25
20
15
10
0
-8%
-6%
-4%
-2%
0%
2%
4%
6%
8%
Figura 4-2 - Histograma dos log retornos do IBOVESPA.

Normal Probability Plot
0.999
0.997
Probability
0.99
0.98
0.95
0.90
0.75
0.50
0.25
0.10
0.05
0.02
0.01
0.003
0.001
-6%
-4%
-2%
0%
Data
2%
4%
Figura 4-3 - PPN dos log retornos do IBOVESPA.
6%
74
CONSTRUO DO MODELO
Os grficos mostram a caracterstica de caudas pesadas nos retornos, o que

chamado de excesso de curtose. Este fato pode ser claramente observado no grfico
PPN, onde h diversos pontos (principalmente em retornos negativos) fora da reta,
indicativo da no-normalidade dos dados.
As principais estatsticas da srie so apresentadas na Tabela 4-1:
Estatstica
Valor
Mdia
Mediana
Desvio padro
Mnimo
Mximo
Assimetria
Curtose
0,1028
0,1600
1,7156
-6,8565
6,1503
-0,2920
3,6792
Tabela 4-1 - Estatsticas descritivas da srie de log retornos do IBOVESPA.
O primeiro passo para a resoluo do problema a proposio de um modelo

GARCH para a srie de retornos do IBOVESPA. O modelo que ser utilizado o
GARCH(1,1) dado por:
rt = + a t , at = ht t ,
(Eq. 4.3)
ht = 0 + 1 at21 + 1 ht 1 .
(Eq. 4.4)
Como visto anteriormente, os modelos GARCH podem ser estimados via o

mtodo de mxima verossimilhana condicional. Supondo normalidade dos t ,
pode-se derivar a funo de log-verossimilhana, condicionada s m primeiras
observaes, dada por:
1 n
1 n xt2
l(, | x1 , x 2 , K , x m ) ln(ht )
.
2 t = m +1
2 t = m +1 ht
(Eq. 4.5)
Bollerslev (1986) utiliza h j = 2 , j = 1, K , s , onde 2 = t =1 X t2 / n , e n o

n
nmero de observaes. Assim, as estimativas dos parmetros so obtidas atravs de

mtodos de maximizao da funo l( , | x1 , K , x m ) , tais como Newton-Raphson,
75
CONSTRUO DO MODELO
Scoring, Gauss-Newton, etc. Para a maximizao da funo e estimao dos

parmetros, utilizou-se o software matemtico MATLAB.
A sada da estimao do modelo GARCH(1,1) e a maximizao da funo de
verossimilhana condicional apresentada na Tabela 4-2:
Parmetro
Valor
Erro Padro
t-stat
0,14134
0,043872
3,2216
0,083756
0,031805
2,6334
0,92357
0,020105
45,9380
0,047729
0,011612
4,1103
Valor da log-verossimilhana: -2868,17

Tabela 4-2 - Estimao do modelo GARCH(1,1) para a srie de retornos do IBOVESPA.
Assim, o modelo torna-se:
rt = 0,14134 + a t , at = ht t ,
ht = 0,083756 + 0,92357 a t21 + 0,0477295ht 1 .
Para verificar a adequao ou no do modelo GARCH ajustado, os resduos
do modelo devem ser analisados e testes estatsticos devem ser feitos. A verificao
do modelo ajustado ser realizada juntamente com a verificao do modelo de
volatilidade estocstica.
4.1. Etapas da construo do modelo

A proposta de um modelo de volatilidade estocstica para a srie de retornos
do IBOVESPA no foi feita ao acaso. Para a escolha de um modelo a ser ajustado, os
principais fatores que foram considerados so:
1. Necessidade de considerar a varincia da srie como condicional e que evolui
com o tempo;
76
CONSTRUO DO MODELO
2. Constatao (atravs da anlise das estatsticas amostrais e histograma dos

dados) da no-normalidade dos dados de retornos, evidenciado pela presena
de caudas pesadas no histograma e pelo comportamento do PPN;
3. Observao, no grfico dos retornos, que as variaes da srie aparecem em
grupos de maior ou menor volatilidade (como de senso comum na anlise
de sries financeiras);
4. Tentativa de construir um modelo que obtenha um desempenho melhor que
os modelos ARCH-GARCH. O desempenho pode ser medido principalmente
pela anlise dos resduos do modelo ajustado.
Para um melhor entendimento das etapas que devem ser realizadas, e da

ordem em que ocorrero, apresentado um fluxograma do processo de construo do
modelo, conforme a Figura 4-4:
Mtodos de
verossimilhana
Sim
Observao
dos dados
Estabelecimento do modelo
Algoritmos de
amostragem aproximada
(M-H, G.G)
No
Definio dos
parmetros
Posteriori
conjunta
pode ser
calculada?
Definio das
prioris e hiperparmetros
Todas as
posterioris
podem ser
calculadas?
No
Definio das
posterioris
condicionais
Sim
Atribuio de
valores iniciais
Rodar simulao
via Amostrador de
Gibbs
Verificao de
convergncia dos
parmetros
Validao do
modelo
Clculo de estatsticas
dos parmetros (mdia,
varincia, histograma)
Figura 4-4 - Fluxograma do processo de construo do modelo de volatilidade estocstica.
77
CONSTRUO DO MODELO
4.1.1 O Modelo Proposto

O modelo proposto trata um conjunto de dados, R, como um vetor gerado
atravs de um modelo p ( R | h) , onde h um vetor de volatilidades. Cada ponto rt
tem uma varincia ht, que dependente do tempo. As volatilidades h no so
observveis, e assume-se que so geradas a partir de uma funo de probabilidade
p ( h | ) . As equaes para a mdia e volatilidade foram apresentadas anteriormente
(Eq. 4.1 e Eq. 4.2). Assim, assume-se que o logaritmo da varincia condicional da
srie R segue um processo AR(1).
Especificamente, o modelo de volatilidade estocstica que ser ajustado para
a srie de retornos dirios do IBOVESPA similar ao proposto por Jacquier et. al.
(1994), que utilizou a inferncia Bayesiana para estimar os parmetros do modelo
atravs da simulao via o Amostrador de Gibbs das seguintes distribuies de
probabilidades condicionais:
f ( | R, X , H , )
f ( H | R, X , , )
f ( | R, X , , H )
onde o vetor de parmetros da equao da mdia, o vetor de parmetros da

equao da volatilidade e H um vetor de volatilidades que foi incorporado ao
modelo como uma varivel auxiliar, baseado no conceito de segmentao (data
augmentation).
Cabe ressaltar que a simulao via mtodos MCMC necessria, pois a
funo de verossimilhana para o processo definida como uma integral de
dimenso n para a distribuio de H :
f ( R | X , , ) = f ( R | X , , H ) f ( H | ) dH ,
onde n o nmero de dados da srie.
Devido complexidade da funo de verossimilhana, no possvel derivar
analiticamente a mesma e, portanto, mtodos de mxima verossimilhana no podem
ser aplicados. Assim, uma alternativa para realizar a estimao dos parmetros do
modelo simular uma cadeia que, na sua convergncia, ser aproximada funo
posteriori conjunta dos parmetros , H e .
78
CONSTRUO DO MODELO
4.1.2 Escolha das distribuies a priori dos parmetros

Como visto anteriormente, a inferncia Bayesiana permite a considerao de
informaes prvias de um processo, atravs das distribuies a priori dos
parmetros. Mais importante do que atribuir valores provveis a um parmetro, a
distribuio a priori responsvel por, em muitos casos, moldar o comportamento da
distribuio a posteriori (o que acontece nas distribuies a priori conjugadas, vistas
anteriormente). Assim, necessrio escolher as distribuies a priori com bom
senso, e sempre que possvel considerar informaes de pessoas mais experientes
sobre o processo em questo.
Por no haver muito interesse em incluir conhecimentos especficos sobre os
retornos do IBOVESPA e pelo desejo de minimizar os impactos das informaes a
priori na anlise de modo a traduzir adequadamente a incerteza existente, foram
escolhidas distribuies prioris no muito informativas, com grandes valores para as
varincias das distribuies, e com base nas distribuies comumente utilizadas na
literatura.
importante observar ao final do ajustamento do modelo a influncia dos
valores dos hiperparmetros (isto , os parmetros dos parmetros do modelo) sobre
os resultados obtidos. Em geral, um simples confronto da funo de distribuio de
probabilidades a posteriori com a sua respectiva priori pode mostrar a grande ou
pequena influncia das informaes prvias acrescentadas na anlise.
As distribuies a priori que sero utilizadas no modelo de volatilidade
estocstica proposto so:
~ N ( 0 , A0 ) ,
~ N ( 0 , C 0 ) ,
~ 52
onde
segue uma distribuio normal com hiperparmetros 0 = 0 e A 0 = 9 ;
segue uma distribuio normal multivariada com vetor de mdia

0
0,4
0,09
;
0 = e matriz de covarincia C 0 =
0,04
0,8
0
79
CONSTRUO DO MODELO
2 segue uma distribuio inversa chi-quadrada com m = 5 graus de

liberdade e = 0,2 .
4.1.3 Estimao das posterioris condicionais

1. Estimao da posteriori de
Dado H , a equao para a mdia uma regresso linear no-homognea.
Dividindo a equao por
ht , a equao pode ser reescrita por
r0,t = x 0,t + t , t = 1,K , n
(Eq. 4.6)
onde r0,t = rt / ht e x 0,t = x t / ht , com x t = (1)' , que o vetor de variveis
explicativas da equao da mdia, que no modelo proposto representa apenas uma

constante. Supondo que a distribuio priori de seja uma normal multivariada
com vetor de mdia 0 e matriz de covarincia A0 , ento a distribuio posteriori
de tambm ser multivariada normal com mdia e matriz de covarincia A
de modo que (Resultado 1):
n
n
A1 = x 0,t x 0 ,t + A01 , = A x 0,t r0,t + A01 0 ,

t =1
t =1
(Eq. 4.7)
onde entende-se que a soma comea com p + 1 se rt p for o maior lag de retorno
utilizado como varivel explicativa da equao da mdia. No modelo proposto, no
h termos auto-regressivos para a equao da mdia, apenas uma constante, de modo
a simplificar o problema, e considerando que a volatilidade como a principal varivel
de interesse.
2. Estimao da posteriori de ht
O vetor de volatilidades H amostrado elemento por elemento. A
distribuio posteriori condicional necessria
f ( ht | R, X , H t , , ) , sendo
proporcional ao produto da distribuio normal de a t e da distribuio log-normal da

volatilidade h :
80
CONSTRUO DO MODELO
f ( ht | R, X , H t , , )
f ( a t | ht , rt , x t , ) f (ht | ht 1 , ) f ( ht +1 | ht , )
[
exp[ (r x )
ht 0,5 exp (rt x t ) / (2ht ) ht1 exp (ln ht t ) /( 2 2 )

ht1,5
/ (2ht ) (ln ht t ) /( 2 2 ) ,
2
]
(Eq. 4.8)
onde t = [ 0 (1 1 ) + 1 (ln ht +1 + ln ht 1 )] / (1 + 12 ) e 2 = 2 / (1 + 12 ). Para a

derivao da condicional posteriori de ht , as seguintes propriedades foram
utilizadas, assim como descrito por Jacquier et. al. (1994) e Tsay (2002):
1.
a t | ht ~ N (0, ht ) ;
2.
ln ht | ln ht 1 ~ N ( 0 + 1 ln ht 1 , 2 )
3.
ln ht +1 | ln ht ~ N ( 0 + 1 ln ht , 2 )
4.
d ln ht = ht1 dht , onde d denota diferenciao;
5.
A igualdade
( x a ) 2 A + ( x b) 2 C = ( x c) 2 ( A + C ) + (a b) 2 AC /( A + C )
onde c = ( Aa + Cb) /( A + C ) com A + C 0 . Esta igualdade uma verso
escalar do Lema 1 de Box e Tiao (1973, pg. 418). Na presente aplicao,
temos:
A = 1,
a = 0 + ln ht 1 ,
C = 12 ,
b = (ln ht +1 0 ) / 1 .
O termo ( a b) 2 AC /( A + C ) independente da varivel ht e, portanto,

integrado para fora da derivao da distribuio posteriori condicional.
Para a amostragem de ht , Jacquier et. al. (1994) utilizou o algoritmo
Metropolis-Hastings. O algoritmo que ser utilizado neste trabalho ser o Griddy
Gibbs, assim como foi utilizado em Tsay (2002).
Para tirar uma amostra de ht via Griddy Gibbs, primeiramente devem ser
escolhidos os parmetros do algoritmo: o intervalo de valores e o nmero de pontos
de graduao (grid points). Assim, o algoritmo ser realizado da seguinte maneira:
81
CONSTRUO DO MODELO
Intervalo de dados: ]0; 1,5 s 2 ], onde s 2 a varincia amostral incondicional

dos retornos;
Nmero de pontos de graduao: m = 500 .

O Griddy Gibbs procede da seguinte forma:
1. Avaliar a funo de densidade de probabilidade da distribuio derivada,
proporcional f ( ht | R, X , H t , , ) , para cada um dos pontos do
grid, obtendo-se w j = f ( htj | R, X , H t , , ) para cada j = 1,K m .
2. Normalizar cada w j , isto , calcular
wj
, e utilizar estes pesos para
w
i =1 i
obter uma aproximao da inversa da funo de probabilidade acumulada

(FPA) de f ( ht | R, X , H t , , ) .
3. Tirar uma amostra de uma varivel uniforme no intervalo
]0,1] ,
transformar a observao via a inversa FPA, para obter uma amostra

aleatria de ht . Isto feito interpolando linearmente a varivel aleatria
uniforme amostrada na inversa FPA.
Como apresentado anteriormente, necessrio checar a adequao do

intervalo escolhido para ht . Isto ser realizado atravs da anlise de histogramas para
os valores amostrados para alguns elementos h quaisquer.
Uma observao importante que a expresso da distribuio posteriori
condicional de ht valida para 1 < t < n , onde n o tamanho da amostra. Para os
dois pontos extremos, h1 e hn , algumas modificaes so necessrias. Uma
alternativa plausvel empregar uma previso de hn +1 e uma previso retrgrada de
h0 , para poder continuar aplicando a frmula normalmente. Como hn a varivel de

interesse, pode-se fazer uma preciso de ln hn +1 partindo de n 1 de 2 passos:
n 1 (2) = 0 + 1 ( 0 + 1 ln hn 1 ) ,
(Eq. 4.9)
onde n 1 a previso de ln hn 1 .
A previso retrgrada de h0 baseado na reversibilidade temporal do modelo
82
CONSTRUO DO MODELO
(ln ht ) = 1 (ln ht 1 ) + t ,
onde = 0 / (1 1 ) e 1 < 1 . O modelo da srie reversa
(ln ht ) = 1 (ln ht +1 ) + t ,
(Eq. 4.10)
onde { t } tambm um rudo branco gaussiano com mdia zero e varincia 2 .

Conseqentemente, a previso retrgrada de 2 passos de ln h0 em t = 2
2 (2) = 12 (ln h2 ) .
(Eq. 4.11)
Outra observao importante que os valores iniciais de ht para a simulao

via Amostrador de Gibbs podem ser obtidos atravs de um ajustamento de um
modelo ARCH-GARCH. Assim, os valores obtidos no modelo GARCH(1,1)
ajustado sero utilizados no modelo de volatilidade estocstica como valores iniciais
da simulao.
3. Estimao da posteriori de
Para realizar a amostragem de , este vetor particionado em = ( 0 , 1 )
e 2 . Assim a priori de tambm deve ser particionada adequadamente.

Assumindo que as prioris dos parmetros particionados so independentes possvel
escrever p () = p ( ) p ( 2 ) . Assim, as distribuies posterioris condicionais podem
ser obtidas:
f ( | R, X , H , , 2 ) = f ( | H , 2 ) : Dado H , ln ht segue um modelo

AR(1). Assim, se a distribuio priori de multivariada normal com
mdia 0 e matriz de covarincia C 0 , ento f ( | H , 2 ) multivariada
normal com mdia e matriz de covarincia C , onde
t =2
z t z t
n z t ln ht
+ C , = C t =2 2
+ C 01 0 ,
1
0
(Eq. 4.12)
onde z t = (1, ln ht 1 ) .
83
CONSTRUO DO MODELO
f ( 2 | R, X , H , , ) = f ( 2 | H , ) : Dado H e , possvel calcular
t = ln ht 0 1 ln ht 1 para t = 2,K , n . Portanto, se a distribuio priori

de 2 for (m ) / 2 ~ m2 , ento a distribuio posteriori condicional de 2
uma inversa chi-quadrada com m + n 1 graus de liberdade, isto
m + t = 2 t2
n
~ m2 + n 1 .
(Eq. 4.13)
4.1.4 Simulao via Amostrador de Gibbs

Com as distribuies posterioris condicionais definidas, o prximo passo a
implementao de uma simulao via o Amostrador de Gibbs. O objetivo do
algoritmo , a partir das distribuies condicionais dos parmetros, simular uma
cadeia que, ao chegar na estacionariedade, ser equivalente distribuio posteriori
conjunta dos parmetros do modelo
f ( , H , | R, X ) .
Com a distribuio posteriori conjunta, possvel estimar os valores dos
parmetros que melhor explicam a srie de retornos. Assim, ao trmino da simulao
via o Amostrador de Gibbs, sero calculadas estatsticas descritivas dos parmetros,
bem como sero construdos grficos auxiliares para uma srie de anlises, dentre
elas a verificao da convergncia do algoritmo e a influncia das informaes a
priori nos resultados finais.
A Figura 4-5 representa a simulao do algoritmo de Gibbs para o problema
proposto, apresentando os parmetros a serem amostrados:
84
CONSTRUO DO MODELO
Rodar
algoritmo k
vezes
h1
.
.
.
2
hn
Figura 4-5 - Diagrama da simulao do Amostrador de Gibbs.
A Figura 4-5 mostra as etapas do algoritmo na amostragem dos parmetros

, H (que segmentado em n elementos ht , representantes da volatilidade no
instante t ) e (que tambm particionado em dois parmetros auxiliares e 2 ).

O objetivo do algoritmo rodar a cadeia um nmero k de vezes suficientemente
grande para que os valores amostrados, na convergncia, sejam equivalentes uma
amostragem diretamente da distribuio posteriori conjunta dos parmetros.
Para que a simulao se inicie necessria a definio de valores iniciais para
os parmetros. Em geral, tais valores no influenciam nos resultados do algoritmo
visto que, na convergncia do mesmo, a dependncia dos valores dos parmetros em
relao aos seus valores iniciais ser desprezvel.
Os valores iniciais que sero utilizados para a simulao so:
2 = 0,5 e = 0,103 (mdia amostral dos retornos),

e os valores iniciais para {ht } so os valores resultantes do modelo GARCH(1,1)
ajustado anteriormente.
Para a simulao do problema de inferncia o autor escreveu um programa
computacional no software MATLAB (Anexo A). Os resultados obtidos na
simulao sero analisados posteriormente, pois necessrio verificar se o nmero
de iteraes k suficiente para que a cadeia simulada atinja a estacionariedade.
CONSTRUO DO MODELO
85
Assim, alm das estimativas dos parmetros, a programao gerou uma srie
de grficos que sero utilizados para a verificao da convergncia do algoritmo e
para o diagnstico e validao do modelo ajustado.
4.1.5 Verificao da convergncia do algoritmo

A seguir, analisada a condio de convergncia, isto , se o nmero k de
vezes que a simulao foi iterada suficiente para atingir a condio de
estacionariedade da cadeia. Isto pode ser observado atravs de um grfico que mostre
os valores amostrados para os parmetros do modelo ao longo das simulaes. A
condio de convergncia pode ser aceita caso a curva apresente uma caracterstica
estacionria (isto , sem inclinaes e tendncias). A Figura 4-6 e a Figura 4-7
apresentam os grficos das amostras tiradas dos parmetros para cada ciclo simulado
(devido ao grande nmero de parmetros da volatilidade, visto que cada elemento ht
amostrado individualmente, a convergncia de apenas alguns deles ser verificada):
86
CONSTRUO DO MODELO
Amostras de
0.2
0.3
0.15
Amostras de beta
0.4
0.2
0.1
0
0.1
0.05
2000
4000
Iterao
6000
2000
4000
Iterao
6000
Amostras de 2
Amostras de
1
0.1
0.08
0.95
2
0.06
0.9
0.04
0.85
0.8
0.02
2000
4000
Iterao
6000
2000
4000
Iterao
6000
Figura 4-6 - Amostras realizadas dos parmetros do modelo (parte 1/2).
87
CONSTRUO DO MODELO
Amostras de h350
Amostras de h700
4
3
h700
h350
2000
4000
Iterao
Amostras de h1050
6000
2000
4000
Iterao
Amostras de h1400
6000
2000
4000
Iterao
6000
5
4
h1400
h1050
3
2
2000
4000
Iterao
6000
Figura 4-7 - Amostras realizadas dos parmetros do modelo (parte 2/2).
Os grficos mostram que, nas primeiras simulaes, os valores dos

parmetros mudam drasticamente, o que evidencia a inacurcia dos valores iniciais
utilizados. Este padro de mudana brusca somente no se verifica na amostragem
das volatilidades {ht } , visto que os seus valores iniciais foram provenientes do
modelo GARCH(1,1) ajustado anteriormente. Nos elementos de h escolhidos,
observa-se que os valores iniciais so prximos aos valores obtidos na convergncia
do algoritmo.
A convergncia da cadeia tambm evidenciada nos grficos apresentados,
visto que as curvas da amostragem ao longo das iteraes no apresentam tendncias
de inclinao ou sazonalidades. Assim, pode-se considerar vlidos os resultados
obtidos pela simulao via o Amostrador de Gibbs. O que deve ser analisado, agora,
se o modelo ajustado eficiente na explicao da srie temporal dos retornos e das
suas volatilidades.
88
CONSTRUO DO MODELO
4.1.6 Estimativas dos parmetros

A programao da inferncia Bayesiana para a estimao dos parmetros do
modelo gerou os seguintes resultados:
Parmetro
Mdia
Desv. Pad.
beta0
0.186689
0.033364
alpha0
0.022581
0.007943
alpha1
0.952755
0.011685
sigma_v2
0.029743
0.004318
Nmero de simulaes: 5100

Burn-in sample: 100
Nmero de dados: 1483
Tempo decorrido para realizar GARCH: 5.56 seg.
Tempo decorrido para realizar simulao: 135 min.
Assim, possvel reescrever o modelo ajustado da seguinte forma:

rt = 0,186689 + a t , a t = ht t ,
ln ht = 0,022581 + 0,952755 ln ht 1 + 2 t ,
onde t ~ N (0,1) um rudo branco.
As estimativas dos parmetros foram calculadas com base nas k b ltimas
amostras simuladas, onde b o burn-in sample. Isto realizado pois as primeiras
amostras tiradas so fortemente dependentes dos valores iniciais, o que poderia afetar
os valores das estimativas.
Antes de realizar o diagnstico do modelo (isto , verificar se a srie de
retornos pode ser efetivamente explicada) sugerido analisar o grau de relevncia
das informaes a priori adicionadas ao modelo. Uma grande influncia das
informaes a priori pode ser indicativo de que os resultados so fortemente
influenciados pelas informaes anteriores observao amostral, o que no
desejvel no problema proposto pois, como dito anteriormente, no h informaes
precisas sobre o processo em questo. Em suma, de interesse que os dados falem
por si s, e que os resultados no tenham grande dependncia das informaes a
priori.
89
CONSTRUO DO MODELO
Para analisar o grau de informao a priori nos resultados do modelo

ajustado, possvel analisar as funes de densidade de probabilidade a priori e a
posteriori dos parmetros, que so apresentadas na Figura 4-8:
0
10
60
Densidade
Densidade
8
6
4
40
20
2
0
-5
0
-0.5
40
80
Densidade
Densidade
100
30
20
10
0
0.5
60
40
20
0.5
1.5
0.1
0.2
0.3
0.4
priori
posteriori
Figura 4-8 - Funes densidade de probabilidade das distribuies a priori e a posteriori dos
parmetros.
Os grficos das funes densidade de probabilidade dos parmetros mostram

que as distribuies a priori no so informativas para o modelo ajustado. Isto pode
ser observado pelo deslocamento das mdias entre as curvas, alm da notvel
diferena da amplitude das mesmas (isto , as curvas apresentam valores de desvio
padro diferentes). Como dito, esta caracterstica j era desejvel, pois no h
informaes precisas em relao srie temporal de retornos do IBOVESPA.
90
CONSTRUO DO MODELO
A Figura 4-9 apresenta as funes densidade de probabilidade a posteriori

dos parmetros da volatilidade ht , segundo Eq. 4.8, para visualizao. Do mesmo
modo que a Figura 4-7, apenas alguns elementos so ilustrados:
Fdp da a posteriori de h
0.05
h350
Densidade
0.045
h700
0.04
h1050
0.035
h1400
0.03
0.025
0.02
0.015
0.01
0.005
0
0.5
1.5
2.5
3.5
4.5
Figura 4-9 Funes densidade de probabilidade dos parmetros da volatilidade.
Cada curva apresentada na Figura 4-9 corresponde a uma distribuio de

probabilidade da previso da volatilidade, para cada instante t . Assim, a previso da
volatilidade no modelo MVE gera distribuies de valores, e no apenas valores
pontuais de previso.
4.1.7 Validao e comparao dos modelos ajustados

Os resultados dos modelos ajustados apresentam um comportamento similar,
o que pode ser visto na Figura 4-10, que apresenta a volatilidade condicional dos
modelos ajustados:
91
CONSTRUO DO MODELO
Conditional variance of monthly S&P500 log prices

12
GARCH
10
8
6
4
2
0
500
1000
1500
500
1000
1500
12
10
MVE
8
6
4
2
0
Figura 4-10 - Volatilidade condicional dos modelos ajustados.
Os dois modelos apresentam comportamentos similares, com os mesmos

picos e vales de volatilidades. A diferena mais notvel que no MVE a curva
apresenta maior amplitude e apresenta previses maiores do que o GARCH.
Para a validao dos modelos ajustados e verificao de qual deles apresenta
um melhor desempenho, dois testes estatsticos sero realizados: o teste de LjungBox e o teste de multiplicadores de Lagrange (ML).
O primeiro teste estatstico que ser realizado o teste de Ljung-Box, que
testa a hiptese de rudo branco para os resduos padronizados e para os quadrados
dos resduos padronizados, atravs de uma medio do grau de correlao dos
resduos para alguns lags. Os valores obtidos, com um valor de 5% de significncia,
so apresentados na Tabela 4-3 e Tabela 4-4:
92
CONSTRUO DO MODELO
Teste de Ljung-Box resduos padronizados

GARCH(1,1)
MVE
pLag Rejeio
pLag Rejeio
Q (K )
Q (K )
valor
(K) de H 0
valor
(K) de H 0
10 FALSO 0.5913 8.3851 10 FALSO 0.6554 7.7275
20 FALSO 0.7473 15.4972 20 FALSO 0.3240 22.308
Tabela 4-3 - Teste de Ljung-Box paara os resduos padronizados.
Teste de Ljung-Box quadrados dos resduos padronizados

Lag
(K)
10
20
GARCH(1,1)
Rejeio
pQ (K )
de H 0
valor
FALSO 0.3883 10.6149
FALSO 0.3915 21.0959
MVE
Rejeio
Lag
p-valor
(K) de H 0
10 FALSO 0.8998
20 FALSO 0.0635
Q (K )
3.0366
30.4099
Tabela 4-4 - Teste de Ljung-Box para os quadrados dos resduos.
Pode-se observar que todos os testes no rejeitaram a hiptese nula de

resduos padronizados aleatrios e, portanto, confirmam o poder explicativo de
ambos os modelos.
O segundo teste estatstico que ser realizado o teste ML, que verifica se h
persistncia de heterocedasticidade condicional na srie ajustada. Usualmente, a
estatstica realizada para alguns valores de lag. Os resultados dos testes so
apresentados a seguir:
Teste de multiplicadores de Lagrange

GARCH(1,1)
MVE
Lag Rejeio de
pLag Rejeio de
pT
H0
H0
(K)
valor
(K)
valor
FALSO
0.1927
1.697
FALSO
0.1414
1
1
0
31.473
0
3 VERDADEIRO
3 VERDADEIRO
T
2.163
31.4022
Tabela 4-5 - Teste de multiplicadores de Lagrange.
O teste mostra que no h efeitos ARCH remanescentes para o valor de lag 1,

isto , a hiptese de homocedasticidade nos elementos correspondentes de lag 1 no
pode ser rejeitada. Assim, a heterocedasticidade dos resduos para lag 1 foi explicada
adequadamente em ambos os modelos. Em contrapartida, para um valor de lag 3, os
testes ML mostram que ainda h resqucios de heterocedasticidade condicional nos
CONSTRUO DO MODELO
93
resduos de ambos os modelos ajustados. Desse modo, o teste sugere que modelos de
maior ordem podem ser testados para uma maior explicao dos resduos.
Outro aspecto importante a ser considerado que, como pode ser observado
em Jacquier et. al. (1994), Morettin; Toloi (2006) e Tsay (2002), em geral, quanto
maior a complexidade de um modelo, menor a capacidade de previso do mesmo.
Isto se justifica pois modelos com um grande nmero de parmetros tendem a se
ajustar melhor nos dados histricos, mas esse ajuste no contribui com uma melhor
capacidade de previso (o que chamado de super-ajustamento).
Os resduos dos modelos so apresentados na Figura 4-11:
Figura 4-11 - Resduos dos modelos ajustados.
A Figura 4-11 indica a similaridade entre os resduos dos modelos, e no

possvel distinguir visualmente diferenas entre eles. Isto se justifica pois ambos os
modelos tm equaes idnticas para as mdias dos retornos (Eq. 4.1 e Eq. 4.3), e as
diferenas decorrem somente dos pequenos desvios na estimao do parmetro da
equao da mdia ( 0 no modelo SV e no modelo GARCH).
94
CONSTRUO DO MODELO
Assim, alm dos testes qualitativos realizados para a validao dos modelos,
fundamental avaliar quantitativamente a capacidade de previso dos mesmos, e
medir qual tem o melhor desempenho neste aspecto. Os testes de desempenho que
sero realizados so:
1. Erro quadrtico mdio (EQM) da previso dos retornos:
O primeiro teste de desempenho que ser realizado o erro quadrtico mdio

(EQM), que definido por:
n
EQM =
(rt rt )
t =1
(Eq. 4.14)
O erro quadrtico mdio uma medida que verifica o erro mdio de previso
do modelo ajustado, em comparao com os valores reais observados. Assim, o
EQM serve como uma funo penalizadora, e o quadrado do resduo utilizado para
penalizar mais os maiores erros.
Deve-se destacar que o EQM no deve ser diferente entre os modelos, visto
que ambos possuem as mesmas equaes para a mdia dos retornos. Assim,
quaisquer previses dos retornos so equivalentes (visto que a esperana de cada
retorno seria a mesma, ou seja, no modelo GARCH e no modelo MVE).
Esta caracterstica j era de interesse no problema proposto, visto que o
objetivo comparar o desempenho de previso da volatilidade entre os modelos.
Assim, ao igualar as equaes para a mdia dos retornos, possvel concentrar as
divergncias entre os modelos apenas nas suas capacidades de explicao da
volatilidade da srie.
Portanto, o EQM ser calculado apenas para fins de verificao da condio
de igualdade dos parmetros da mdia. Alm disso, a verificao de erros
quadrticos mdios semelhantes atua como evidncia de que o algoritmo MCMC
simulado foi capaz de estimar o parmetro satisfatoriamente.
95
CONSTRUO DO MODELO
2. Comparao do Erro Quadrado Mdio de Previso da Volatilidade

condicional com o quadrado do retorno observado (EQMPV):
Conforme proposto por Andersen e Bollerslev (1998), a comparao de

desempenho de previso da volatilidade entre dois modelos pode ser realizada pelo
clculo de uma funo penalizadora da diferena entre as volatilidades previstas e os
retornos quadrados observados (que representante da volatilidade realizada e
funciona como benchmark para comparao). Assim, o principal indicador de
desempenho que ser utilizado para a comparao entre os modelos consiste em
calcular o erro quadrtico mdio de previso da volatilidade (EQMPV), ou seja:
n
EQMPV =
(r
t =1
ht ) 2
(Eq. 4.15)
3. Comparao do Erro Mdio Absoluto Padronizado da varincia condicional

prevista com o quadrado do retorno observado (EMAP):
A comparao de desempenho da volatilidade prevista pode ser realizada

considerando os erros absolutos padronizados, que consideram os desvios do modelo
relativos grandeza dos retornos ao quadrado, atravs da expresso:
n
EMAP =
t =1
(rt 2 ht )
rt 2
n
(Eq. 4.16)
A Figura 4-12 apresenta as volatilidades previstas nos dois modelos e os

quadrados dos retornos, que so representantes da volatilidade diria realizada no
perodo:
96
CONSTRUO DO MODELO
Varincia condicional
50
rt2
45
GARCH
MVE
40
35
30
25
20
15
10
5
0
500
1000
1500
Figura 4-12 - Varincia condicional prevista e os quadrados dos retornos observados.
A Figura 4-13 apresenta os resduos EQMPV, referentes aos erros

quadrticos da Figura 4-12:
97
CONSTRUO DO MODELO
Figura 4-13 - Resduos EQMPV.
A Figura 4-13 mostra que os resduos de ambos os critrios apresentam

alguns valores extremos. Os resduos EQMPV apresentam valores elevados
coincidentes com os picos de volatilidade, que podem ser observados na Figura 4-12
(os maiores picos ocorrem em t1276 = 47,01 , t135 = 45,59 e t 515 = 40,24 ).
A Tabela 4-6 apresenta os quartis dos resduos EMAP:
Erro Mdio Absoluto de Previso (EMAP)

Quartil (k )
GARCH
MVE
25%
0.5199
0.4765
50%
1.3590
0.8282
75%
10.9845
6.7466
100%
59092.58
35120.37
Tabela 4-6 - Quartis dos resduos EMAP.
98
CONSTRUO DO MODELO
Os quartis apresentados na Tabela 4-6 denotam o valor dos resduos no qual

h k ocorrncias menores ou iguais a este valor. Assim, para k = 50% , por
exemplo, pode-se afirmar que metade dos resduos EMAP so menores ou iguais a
1,3590 para o GARCH e 0,8282 para o MVE. Cabe ressaltar que, no caso em que
k = 50% , o percentil equivalente mediana dos resduos.
A anlise da Tabela 4-6 mostra que alguns valores bastante elevados so
observados, porm a ocorrncia pequena, para valores acima do quartil de 75%. A
incidncia de tais valores elevados ocorre nos casos em que o denominador do
clculo do EMAP (ou seja, os retornos ao quadrado rt 2 ) apresentaram valores bem
prximos de zero.
Cabe ressaltar que, na prtica, trabalha-se com os erros absolutos de previso
da volatilidade, e no com os erros relativos. Isto ocorre pois a sensibilidade do valor
de uma opo em relao s variaes da volatilidade aproximadamente linear,
segundo o modelo de Black e Scholes (1973). Assim, o clculo do EQMPV,
proposto por Andersen e Bollerslev (1998), desconsidera os erros de previso em
termos relativos (isto , um erro de 2% sobre um valor observado de 10%
equivalente a um erro de 2% sobre um valor observado de 60%, por exemplo).
Os valores dos critrios de comparao de desempenho so apresentados na
Tabela 4-7, com os resultados obtidos para cada modelo:
Critrio
GARCH
MVE
EQM
2,9447*
2,9503
EQMPV
21,7169
19,2190*
EMAP
661.323
390.523*
Tabela 4-7 - Comparao dos critrios de desempenho.
A Tabela 4-7 mostra qual modelo apresentou o melhor desempenho por

critrio, indicado pelo smbolo (*).
Com base nos valores da Tabela 4-7, pode-se observar que, pelo critrio
EQM, o modelo MVE obteve um desempenho 0,2% pior que o GARCH. Como
CONSTRUO DO MODELO
99
observado anteriormente, j era esperado que os modelos obtivessem EQM muito

prximos, pois ambos possuem uma mesma equao para a mdia dos retornos. Este
fato ficou evidenciado pela pequena diferena do EQM entre os dois modelos.
J pelo critrio EQMPV, observa-se que o modelo MVE apresentou um
desempenho 13% melhor que o GARCH. Considerandos os erros absolutos
padronizados da volatilidade (EMAP), o modelo MVE tambm apresentou melhor
desempenho, com um valor 41% menor que o modelo GARCH.
Com base nos resultados obtidos, pode-se afirmar que o modelo proposto tem
maior capacidade de previso da volatilidade da srie do IBOVESPA, tomando-se
como critrio comparativo o erro quadrado mdio de previso da volatilidade em
relao aos quadrados dos retornos observados.
100
CONCLUSES
5. CONCLUSES
Foi desenvolvido um modelo de previso de uma srie de retornos e das suas
volatilidades condicionais (MVE), no qual ambas variveis possuem componentes
estocsticos em suas equaes. Para tal, utilizou-se a teoria de inferncia Bayesiana e
algoritmos de simulao MCMC para obter os valores dos parmetros do modelo.
O modelo proposto por Jacquier et. al. (1994) surgiu como uma evoluo dos
modelos ARCH-GARCH, por acrescentar um termo estocstico na equao da
volatilidade. Esta caracterstica, entretanto, aumenta a complexidade de resoluo do
modelo, pois a funo de verossimilhana no pode ser derivada analiticamente, e
portanto a estimao dos seus parmetros no pode ser realizada pelos mtodos
tradicionais de otimizao desta funo.
Como alternativa de resoluo dos problemas de inferncia Bayesiana nos
quais os mtodos de mxima verossimilhana no podem ser aplicados, surgiu a
utilizao dos algoritmos de simulao via MCMC, que possibilitam a amostragem
da distribuio a posteriori conjunta dos parmetros, e que permitem a estimao dos
parmetros do modelo.
A eficincia do modelo proposto foi avaliada atravs do clculo dos erros
quadrados de previso dos retornos e das volatilidades, em confronto com um
modelo GARCH, e ambos foram ajustados uma srie de retornos dirios do
IBOVESPA. Como o principal objetivo a previso da volatilidade da srie, adotouse um modelo GARCH com uma mesma equao para a mdia dos retornos, para
que o poder de previso dos modelos pudesse ser devidamente comparado entre eles.
Assim, ambos modelos apresentaram desempenhos similares na capacidade de
previso dos retornos, com o modelo MVE obtendo um desempenho de apenas 0,2%
pior que o GARCH. Entretanto, o modelo MVE apresentou um desempenho 13%
melhor do que o GARCH na capacidade de previso da volatilidade da srie pelo
critrio de erro quadrado mdio de previso, e 40% melhor pelo critrio de erro
mdio absoluto padronizado.
Apesar da melhor capacidade de previso da volatilidade pelo modelo MVE,
alguns aspectos negativos em relao ao GARCH devem ser salientados. A principal
101
CONCLUSES
dificuldade de implementao do MVE decorre da estimao dos parmetros do

modelo, que requer mtodos complexos de simulao que demandam grande
capacidade de processamento computacional e tempo para sua resoluo (o modelo
GARCH foi ajustado em apenas 6 segundos, utilizando-se o pacote existente no
software MATLAB, enquanto a estimao do modelo MVE demorou 135 minutos).
A utilizao do modelo MVE deve ser realizada considerando-se a finalidade
da previso da volatilidade, e o nvel de acurcia necessrio. No contexto da empresa
onde o trabalho foi realizado, a volatilidade especulada no mercado financeiro, e a
correta previso da mesma proporciona ganhos financeiros diretos para a empresa.
Assim, fundamental que a sua estimao seja a melhor possvel, e nesse caso o
modelo MVE deve ser aplicado, em contrapartida ao GARCH. Porm, em outras
aplicaes o modelo pode tornar-se inconvenitente, devido sua complexidade e
demora no ajustamento. Um exemplo a utilizao da volatilidade futura para
avaliao de medidas de risco em carteiras de investimento, nas quais a sensibilidade
dos seus resultados em relao pequenas variaes da volatilidade prevista pode ser
pouco significativa.
Outro importante aspecto do trabalho desenvolvido a possibilidade da
estimao dos parmetros de praticamente qualquer modelo de sries temporais via
simulao
MCMC.
Por
no
haver
necessidade
de
derivar
funes
de
verossimilhana, os algoritmos de simulao possibilitam a estimao de modelos

mais complexos, com maior nmero de parmetros e variveis explicativas.
O MVE construdo trata-se de uma formulao simples e enxuta de um
modelo de volatilidade estocstica. Uma recomendao para trabalhos futuros seria a
incluso de novas variveis, como o volume de negociao do IBOVESPA, cotaes
de outros ndices (como o S&P500, um dos principais ndices de aes dos Estados
Unidos), preos de commodities (como o petrleo e o nquel), entre outras.
102
ANEXO
6. REFERNCIAS BIBLIOGRFICAS
ANDERSEN, T. G.; BOLLERSLEV, T. Answering the skeptics. International
Economic Review, 1998.
BLACK, F.; SCHOLES, M. The Pricing of Options and Corporate Liabilities.
Journal of Political Economy, v.81, 1973.
BODIE, Z.; KANE, A.; MARCUS, A. Fundamentos de Investimentos. Porto
Alegre: Bookman, 2000.
BOLLERSLEV, T. Generalized Autoregressive Conditional Heteroskedasticity.
Journal of Econometrics, 1986.
BOX G. E. P.; JENKINS G. M. Time Series Analysis: Forecasting and Control.
Holden-Day Inc., 1970.
BOX, G. E. P.; TIAO, G. C. Bayesian inference in statistical analysis. AddisonWesley Publ., 1973.
COSTA, C. L. Opes, Operando a Volatilidade. So Paulo: Cultura, 1998.
DEGROOT, M. H. Optimal Statistical Decisions. New York: McGraw Hill, 1970.
ENGLE, R. F. Autoregressive Conditional Heteroscedasticity with Estimates of
the Variance of UK Inflation. Econometrica, 1982.
FELLER, W. An introduction to probability theory and its applications. Wiley,
1968.
GALLANT, A. R.; HSIEH, D.; TAUCHEN, G. Estimation of stochastic volatility
models with diagnostics. Journal of Econometrics, 1991.
GAMERMAN, D. L.; FREITAS, H. Markov Chain Monte Carlo: Stochastic
Simulation for Bayesian Inference. 2. ed. Londres: Chapman & Hall/CRC, 2006.
GELFAND, A. E.; SMITH, A. F. Sampling-based Approaches to Calculating
Marginal Densities. Journal of the American Statistical Association, 1990.
GEMAN, S.; GEMAN, D. Stochastic Relaxation, Gibbs Distributions, and the
Bayesian Restoration of Images. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 1984.
GUJARATI, D. N. Econometria Bsica. Pearson Education do Brasil, 2001.
HAMILTON, J. D. Time Series Analysis. New Jersey: Princeton University Press,
1994.
REFERNCIAS BIBLIOGRFICAS
103
HULL, J. C. Options, Futures & Other Derivatives. New Jersey: Prentice Hall,
1997.
JAQUIER, E.; POLSON, N. G.; ROSSI, P. E. Bayesian Analysis of Stochastic
Volatility Models, 1994.
MEYN, S. P.; TWEEDIE, R. I. Markov chains and stochastic stability. Springer,
1993.
MORETTIN, P. A. TOLOI, C. M. Anlise de sries temporais. 2. ed. So Paulo:
Edgard Blcher, 2006.
NELSON, D. B. Conditional heteroskedasticity in asset returns: A new approach.
Econometrica, 1991.
NUMMELIN, E. General Irreducible Markov Chains and Non Negative
Operators. Cambridge University Press, 1984.
PEA, D.; TIAO, G. C.; TSAY, R. T. A Course in Time Series Analysis. John
Wiley & Sons Inc., 2001.
RITTER, C.; TANNER, M. A. Facilitating the Gibbs sampler: the Gibbs stopper
and the griddy-Gibbs sampler. Journal of the American Statistical Association, 1992.
ROSS, S. Stochastic Processes. Wiley, 1996.
ROSSI, P. E. Bayesian Statistics and Marketing. London: John Wiley & Sons Ltd,
2005.
SANTOS, B.L. Medidas de Risco em Carteiras de Ativos Financeiros. Trabalho
de Formatura para obteno do ttulo de Engenheiro de Produo, Escola Politcnica
da Universidade de So Paulo, 2007.
SARTORIS, A. Estatstica e introduo economia. So Paulo: Saraiva, 2003.
SHEPHARD, N. Stochastic volatility selected readings. New York: Oxford
University Press Inc., 2005.
TAUCHEN, G.; PITTS, M. The Price Variability-Volume Relationship on
Speculative Markets. Econometrica, Econometric Society, 1983.
TSAY, R. S. Analysis of financial time series. New York: John Wiley & Sons Inc.,
2002.
ZAKOIAN, J. M. Threshold heteroskedastic models. Journal of Economic
Dynamics and Control, 1994.
104
ANEXO
ANEXO Cdigo do programa escrito em MATLAB

%Apaga todas as variaveis e grficos existentes
clear
close all
%Pega os dados da serie de retornos no arquivo IBOV_d.m
IBOV_d
t1 = clock;
%Ajusta um modelo GARCH(1,1)
Spec = garchset('P',1,'Q',1,'Display','off');
[Coeff, Errors, LLF, Innovations, Sigmas, Summary] = garchfit(Spec,r);
t2 = clock;
% Valores iniciais de {ht}: Sigmas
%Priori de mu (beta)
beta0 = 0;
sigma_beta0 = sqrt(9);
mu = 0.66;
grid_beta = (-15:0.05:15);
priori_beta = normpdf(grid_beta,beta0,sigma_beta0)';
%Priori de alpha
alpha0 = [0.4 0.8]';
C0 = [0.09 0;0 0.04];
grid_alpha = (-2:0.01:2);
priori_alpha(:,1) = normpdf(grid_alpha,alpha0(1),sqrt(C0(1,1)))';
priori_alpha(:,2) = normpdf(grid_alpha,alpha0(2),sqrt(C0(2,2)))';
%Priori de sigma_v^2
m = 5;
lambda = 0.2;
sigma_v = sqrt(0.5);
grid_sigma = linspace(.01,.99,1001);
priori_sigma = chi2pdf(1./grid_sigma,m)./grid_sigma.^2;
%Parametros do Amostrador de Gibbs
n_it = 5100; %numero de iteracoes
n_burn = 100; %burn-in sample
%Parametros do Griddy Gibbs
s = std(r);
n_gp = 500; %numero de grid points
h_lb = 0;
%banda inferior
h_ub = 1.5*s^2; %banda superior
inter = (h_ub-h_lb)/n_gp;
ANEXO
105
h_grid = (h_lb+inter:inter:h_ub)';
%Valores iniciais (k=1)
beta_sim(1,1:n_it) = 0;
h_sim(1:n,1:n_it) = 0;
alpha_sim(1:2,1:n_it) = 0;
sigma_v2_sim(1,1:n_it) = 0;
beta_sim(1,1) = mu;
h_sim(:,1) = Sigmas.^2;
alpha_sim(:,1) = alpha0;
sigma_v2_sim(1,1) = sigma_v^2;
ln_Sigmas = log(Sigmas.^2);
t3 = clock;
%Inicia Amostrador de Gibbs
for k = 2:n_it
x = 1;
r0t = r./sqrt(h_sim(:,k-1));
x0t = x./sqrt(h_sim(:,k-1));
% Amostragem de beta
sigma_beta_ast = inv(sum(x0t.*x0t) + inv(sigma_beta0^2));
beta_ast = sigma_beta_ast*(sum(x0t.*r0t)+inv(sigma_beta0^2)*beta0);
beta_sim(k) = mvnrnd(beta_ast,sigma_beta_ast);
%Amostragem de h
nep = alpha_sim(1,k-1)/(1-alpha_sim(2,k-1));
h_0 = (alpha_sim(2,k-1)^2)*(ln_Sigmas(2,k-1)-nep);
h_n1 = alpha_sim(1,k-1) + alpha_sim(2,k-1)*(alpha_sim(1,k-1) + alpha_sim(2,k1)*ln_Sigmas(n-1,k-1));
for i = 1:n
if i == 1
mu_t(i,1) = (alpha_sim(1,k-1)*(1-alpha_sim(2,k-1)) + alpha_sim(2,k1)*(ln_Sigmas(i+1,k-1)+h_0))/(1+alpha_sim(2,k-1)^2);
elseif i == n
mu_t(i,1) = (alpha_sim(1,k-1)*(1-alpha_sim(2,k-1)) + alpha_sim(2,k1)*(h_n1+log(h_sim(i-1,k))))/(1+alpha_sim(2,k-1)^2);
else
mu_t(i,1) = (alpha_sim(1,k-1)*(1-alpha_sim(2,k-1)) + alpha_sim(2,k1)*(ln_Sigmas(i+1,k-1)+log(h_sim(i-1,k))))/(1+alpha_sim(2,k-1)^2);
end
sigma2 = sigma_v2_sim(k-1)/(1+alpha_sim(2,k-1));
106
ANEXO
f(:,i) = (h_grid.^(-1.5)).*exp(-(r(i,1)-x'*beta_sim(k)).^2./(2*h_grid)((log(h_grid)-mu_t(i,1)).^2)./(2*sigma2));
f_norm = sum(f(:,i));
f(:,i) = f(:,i)/f_norm;
cdf = cumsum(f(:,i));
h_sim(i,k) = interp1q(cdf,h_grid,rand);
end
ln_Sigmas(:,k) = log(h_sim(:,k));
%Amostragem de w (particionado em alpha e sigma_v^2)
%alpha
z(1,2:n) = 1;
z(2,2:n) = ln_Sigmas(1:n-1,k);
C_ast = [0 0;0 0];
for t = 2:n
C_ast = C_ast + (z(:,t)*z(:,t)');
end
C_ast = inv(C_ast/sigma_v2_sim(k-1) + inv(C0));
alpha_ast = [0 0]';
for t = 2:n
alpha_ast = alpha_ast + (z(:,t)*ln_Sigmas(t,k)');
end
alpha_ast = C_ast*(alpha_ast/sigma_v2_sim(k-1) + inv(C0)*alpha0);
alpha_sim(:,k) = mvnrnd(alpha_ast',C_ast)';
%sigma_v^2
v(2:n,1) = ln_Sigmas(2:n,k) - alpha_sim(1,k) - alpha_sim(2,k)*ln_Sigmas(1:n1,k);
sigma_v2_sim(k) = (((5*0.2)+sum(v.*v))./chi2rnd(m+n-1));
if mod(k,50) ==0
display(k)
end
end
t4 = clock;
output(1:n,1) = mean(h_sim(:,n_burn+1:n_it),2);
beta_stat = mean(beta_sim(n_burn+1:n_it));
alpha_stat = mean(alpha_sim(:,n_burn+1:n_it),2);
sigma_stat = mean(sigma_v2_sim(:,n_burn+1:n_it),2);
beta_stat2= std(beta_sim(n_burn+1:n_it));
alpha_stat2(1) = std(alpha_sim(1,n_burn+1:n_it));
alpha_stat2(2) = std(alpha_sim(2,n_burn+1:n_it));
sigma_stat2 = std(sigma_v2_sim(:,n_burn+1:n_it));
ANEXO
107
disp('Parameter beta0
alpha 0 alpha 1
sigma_v2')
disp(sprintf('Mean
%f %f %f
%f',beta_stat,alpha_stat(1),alpha_stat(2),sigma_stat))
disp(sprintf('St. Error %f %f %f
%f',beta_stat2,alpha_stat2(1),alpha_stat2(2),sigma_stat2))
%Posterioris
x = 1;
r0t = r./sqrt(output);
x0t = x./sqrt(output);
sigma_beta_ast = inv(sum(x0t.*x0t) + inv(sigma_beta0^2));
beta_ast = sigma_beta_ast*(sum(x0t.*r0t)+inv(sigma_beta0^2)*beta0);
posteriori_beta = normpdf(grid_beta,beta_ast,sqrt(sigma_beta_ast))';
%alpha
z(1,2:n) = 1;
z(2,2:n) = log(output(1:n-1));
C_ast = [0 0;0 0];
for t = 2:n
C_ast = C_ast + (z(:,t)*z(:,t)');
end
C_ast = inv(C_ast/sigma_stat + inv(C0));
alpha_ast = [0 0]';
for t = 2:n
alpha_ast = alpha_ast + (z(:,t)*log(output(t))');
end
alpha_ast = C_ast*(alpha_ast/sigma_stat + inv(C0)*alpha0);
posteriori_alpha(:,1) = normpdf(grid_alpha,alpha_ast(1),sqrt(C_ast(1,1)))';
posteriori_alpha(:,2) = normpdf(grid_alpha,alpha_ast(2),sqrt(C_ast(2,2)))';
%sigma
v(2:n,1) = log(output(2:n)) - alpha_stat(1) - alpha_stat(2)*log(output(1:n-1));
posteriori_sigma = chi2pdf(1./grid_sigma,m+n1).*(m*lambda+sum(v.*v))./grid_sigma.^2;
disp(sprintf('Nmero de simulaes: %d',n_it))
disp(sprintf('Burn-in sample: %d',n_burn))
disp(sprintf('Nmero de dados: %d',n))
disp(sprintf('Tempo decorrido para realizar GARCH: %1.2f seg.',etime(t2,t1)))
disp(sprintf('Tempo decorrido para realizar simulao: %1.0f min.',etime(t4,t3)/60))
%Gera grficos dos parmetros
graficos

Modelo de previsão com volatilidade estocástica

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Modelo de previsão com volatilidade estocástica

Enviado por

Direitos autorais:

Formatos disponíveis

THIAGO KURIMORI GARCIA DA SILVEIRA

MODELO DE PREVISO COM VOLATILIDADE

Trabalho de Formatura apresentado

THIAGO KURIMORI GARCIA DA SILVEIRA

MODELO DE PREVISO COM VOLATILIDADE

Trabalho de Formatura apresentado

Silveira, Thiago Kurimori Garcia da

Palavras-chave: Modelos No Lineares. Inferncia Bayesiana. Mtodos MCMC.

Keywords: Non-Linear Models. Bayesian inference. MCMC methods.

LISTA DE SIGLAS E ABREVIATURAS

Autoregressive Integrated Moving Average

Autoregressive Conditional Heteroscedasticity

Bolsa de Valores de So Paulo

Certificado de Depsito Interfinanceiro

Erro Quadrado Mdio

Erro Quadrado Mdio de Previso da Volatilidade

Erro Mdio Absoluto de Previso

Funo de Densidade de Probabilidade

Funo densidade de Probabilidade Acumulada

Generalized Autoregressive Conditional Heteroscedasticity

Independent and identically distributed

Markov Chain Monte Carlo

Modelo de Volatilidade Estocstica

Modelo de Black & Scholes ................................................................... 33

FUNDAMENTAO TERICA ................................................................39

Modelos de Sries Temporais ................................................................. 39

3.1.7 Modelos no-lineares ................................................................................................... 52

3.1.8 Diagnsticos de Modelos.............................................................................................. 55

Inferncia Bayesiana .............................................................................. 58

O Modelo de Volatilidade Estocstica.................................................... 69

Etapas da construo do modelo............................................................. 75

REFERNCIAS BIBLIOGRFICAS....................................................... 102

ANEXO CDIGO DO PROGRAMA ESCRITO EM MATLAB ................. 104

Modelo de Previso com Volatilidade Estocstica

financeiro. O objetivo construir um modelo para o comportamento temporal de um

Modelo de Previso com Volatilidade Estocstica

Modelo de Previso com Volatilidade Estocstica

ARIMA, ARCH e GARCH, porm, para os modelos de volatilidade estocstica, esta

1.3. Organizao do Trabalho

Captulo 1 So apresentados o problema a ser resolvido e os objetivos do

Captulo 2 Conduz a parte conceitual necessria para a melhor

Modelo de Previso com Volatilidade Estocstica

caractersticas, classificaes, aplicaes no mercado e peculiaridades no

Captulo 3 Apresenta as fundamentaes tericas necessrias para o

Captulo 4 Neste, detalha-se a construo do modelo de volatilidade

Captulo 5 Conclui-se o trabalho, destacando os pontos mais relevantes do

Modelo de Previso com Volatilidade Estocstica

Modelo de Previso com Volatilidade Estocstica

Aes preferenciais (PN): oferecem preferncia na distribuio de resultados

direcionada aos detentores de aes denominada de dividendo, e distribuda na

Modelo de Previso com Volatilidade Estocstica

difundido para empresas de outros segmentos da economia (agrcola, energia, entre

O total de contratos negociados nesse perodo foi de aproximadamente 7

Modelo de Previso com Volatilidade Estocstica

Os tipos de derivativos mais negociados no mercado brasileiro atualmente

Contratos a termo: so acordos de compra e venda de um determinado ativo

Contratos futuros: assim como os contratos a termo, as partes envolvidas so

Swaps: so acordos privados entre duas instituies para a troca futura de

Opes: so contratos que do parte compradora o direito (e no a

Modelo de Previso com Volatilidade Estocstica

Opo de compra (Call)

Opo de venda (Put)

Tabela 2-1 - Direitos e obrigaes de opes.