Escolar Documentos
Profissional Documentos
Cultura Documentos
SO PAULO
2008
Orientadora:
Prof Dr Linda Lee Ho
SO PAULO
2008
FICHA CATALOGRFICA
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.
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.
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
Autoregressivo
ARIMA
ARCH
BOVESPA
CDI
EQM
EQMPV
EMAP
Fac
Funo de autocorrelao
Facv
Funo de autocovarincia
FDP
FPA
GARCH
i.i.d.
MA
Moving Average
MCMC
MVE
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.
2.5.
Volatilidade............................................................................................ 35
2.5.1 Volatilidade futura ........................................................................................................ 36
2.5.2 Volatilidade histrica.................................................................................................... 36
2.5.3 Volatilidade implcita.................................................................................................... 37
3.
3.2.
3.3.
4.
CONSTRUO DO MODELO................................................................... 71
4.1.
5.
CONCLUSES........................................................................................... 100
6.
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
22
INTRODUO
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
INTRODUO
25
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.
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
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
CONCEITOS
29
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
Obrigao de compra
Obrigao de venda
Direito de compra
Direito de venda
31
Resultado da operao
CONCEITOS
Lucro
K
Prmio
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;
33
CONCEITOS
Opo de
compra (Call)
Varivel
Opo de
venda (Put)
Preo do ativo
Preo de exerccio
Prazo at o vencimento
Volatilidade
Tabela 2-2 - Efeito do aumento das variveis sobre o preo das opes.
Fonte: Adaptado de Hull (1997)
34
CONCEITOS
T : Data de vencimento
T t : Nmero de dias teis at o vencimento
(Eq. 2.1)
(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)
CONCEITOS
35
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
S i = S i 1e ui
(Eq. 2.5)
S
u i = ln i
S i 1
(Eq. 2.6)
37
CONCEITOS
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)
(Eq. 2.9)
38
CONCEITOS
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:
40
FUNDAMENTAO TERICA
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
x (t ) =
Z (1) (t ) + Z ( 2) (t ) + Z (3) (t )
.
3
(Eq. 3.1)
42
FUNDAMENTAO TERICA
43
FUNDAMENTAO TERICA
Z (t ) = Z (t ) Z (t 1) .
(Eq. 3.2)
n Z (t ) = [n 1 Z (t )] .
(Eq. 3.3)
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 .
E ( t ) = 0
E ( t2 ) = 2
(Eq. 3.6)
,
(Eq. 3.7)
E ( t ) = 0 para t .
(Eq. 3.8)
~ N (0, 2 ) ,
(Eq. 3.9)
(Eq. 3.10)
Em particular, se t1 = t 2 = t ,
(Eq. 3.11)
45
FUNDAMENTAO TERICA
, Z .
0
(Eq. 3.12)
t ~ i.i.d .(0, 2 ) .
A fac desse rudo branco ilustrada na Figura 3-2:
-4
-2
46
FUNDAMENTAO TERICA
BZ t = Z t 1 , B m Z t = Z t m ;
(Eq. 3.13)
Z t = Z t Z t 1 = (1 B) Z t .
(Eq. 3.14)
Filtro Linear
Zt
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
~
Chamando Z t = Z t , temos que
~
Z t = ( B) at .
(Eq. 3.17)
~
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
(Eq. 3.21)
(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
49
FUNDAMENTAO TERICA
0.9
0.8
0.7
fac
0.6
0.5
0.4
0.3
0.2
0.1
0
10
Lag
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
51
FUNDAMENTAO 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
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 .
(Eq. 3.24)
52
FUNDAMENTAO TERICA
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.
53
FUNDAMENTAO TERICA
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)
condicional
(que
ser
apresentado
posteriormente).
Uma
54
FUNDAMENTAO TERICA
X t = ht at ,
(Eq. 3.27)
i =1
j =1
ht = 0 + i X t2i + j ht j ,
(Eq. 3.28)
(
q
i =1
+ i ) < 1 , q = max(r , s ) .
E ( X t2 ) =
1 i =1 ( i + i )
q
(Eq. 3.29)
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).
56
FUNDAMENTAO TERICA
rj2
Q ( K ) = n ( n + 2)
j =1
(Eq. 3.30)
(n j )
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.
57
FUNDAMENTAO TERICA
(Eq. 3.31)
58
FUNDAMENTAO TERICA
59
FUNDAMENTAO TERICA
f ( | X ) =
f ( , X ) f ( X | ) f ( )
=
f (X )
f (X )
(Eq. 3.32)
(Eq. 3.33)
(Eq. 3.34)
f ( | X ) l( ) f ( ).
(Eq. 3.35)
(Eq. 3.36)
60
FUNDAMENTAO TERICA
FUNDAMENTAO TERICA
61
2 0 + n 02 x
2 02
2
,
e
=
2 + n 02
2 + n 02
0
n
0 +
x.
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
62
FUNDAMENTAO TERICA
( )
~ 2 , onde > 0 .
( + i =1 xi2 )
n
~ 2+ n .
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
FUNDAMENTAO TERICA
63
64
FUNDAMENTAO TERICA
Metropolis-Hastings;
Griddy Gibbs.
65
FUNDAMENTAO TERICA
f 2 ( 2 | 3 , 1 , X , M );
f 3 ( 3 | 1 , 2 , X , M ),
66
FUNDAMENTAO TERICA
(1, m , 2, m , 3,m )
equivalente
retirada
uma
f ( 1 , 2 , 3 | X , M )
amostra
aleatria
da
aproximadamente
distribuio
conjunta
67
FUNDAMENTAO TERICA
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
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
(Eq. 3.38)
onde
1
p = F ( x | , ) =
2
( t )2
2 2
dt
(Eq. 3.39)
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
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)
{ t }
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:
f ( R | X , , ) = f ( R | X , , H ) f ( H | ) dH
70
FUNDAMENTAO TERICA
f (R | H , ) ,
f ( H | ) , e a distribuio priori
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)
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
2003
2004
2005
Figura 4-1 - Evoluo das cotaes dirias do IBOVESPA e os log retornos da srie.
73
CONSTRUO DO MODELO
30
25
20
15
10
0
-8%
-6%
-4%
-2%
0%
2%
4%
6%
8%
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%
6%
74
CONSTRUO DO MODELO
Estatstica
Valor
Mdia
Mediana
Desvio padro
Mnimo
Mximo
Assimetria
Curtose
0,1028
0,1600
1,7156
-6,8565
6,1503
-0,2920
3,6792
rt = + a t , at = ht t ,
(Eq. 4.3)
ht = 0 + 1 at21 + 1 ht 1 .
(Eq. 4.4)
(Eq. 4.5)
75
CONSTRUO DO MODELO
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
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.
76
CONSTRUO DO MODELO
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)
77
CONSTRUO DO MODELO
f ( H | R, X , , )
f ( | R, X , , H )
78
CONSTRUO DO MODELO
~ N ( 0 , A0 ) ,
~ N ( 0 , C 0 ) ,
~ 52
onde
79
CONSTRUO DO MODELO
(Eq. 4.6)
(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
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 )
/ (2ht ) (ln ht t ) /( 2 2 ) ,
2
]
(Eq. 4.8)
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.
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 .
81
CONSTRUO DO MODELO
wj
w
i =1 i
]0,1] ,
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)
2 (2) = 12 (ln h2 ) .
(Eq. 4.11)
3. Estimao da posteriori de
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
m + t = 2 t2
n
~ m2 + n 1 .
(Eq. 4.13)
84
CONSTRUO DO MODELO
Rodar
algoritmo k
vezes
h1
.
.
.
2
hn
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.
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
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
88
CONSTRUO DO MODELO
beta0
0.186689
0.033364
alpha0
0.022581
0.007943
alpha1
0.952755
0.011685
sigma_v2
0.029743
0.004318
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
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.
90
CONSTRUO DO MODELO
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
91
CONSTRUO DO MODELO
GARCH
10
8
6
4
2
0
500
1000
1500
500
1000
1500
12
10
MVE
8
6
4
2
0
92
CONSTRUO DO MODELO
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
T
2.163
31.4022
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:
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:
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
EQMPV =
(r
t =1
ht ) 2
(Eq. 4.15)
EMAP =
t =1
(rt 2 ht )
rt 2
n
(Eq. 4.16)
96
CONSTRUO DO MODELO
Varincia condicional
50
rt2
45
GARCH
MVE
40
35
30
25
20
15
10
5
0
500
1000
1500
97
CONSTRUO DO MODELO
GARCH
MVE
25%
0.5199
0.4765
50%
1.3590
0.8282
75%
10.9845
6.7466
100%
59092.58
35120.37
98
CONSTRUO DO MODELO
Critrio
GARCH
MVE
EQM
2,9447*
2,9503
EQMPV
21,7169
19,2190*
EMAP
661.323
390.523*
CONSTRUO DO MODELO
99
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
Modelo de Previso com Volatilidade Estocstica
101
CONCLUSES
MCMC.
Por
no
haver
necessidade
de
derivar
funes
de
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
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