Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
Uma dos principais objetivos da Teoria de Finanças é encontrar o valor de ativos sejam financeiros ou reais.
O estudo do comportamento dos preços das commodities destaca-se como um relevante tema pois tem papel
fundamental dentro da economia. A base destes estudos são modelos que se apóiam em processos
estocásticos, ou mais genericamente modelos em tempo contínuo. Geralmente os dados de preços mais
abundantes nos mercados de commodities são os preços futuros. Por vezes o preço à vista não é observável e
necessita ser estimado usando os mercados futuros. O filtro de Kalman é a metodologia que tem sido usada
para estimar o preço à vista a partir do preço futuro. O filtro de Kalman na forma clássica presume que o
modelo seja linear seguindo um processo de evolução Gaussiano. Nem sempre estas condições são
adequadas para modelar os preços das commodities. Este trabalho analisa o uso de outra metodologia, o
Filtro de Partículas, que prescinde destas condições. Foi utilizado o modelo de dois fatores de Schwartz e
Smith (2000). Os resultados mostram que esta metodologia é viável abrindo novas possibilidades de análises
para modelos não lineares e/ou não Gaussianos.
Abstract
One of the central tasks of Finance Theory is achieving the value of both financial and real assets. In general,
these problems are approached through continuous time. In this context, the analysis and definition of
stochastic processes play a central role. One of the most important is commodity prices process, usually
employed for pricing futures contracts and valuation of projects. In general, commodities are traded in
futures markets and spot prices can not be observed. These are estimated on the basis of futures prices. The
literature on the topic employs the Kalman filter as a methodology to this end. Kalman filter requires
linearity and Gaussian conditions. This is limiting because many financial models do not have these
properties. The present article uses the particle filter, which does not require the conditions above. We
analyze the filtering process of both methodologies. We use Schwartz and Smith (2000) two factor model to
carry on the analysis. Results show that this methodology is promising for pricing models which are non
linear and/or non Gaussian.
O derivativo é um título cujo preço é função do preço de outro ativo denominado objeto ou
subjacente. A partir do conhecimento do tipo da evolução do ativo subjacente, é possível
chegar a modelos que fornecem o preço do derivativo. As cifras negociadas nos mercados
de derivativos no mundo são enormes. Inúmeras operações e diversos mecanismos estão
hoje à disposição de todos os investidores.
Este imenso desenvolvimento teve início a partir de artigos publicados por Black, Merton e
Scholes em 1973. Estes trabalhos apreçam uma opção de compra do tipo européia através
de uma famosa fórmula que é a solução de uma equação diferencial parcial de segunda
ordem. Esta solução analítica fechada trouxe elegância à formulação proposta e favoreceu
a proliferação de trabalhos adicionais extensivos e complementares. Estes pesquisadores
propuseram um processo estocástico para a evolução dos preços dos ativos subjacentes. A
origem desta suposição remonta ao início do século passado. Em 1900, Bachelier em sua
“Théorie de la Spéculation” proveu as bases dos processos de difusão Markovianos. Suas
idéias floresceram com Kolmogorov em 1933 e foram usadas por Black, Merton e Scholes.
O processo estocástico por eles adotado é conhecido como movimento geométrico
Browniano e constitui a suposição inicial para o apreçamento de uma opção de compra
européia. A grande novidade apresentada por Black, Merton e Scholes foi a idéia de criar
um portfólio e eliminar o risco do mesmo, fazendo com que a sua remuneração fosse
idêntica à taxa livre de risco. Desta forma, criou-se a condição de não arbitragem e esta
condição é o fundamento do Teorema Fundamental de Finanças.
Existe uma relação muito conhecida entre os preços nos mercado à vista (S) e mercado
futuro (F): F = S exp((r − δ)(T − t )) . A variável que faz a ligação entre F e S é δ,
denominada retorno de conveniência. As demais variáveis são a taxa livre de risco r, a data
do vencimento do contrato T e a data atual t. O retorno de conveniência é o prêmio que faz
jus o proprietário do ativo físico, ao contrário daquele que detém apenas um contrato
futuro sobre a commodity. Quando o retorno de conveniência é considerado constante, um
simples ajuste no processo estocástico (drift) permite que os modelos de apreçamento
sejam meras extensões do modelo de Black, Merton e Scholes. Entretanto se δ é
considerado constante, a volatilidade dos contratos futuros torna-se idêntica à volatilidade
do mercado à vista. Evidências empíricas mostram que a volatilidade dos contratos futuros
é decrescente com a maturidade dos contratos. Além disso, sabe-se que o retorno de
conveniência varia inversamente com o nível dos estoques. Portanto, considerá-lo
constante é apenas uma aproximação. Os primeiros trabalhos em Opções Reais adotaram
esta hipótese simplificadora (em Dixit e Pindyck (1994) encontram-se os fundamentos da
Teoria das Opções Reais). O mais correto é considerá-lo uma variável estocástica. Assim,
para descrever adequadamente o preço futuro de uma commodity são necessárias, pelo
menos, duas variáveis estocásticas: S e δ. Estas variáveis não são observáveis e devem ser
estimadas. A variável observável F, preço futuro, permite esta estimação. A importância de
definir o preço à vista está relacionada à necessidade de seu uso em modelos de valoração
de ativos reais (Opções Reais), planejamento de curto e longo prazo, decisão de proteção
ou hedging e decisões de investimento de empresas e/ou instituições financeiras.
Este artigo apresenta uma revisão dos processos estocásticos para preços de commodities
existentes na literatura. O artigo analisa em detalhe o modelo de Schwartz e Smith (2000)
que tem sido o modelo mais utilizado recentemente. Ainda aponta algumas extensões deste
modelo e suas conseqüências. A questão fundamental aqui tratada está relacionada ao
processo de estimação das variáveis de estado. Via de regra a literatura adota o filtro de
Kalman como metodologia desta estimação. O filtro de Kalman pressupõe linearidade e
Gaussianidade dos modelos. Nem sempre estas condições são atendidas na prática.
Alternativamente a literatura usa o filtro de Kalman estendido (veja em Cortazar, Schwartz
e Naranjo (2003)). Este trabalho propõe uma metodologia alternativa. Trata-se do filtro de
Partículas que flexibiliza as suposições de linearidade e Gaussianidade dos modelos. Foi
realizada uma comparação entre as duas metodologias primeiramente com dados artificiais
e posteriormente com dados de mercado. Pode-se observar que o desempenho do filtro de
Partículas é igual ou superior ao do filtro de Kalman. Além disso, a sua maior flexibilidade
permite que modelos mais complexos para os preços de commodities sejam empregados.
O artigo foi organizado da seguinte maneira: a seção 2 resume os artigos mais relevantes
que tratam diretamente de processos estocásticos para commodities; a seção 3 apresenta o
modelo de Schwartz e Smith (2000) e possíveis extensões; a seção 4 resume o filtro de
Kalman, a seção 5 apresenta o filtro de partículas, a seção 6 relata os procedimentos
empíricos utilizados para a comparação entre o filtro de Kalman e o filtro de partículas e a
seção 7 apresenta as conclusões.
Pode-se dizer que o artigo de Gibson e Schwartz no início da década de 90 foi o primeiro
passo na direção de modelos guiados por mais de um fator para preços de commodities. O
segundo autor prosseguiu com pesquisas nesta área e produziu modelos que se
incorporaram definitivamente à literatura sobre o tema.
Pindyck (1999) apresenta um estudo sobre o comportamento de longo prazo dos preços da
energia. Usou séries de preços do petróleo, carvão e gás natural. Primeiramente analisa a
possibilidade de reversão à média para séries de preços de até um século. Os testes da raiz
unitária não são conclusivos. Entretanto estes testes, em conjunto com o teste da razão da
variância, sugerem que os preços possuem reversão, mas com um coeficiente de reversão
pequeno. Além disso, a média para a qual os preços revertem também flutua ao longo do
tempo. O autor mostra que mesmo para os modelos mais simples de recursos minerais
depletáveis como o de Hotelling, o preço e a taxa de variação do preço com o tempo (level
and slope) flutuam com o decorrer do tempo. O modelo proposto pelo autor possui duas
características fundamentais: i) reversão para uma variável não observável – o custo
marginal de longo prazo segue uma tendência; e ii) flutuação aleatória do nível e
inclinação da tendência. O modelo é colocado na forma espaço-estado e então é usado o
filtro de Kalman para estimação das variáveis de estado. Os resultados mostram que o
modelo produz boas previsões para o petróleo, mas não tão boas para o carvão e gás
natural. O autor argumenta, que para estas duas commodities, podem ter ocorrido
problemas de inicialização e sensibilidade dos parâmetros aos pontos iniciais.
O modelo de dois fatores de Schwartz e Smith (2000) foi usado em trabalhos subsequentes
para a commodity gás natural em Manoliu e Tompaidis (2000), para commodities agrícolas
em Sørensen (2002). Além disso, permitiu extensões como em Cortazar e Naranjo (2003)
que analisa os preços do petróleo e Lucia e Schwartz (2001) que analisa os preços da
energia elétrica. Na seção seguinte apresentaremos o modelo de Schwartz e Smith (2000).
Em síntese, podemos dizer que a grande parte dos trabalhos faz uso do filtro de Kalman
para a estimação da variável não observável (o preço à vista). Além disso, a estimação dos
parâmetros dos modelos é feita pela maximização da verossimilhança do erro de predição
(veja Harvey (1989) capítulo 3). A literatura usa o fato de que os modelos são lineares e
agrega aos mesmos um erro Gaussiano, tal qual é o requisito do filtro de Kalman. Há que
se notar entretanto, que um fato estilizado das séries de retornos financeiros é o excesso de
curtose destas distribuições. Somente este fato, se rigorosamente observado, é capaz de
inviabilizar o uso do filtro de Kalman clássico. Este trabalho apresenta os resultados do uso
do filtro de Patículas como metodologia alternativa para lidar com as perdas de linearidade
e Gaussianidade dos modelos.
Esta seção descreve a derivação do modelo de Schwartz e Smith (2000) no que se refere
aos aspectos mais relevantes. Trata-se de um modelo de dois fatores em que o logaritmo do
preço à vista é decomposto em duas parcelas: a primeira modela as variações de curto
prazo e a segunda os preços de equilíbrio de longo prazo. As duas variáveis de estado serão
estimadas já que não são observáveis. Inicialmente será feita a derivação sob a medida de
probabilidade verdadeira ou empírica. Posteriormente usaremos a MME para o
apreçamento do contrato futuro. Então, pode-se escrever:
ln(S t ) = χ t + ξ t (1)
dχ t = − kχ t dt + σ χ dZ χ (2)
dξ t = µ ξ dt + σ ξ dZ ξ (3)
t
χ t = χ 0 e − kt + σ χ ∫ exp(k (s − t ))dZ s (4)
0
σ χ2
Var (χ t ) =
2k
(1 − e )− 2 kt
(6)
ξ t = ξ0 + µ ξ t + σξ Zξ (7)
E (χ t , ξ t ) = (e − kt χ 0 , ξ 0 + µt ) (8)
− 2 kt
σ χ2 ρσ χ σ ξ
(1 − e ) (1 − e − kt )
Cov(χ t , ξ t ) = 2k k (9)
(1 − e − kt ) χ σ ξ
ρσ
σ χ2 t
k
A demonstração da equação (9) pode ser vista com detalhes no Apêndice de Schwartz e
Smith (2000). Logo ln(S t ) é normalmente distribuída com média dada por:
E(ln(S t ) ) = e − kt χ 0 + ξ 0 + µt (10)
σ χ2
Var (ln(S t ) ) = (1 − e − 2 kt
)
2k
(
+ σ χ2 t + 2 1 − e − kt ) ρσkσ
χ ξ
(11)
( )
E(S t ) = E e ln St = exp[E(ln S t ) + 1 2 Var(ln S t )]
Sob a Medida Martingal Equivalente (MME) os processos descritos em (2) e (3) podem ser
escritos por:
dχ t = (− kχ t − λ χ )dt + σ χ dZ Qχ (14)
dξ t = (µ ξ − λ ξ )dt + σ ξ dZ Qξ (15)
λχ
E Q [χ t , ξ t ] = e − kt χ 0 − (1 − e − kt ) , ξ 0 + µ *ξ t (16)
k
onde µ *ξ = µ ξ − λ ξ . Como a mudança de medida envolve somente alteração nas médias dos
processos a variância não se altera conforme descrito na equação (17). Ainda, ln S t é
normal e S t é lognormal. Então, E Q (ln S t ) = E Q (χ t ) + E Q (ξ t ) ou ainda temos que:
λχ
E Q [ln S t ] = e − kt χ 0 − (1 − e − kt ) + ξ 0 + µ *ξ t (18)
k
( )
ln E Q (S t ) = E Q (ln S t ) + 1 2 Var Q (ln S t ) (20)
Podemos ainda reescrever a equação (21) considerando que o tempo corrente é t. Então
seja FT , t o preço futuro em t de um contrato que vence na data T:
onde:
ρσ χ σ ξ
(
A(T − t ) = µ *ξ (T − t ) − 1 − e − k ( T − t ) ) λk
χ
( )
+ 1 2 1 − e −2k (T−t )
σ χ2
2k
( )
+ σ ξ2 (T − t ) + 2 1 − e − k ( T − t )
k
A seguir estão descritos dois modelos que levam em consideração a existência de saltos na
variável de curto prazo χt (veja em Deng (1998) e em Duffie, Pan e Singleton (2000) o uso
de modelos afins com saltos). A parcela χt , variações de curto prazo, segue um processo de
Ornstein-Uhlenbeck adicionado a um salto, ou processo de Poisson
dχ t = − k χ χ t dt + σ χ dZ χ + ν(µ ν , σ ν2 )dπ(ϖ t ) onde kχ é a velocidade de reversão; σχ é o
parâmetro de difusão; dπ(ϖ t ) representa um processo de Poisson em que ϖ t é a
intensidade dos saltos; ν(.,.) é a distribuição de probabilidade do tamanho do salto (dado
que ocorre o salto), que é Gaussiana ou exponencial.
Esta extensão é idêntica a anterior no que se refere à parcela de curto prazo. Porém a
parcela de longo prazo é dada por dξ t = k ξ ( ξ − ξ t )dt + σ ξ dZ ξ onde os parâmetros têm a
mesma descrição que em a).
4 - O filtro de Kalman
O filtro de Kalman é um conjunto de equações matemáticas recursivas constituindo um
processo eficiente de estimação uma vez que o erro quadrático médio é minimizado.
Através da observação da variável denominada “variável de observação”, outra variável
não observável, denominada variável de estado, pode ser eficientemente estimada. Os
estados passados, presentes e futuros podem ser estimados. Primeiramente o modelo é
escrito na forma espaço-estado e então o filtro de Kalman pode ser usado. Além disso, o
filtro de Kalman permite a estimação dos parâmetros desconhecidos do modelo através da
maximização da verossimilhança através do erro de previsão. Considere a variável de
observação y t , e a equação de observação:
y t = Ztxt + dt + εt (24)
x t = Tt x t -1 + c t + R t η t t = 1, 2, ...., T (25)
xˆ −t = Tt xˆ t −1 + c t (26)
onde o sinal superior indica e o valor da variável a priori (antes que nova observação seja
conhecida). As equações de atualização das medições são:
Pt = (I − K t Z t )Pt− (30)
Note que as equações (24) e (25) são funções lineares. As equações (26)-(30) foram
derivadas sob a hipótese de que os ruídos e o vetor inicial de estado são normalmente
distribuídos. Pode-se calcular a distribuição condicional dos estados que é normal dada a
informação até o tempo t. Conseqüentemente a distribuição dos estados ficam
completamente definidas com a média e a matriz de covariância. E isto é o que é feito em
cada instante de tempo através do algoritmo acima. Note também que o algoritmo envolve
a inversão de matriz. Um tratamento detalhado do filtro de Kalman pode ser encontrado
em Harvey (1989) ou em Durbin e Koopman (2002).
5 - O filtro de partículas
p(y 1: t x 0 : t )p(x 0 : t )
p(x 0 : t y 1: t ) = (31)
∫ p ( y 1 : t x 0 : t ) p ( x 0 : t ) dx 0 : t
A distribuição marginal que procuramos, também pode ser obtida de formulas recursivas:
p(x t y 1 : t ) = ∫ p(x t x t −1 )p(x t −1 y 1 : t −1 )dx t −1 (32)
p(y t x t )p(x t y 1 : t −1 )
p( x t y 1 : t ) = (33)
∫ p(y t x t )p(x t y 1 : t −1 )dx t
onde a equação (32) é a equação de predição e a equação (16) é a equação de atualização.
Quando as equações de transição e observação são lineares e as distribuições são
Gaussianas, as equações (32) e (33) têm uma solução fechada que é exatamente o filtro de
Kalman.
Para calcular I(f t ) deve-se conhecer a distribuição posterior. Quando o ambiente não é
Gaussianao, os cálculos para estimar a distribuição posterior são muito compelxos. O filtro
de partículas adota uma técnica denominada amostragem por importância. O objetivo é
estimar a densidade posterior baseado em uma distribuição por importância. Seja uma
distribuição representada por partículas ou pontos desta última. Considere π( x 0 : t y1 : t ) a
distribuição por importância. Então a integral I(f t ) é calculada por:
∫f t (x 0 : t )p(x 0 : t y 1 : t )dx 0 : t
Pode-se usar a identidade I(f t ) = . Multiplicando e dividindo
∫p(x 0 : t y 1 : t )dx 0 : t
numerador e denominador por π( x 0 : t y1 : t ) , temos:
p(x 0 : t y 1 : t )
onde ω(x 0 : t ) = é denominado peso por importância. Um estimador da
π( x 0 : t y 1 : t )
integral acima é dado por:
∑
N
1
f (x (0i:) t )ω(x (0i:) t )
= ∑i =1 f t (x (0i:) t )ω*t
N i =1 t N (i )
Î(f t ) =
∑
N
1
N j=1
ω(x (0j:) t )
* (i )
ω(x (0i:) t )
onde ω =
∑
t N
j=1
ω(x (0j:) t )
Mas que distribuição deveria ser escolhida para representar a distribuição por importância?
Esta questão é essencial, pois ela define a eficiência e a complexidade do filtro de
partículas. A melhor escolha seria a distribuição posterior pois os pesos por importância
são minimizados. Mas, conforme mencionado acima, os cálculos seriam demasiadamente
complexos. Se escolhermos a distribuição a priori seria mais fácil implementar. Quando a
distribuição por importância é a distribuição a priori temos a denominação de amostragem
por importância seqüencial. Neste tem-se uma fórmula recursiva para os pesos por
importância:
6 - Procedimentos Empíricos
Esta seção descreverá os procedimentos empíricos que foram seguidos para estimação das
variáveis de estado. As duas metodologias usadas para tal finalidade foram os filtros de
Kalman e o de Partículas. O filtro de Kalman possui limitações quanto à linearidade e
Gaussianidade do modelo. Uma alternativa ao filtro de Kalman clássico é o filtro de
Kalman quando perde-se a condição de Gaussianidade conforme descrito em Harvey
(1989) no Capítulo 3, seção 3.7.3. Contudo, não há solução analítica e a solução numérica
é a opção para avaliar as várias funções densidades. Outrossim os cálculos são
computacionalmente muito intensos. Outra alternativa para a perda de Gaussianidade é o
filtro de Partículas. Este é o enfoque deste estudo e esta seção dedica-se à comparação das
duas metodologias.
O modelo de Schwartz e Smith (2000) e os modelos de dois e três fatores sem saltos estão
dentro destas condições, já que a equação das observações (preços futuros - FT , t ) é linear
em relação às variáveis de estado χ t e ξ t . Também é imediato que o logaritmo de dos
preços futuros é uma distribuição condicionalmente normal. Isto é, dado que se conhece os
valores das variáveis de estado em t-1, então χ t e ξ t são condicionalmente Gaussianas e
por conseguinte a equação de observações define que o ln (FT , t ) é também Gaussiana.
O modelo usado para fazer a comparação entre o filtro de Kalman e o filtro de partículas
foi o modelo de Schwartz e Smith (2000) dado pelas equações (1)-(3) e com preços futuros
dado na equação (22). Considerando os parâmetros do modelo como aqueles em Schwartz
e Smith (2000), os preços futuros (variável de observação) serão gerados artificialmente.
Primeiramente as equações (2) e (3) são discretizadas abaixo:
χ t = (1 − k∆t )χ t −1 + ε t (38)
ξ t = µ ξ ∆t + ξ t −1 + ν t (39)
σ χ2
(
Var (χ t | χ t −1 ) = 1 − e − 2 k∆t
) 2k = σ 2
ε e Var (ξ t | ξ t −1 ) = σ ξ2 ∆t = σ ν2
onde u t ~ N(0, σ 2u ) representa os erros nas observações que são descorrelacionados dos
erros das equações de transição (38) e (39).
Em cada uma das três séries geradas foram realizados os testes estatísticos para verificação
da adequabilidade dos dados. Foram realizados os testes de normalidade de Jarque-Bera e
Anderson-Darling, aceitando-se a hipótese nula de normalidade dos dados. O correlograma
com a FAC (Função de Auto-Correlação), FACP (Função de Auto-Correlação Parcial) e
com a estatística Ljung-Box (estatística Q) indicam que os dados são descorrelatados. O
teste de independência BDS (Brock, Dechert e Scheikman), realizado em espaço de
dimensão oito, indica aceitação da hipótese nula de independência dos termos da série.
Além disso, as séries dos resíduos das variáveis de estado estão correlacionadas, enquanto
a correlação destas mesmas séries com a série dos ruídos da variável de observação é
baixíssima. Foram realizados os testes de igualdade da média com o valor zero para as três
séries, e em todos os casos foi aceita a hipótese nula de igualdade. Portanto, os valores
gerados artificialmente para os ruídos estão adequados às premissas requeridas.
A etapa seguinte foi calcular para cada intervalo de tempo as variáveis de estado a partir de
valores inicias de χ0 e ξ0 . Para tal, foram usadas as equações discretizadas (38) e (39), bem
como os ruídos gerados acima. Foi calculado o termo A(T − t ) da equação (37). Então, de
posse dos valores calculados para as variáveis de estado e do ruído das observações, foi
calculado, em cada instante de tempo, o valor da variável de observação para o primeiro
contrato futuro (equação (40)). Os dados artificiais, assim gerados, serão os dados de
entrada para o processo de filtragem. Eles serão utilizados no filtro de Kalman e no filtro
de Partículas. Faremos somente a filtragem dos dados pelas duas metodologias. Por
enquanto não haverá estimação de parâmetros por nenhum critério. O objetivo, até o
momento, é tão somente de comparar os dois processos de filtragem dos dados observados
para estimação das variáveis de estado.
O preço futuro, artificialmente gerado, será o dado de entrada para os dois filtros. Esta é a
variável de observação que será filtrada. A filtragem estimará a duas variáveis de estados
χ t e ξ t por cada metodologia. Também será obtido o sinal de observação filtrado. Serão
avaliados os erros entre o sinal observado e aquele gerado em cada metodologia de
filtragem. Ambos os filtros foram implementados usando o MATLAB.
∑ (y ot − y ft ) 2 T y ot − y ft 1 T y ot − y ft
RMSE = t =1
MAE = ∑ MAPE = ∑ y
T t =1 T T t =1 ot
onde yot significa o valor da variável de observação no instante t e yft o valor da variável de
observação filtrada no mesmo instante. A primeira medida RMSE é a raiz do erro
quadrático médio, a segunda medida, MAE, é o erro absoluto médio e a terceira medida,
MAPE, é o erro absoluto percentual médio.
Pode-se observar que o filtro de partículas apresentou um erro próximo àquele do filtro de
Kalman. Isto era esperado já que o filtro de Kalman representa a resposta exata em um
ambiente Guassiano.
Como todas as variáveis foram construídas, pode-se inferir um erro entre a variável de
estado S (preço à vista) e àquela oriunda da estimação. A Tabela 2 apresenta os resultados.
Os números do filtro de partículas referem-se às médias de cada caso (com 100 e 500
experimentos).
Pode-se notar que a diferença entre os erros empregando as duas metodologias é bem
pequeno. O número de partículas usado foi de 200 (veja em Fox (2001) um procedimento
para determinação do número de partículas). Não existe uma definição precisa do número
ideal de partículas a ser utilizado. Um procedimento empírico é conduzir experimentos e
observar o instante em que os resultados estabilizam-se. Quando o número de partículas é
aumentado o erro cometido reduz-se. O custo é o tempo computacional despendido quando
o número de partículas é incrementado. Em média o tempo despendido em cada
experimento foi de 25 segundos.
Nesta seção será mostrada a comparação realizada entre as metodologias dos filtros de
Kalman e de Partículas considerando os dados reais de mercado. Foi considerada como
variável de observação os dados do primeiro contrato futuro de petróleo. Desta forma o
modelo é univariado em relação ao número de variáveis de observação, porém permanece
multivariado em relação ao número de variáveis de estado. Os dados abrangem o período
de janeiro de 1985 a abril de 2004, tomados com freqüência semanal. O tamanho da
amostra é de 1007 dados. O modelo analisado é o de Schwartz e Smith (2000), o mesmo da
seção anterior. Os parâmetros foram mantidos os mesmos e a análise dar-se-á tão somente
sob o aspecto da filtragem. Adotou-se o mesmo procedimento anterior, ou seja, foram
calculados os erros da mesma forma. A Tabela 3 mostra os resultados. De forma similar os
erros do filtro de partículas referem-se às médias dos experimentos em cada caso.
Da mesma forma que com dados artificiais, a diferença entre a variável observada (preço
de mercado) e a variável filtrada é muito sutil. As curvas praticamente sobrepõem-se. As
correlações entre estas variáveis são 0,9960 e 0,9953 para os filtros de Kalman e de
partículas respectivamente. Os resíduos do modelo foram analisados. Os testes de
normalidade Jarque-Bera e Anderson-Darling rejeitam a hipótese nula de normalidade. A
distribuição é leptocúrtica. Era um fato esperado já um fato estilizado das séries de
retornos financeiras é o excesso de curtose. Em suma usando dados de mercado foram
encontrados resíduos não Gaussianos.
O estudo prossegue fazendo a comparação com dados reais de mercado, mas considerando
uma análise multivariada em relação à variável de observação. Ou seja, foram usados
quatro contratos futuros. Agora os filtros são multivariados em relação aos estados e
observações. Os resultados obtidos são idênticos ao caso univariado.
7 - Conclusões
Este estudo tem como objetivo analisar o comportamento estocástico dos preços de
commodities através do uso do filtro de Partículas. O modelo de Schwartz e Smith (2000) é
o de maior uso nos estudos mais recentes. Este modelo é flexível, permitindo várias
extensões que capturaram detalhes específicos dos dados empíricos. O artigo apresenta
algumas possíveis extensões do modelo. Embora o objetivo central deste estudo não seja a
análise dos modelos propriamente, entendemos que estudos nesta direção possibilitem
aumentar o poder de predição dos mesmos. Notadamente a extensão do modelo de
Schwartz e Smith (2000) em que foi inserido um termo de Poisson no processo de
Ornstein-Uhlenbeck traz complicações adicionais para a estimação das variáveis de estado.
Os saltos são utilizados para modelar o excesso de curtose exibido em séries de retornos
financeiros.
A literatura usa naturalmente o filtro de Kalman como metodologia de estimação das
variáveis de estado. Entretanto, limitado às condições de Gaussianidade e linearidade,
muitos modelos são descartados em face da natureza complexa da estimação, como é o
caso do modelo não Gaussiano apresentado. Já o filtro de partículas é uma metodologia
viável e apresenta resultados coerentes conforme mostramos. Pode-se concluir, pelos
resultados alcançados, que as duas metodologias são equivalentes. O filtro de partículas
consome maior tempo computacional. Por outro lado seu algoritmo não requer nenhuma
inversão de matriz. Além disso, permite que sejam realizadas análises em modelos mais
complexos que não aderem às condições do filtro de Kalman. Nós mantivemos a análise
somente sob o âmbito do processo de filtragem. Poderíamos ter considerado o processo de
estimação dos parâmetros do modelo. Mas esta é uma etapa que pode ser tratada
separadamente. Preferimos nos ater ao processo de filtragem isolando os efeitos do
processo de otimização. A estimação dos parâmetros é uma etapa fundamental em
Finanças, mas para os propósitos desta pesquisa preferimos tratá-la separadamente em
outro artigo. Em suma, o filtro de partículas é uma metodologia promissora em Finanças.
Abre-se um campo vasto de pesquisa dentro do ramo da econometria em Finanças.
8 - Bibliografia
Black, F., Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of
Political Economy, 81, 637-654.
Cortazar, G., Naranjo, L. (2003). A multi-factor stochastic model for estimation procedure
for the valuation and hedging of commodity contingent claims. Working paper,
Pontificia Universidade Catolica de Chile.
Cortazar G., Schwartz, E. S., Naranjo, L. (2003). Term structure estimation in low-
frequency transaction markets: A Kalman filter approach with incomplete panel-data.
Working paper, The Anderson School, University of California Los Angeles.
Deng, S. (1998). Stochastic models of energy commodity prices and their applications:
mean-reversion with jumps and spikes. Working paper, University of California at
Berkeley.
Dixit, A. K., Pindyck, R. S. (1994). Investment under Uncertainty. Princeton, New Jersey:
Princeton University Press.
Doucet A., De Freitas, N., Gordon, N., (2001). Sequential Monte-Carlo methods in
practice. Springer-Verlag, New York.
Duffie, D., Pan, J., Singleton, K. J. (2000). Transformation analysis and asset pricing for
affine jump-diffusions, Econometrica, 68(6), 1343-1376.
Durbin J., Koopman, S. J. Time series analysis by state space methods. Oxford statistical
science series, 25, Oxford University Press.
Gibson, R., Schwartz, E. S. (1990). Stochastic convenience yield and the pricing of oil
contingent claims. The Journal of Finance, 45(3), 959-976.
Harrison, M., Kreps, D. (1979). Martingales and multiperiod securities markets. Journal of
Economic Theory
Harrison, M., Pliska S. (1981). Martingales and stochastic integrals in theory of continuous
trading. Stochastic Processes and their Applications, 11, 313-316.
Harvey, A. C. (1989). Forecasting, structural time series models and the Kalman filter.
Cambridge University Press, Cambridge.
Lucia, J. J., Schwartz, E. S. (2001). Electricity prices and power derivatives: evidence from
the Nordic Power Exchange. Review of Derivatives Research, 5(1), 5-50.
Manoliu, M., Tompaidis, S. (2000). Energy futures prices: Term structure models with
Kalman filter estimation. Working paper, University of Texas, Austin.
Merton, R. C. (1973). Theory of rational option pricing. Bell Journal of Economics and
Management Science,4,141-183.
Pindyck, R. S. (1999). The long-run evolution of energy prices. The Energy Journal, 20(2),
1-27.
Schwartz, E. S., (1997). The stochastic behavior of commodity prices: Implications for
valuation and hedging. The Journal of Finance, 52(3), 923-973.