Escolar Documentos
Profissional Documentos
Cultura Documentos
DISSERTAO APRESENTADA
AO
INSTITUTO DE MATEMTICA E ESTATSTICA
DA
UNIVERSIDADE DE SO PAULO
PARA
OBTENO DO TTULO
DE MESTRE EM CINCIAS
Programa: Estatstica
Orientadora: Profa. Dra. Chang Chiann
Banca Examinadora:
Agradecimentos
Agradeo minha orientadora Profa. Dra. Chang Chiann por todos os ensinamentos, a
amizade e o auxlio que foram fundamentais para a concluso deste trabalho.
minha famlia, amigos e Kelly pelo apoio, motivao e companherismo.
Ao Prof. Dr. Guilherme de Oliveira Lima Cagliari Marques e Grazielle Yumi Sold pelas
ajudas prestadas.
LAN House Monkey pelo apoio com as inmeras e demoradas simulaes.
Aos professores e colegas do IME pelos ensinamentos, amizade e pacincia.
Resumo
O objetivo deste trabalho apresentar alguns testes de cointegrao fracionria para sries
integradas de ordem , i.e., sries , comparando-os com os testes de cointegrao,
cujo parmetro assume valores inteiros. O procedimento para os testes de cointegrao
fracionria utiliza reamostragens de bootstrap com reposio para gerar sries sob a hiptese
nula de no cointegrao. Estas reamostragens so ento utilizadas para calcular os p-valores de
algumas estatsticas de testes de regresso, tais como a estatstica de Durbin-Watson e a
estimativa do parmetro de memria longa (d) residual. O poder destes testes apresentado e
comparado com os testes de cointegrao, mostrando sua consistncia. A aplicao destes testes
a dados reais compara o modelo de correo de erros de cointegrao com o modelo de correo
de erros de cointegrao fracionria utilizando a medida de erros quadrticos mdios dos
modelos ajustados.
Abstract
The purpose of this project is to present some fractional cointegration tests for integrated time
series of order , i.e., time series, comparing them to cointegration tests, where the
parameter assumes integer values. The tests procedure is done by using bootstrap samples to
obtain series under the null hypothesis of non-cointegration. These samples are then used to
estimate the p-value of some regression-based test statistics, such as the Durbin-Watson statistic
and estimates of residual d parameter. The application of these tests to real series compares the
error correction model of cointegration to the error correction model of fractional cointegration
by evaluating the mean squared errors over the residuals from the fitted models.
Sumrio
Captulo 1
Introduo .......................................................................................................... 1
Captulo 2
Preliminares ....................................................................................................... 3
2.1
2.1.1
2.2
2.2.1
2.2.2
2.2.3
2.3
2.3.1
2.3.2
2.4
2.4.1
2.5
Captulo 3
3.1
3.2
3.2.1
3.2.2
3.3
3.3.1
3.3.2
3.3.3
Mtodo de Whittle............................................................................................... 19
3.3.4
3.4
Simulao ................................................................................................................... 21
Captulo 4
Cointegrao .................................................................................................... 26
4.1
4.2
4.3
4.4
4.4.1
4.4.2
4.4.3
4.5
Simulao ................................................................................................................... 40
Captulo 5
5.1
5.2
5.3
Simulao ................................................................................................................... 50
Captulo 6
6.1
6.2
Captulo 7
Concluso ........................................................................................................ 66
Apndice A
Apndice B
Captulo 1 Introduo
No mercado financeiro, grande parte das sries de preos de ativos so realizaes de
No entanto, a modelagem das relaes entre sries no estacionrias por simples modelos de
regresso ou pela utilizao de modelos auto-regressivos vetoriais (VAR), que assumem que as
sries sejam estacionrias, podem levar a concluses erradas. Tais mtodos quando aplicados a
sries integradas apresentam resultados que podem no ser vlidos, como o caso de regresso
espria apresentado por Granger e Newbold (1974).
Para se determinar a verdadeira relao entre estas sries foram criados os mtodos de
cointegrao, como descrito por Engle e Granger (1987), que testam e modelam a relao entre
sries no estacionrias, encontrando a relao estocstica de longo prazo entre elas. Estes
mtodos de cointegrao convencional so bem conhecidos e utilizados.
No entanto, o fato de assumir valores inteiros para o parmetro foi criticado e mtodo
2
A conceituao de cointegrao exposta no captulo 4 em que so apresentados a presena
de regresso espria em sries no estacionrias, testes e estimao de parmetros que sero
testados pelas simulaes de sries no estacionrias cointegradas e no cointegradas.
O restante deste trabalho est disposto da seguinte forma: testes e a modelagem de
cointegrao fracionria so observados no captulo 5, bem como o procedimento de Davidson
(2002) que utiliza a amostragem de bootstrap para realizao dos testes; Aplicaes a dados reais
so apresentados no captulo 6, em que as sries utilizadas so os preos de taxa de cmbio a
vista e futuro negociados na BM&F e algumas consideraes sobre os mtodos so apresentadas
no ltimo captulo, alm de sugestes para trabalhos futuros.
Captulo 2 Preliminares
Este captulo fornece, de forma resumida, o embasamento necessrio para o desenvolvimento
do tema proposto. Mais detalhes podem ser observados em Box, Jenkins e Reinsel (1994),
Morettin e Toloi (2004), Morettin (2006) e Tsay (2005).
conjunta de , , , em que um inteiro positivo qualquer, idntica distribuio
conjunta de , , para todo , ou seja, a distribuio de , , deve
ser a mesma para qualquer janela de tempo. Por ser uma condio difcil de se verificar
empiricamente, geralmente utilizado o conceito de estacionariedade fraca, tambm conhecido
como estacionariedade de segunda ordem.
Uma srie fracamente estacionria se:
"#$ , % & ! & !' ( depende somente de , para todo e
qualquer ;
(. ( ;
(+ / |( |;
( no negativa definida;
(
2(+ , .
4
A FAC amostral de defasagem pode ser obtida por
13
(3
2(3 ,
+
1
(3
5 & 6. & 6,
8
Movimento Browniano
W0 0;
As
variveis
aleatrias
(v.a.),
so
As v.a. Wt & Ws e Wt D & Ws D possuem a mesma distribuio para
quaisquer , F G ;
Wt~I0, t;
5
Q
D 5 > aP.> ,
8+
distribuidas (I.I.D.) com mdia 0 e varincia , i.e., aP ~RB0, sendo RB a sigla para rudo
branco.
2.2.1
entre as variveis e . eliminada a influncia de . , . , , . . Ela pode ser obtida
6
UV . D UV . D D UVV .: D W: ,
parcial.
Para sries MA(q), todos os coeficientes da FAC so nulos, com excesso do q-simo
coeficiente, enquanto a FACP deste processo apresenta decaimento exponencial ou senoidal.
2.2.3
7
UB BW .
Este modelo considerado estacionrio caso as razes da equao UB 0 estiverem fora
do crculo unitrio e invertvel caso as razes da equao B 0 estiverem fora do crculo
unitrio.
Modelo ARIMA
WP ~RBI0, k , ou
Un . D W , Un U & 1.
on
8
H+n v Un 0, existncia de uma raiz unitria,
Hn v Un ) 0, no existncia de raiz unitria.
on
U
,
o nB
G`
w@U
oB
G`
w@U
r3k
xTP8 zP.
j 3
TP8 . W
r3k xTP8 zP.
Caso W for uma srie de rudo branco com momentos finitos, a estatstica, tambm
D . D 5 Uz .{ D W
{8
G`
w@tB
1, ,
o modelo
9
em que z so matrizes n n de coeficientes e P um processo vetorial rudo branco com
mdia nula n 1 e matriz de covarincia fixa .
>
Testa-se tambm a covarincia dos resduos dos modelos ajustados por razo de
verossimilhana. Tem-se para a k-sima equao ajustada os seguintes resduos
3P
>
1
> > ,
5 3P 3P
T&k
8
10
RVk T & kln
t >.
,
t >
Causalidade de Granger
Granger (1969) define como causalidade o fato de se poder prever de forma mais eficiente o
valor de uma varivel Y qualquer utilizando valores passados de uma varivel X. Neste caso,
diz-se que a varivel X granger-causa Y.
Admitindo-se
, 0, 1, 2, o conjunto de informao relevante at o instante ,
. & . & . & , ou seja, pode ser melhor prevista se tivermos toda a
informao passada de e . Neste caso pode-se dizer, tambm, que exogena
ou antecedente a ;
z & ; I 0, 5 (
8.Q
11
Q
1
z ~ I , 5 ( .
8.Q
A varincia de longo prazo (long run variance lrv) dada pela multiplicao de pela
8.Q
8.Q
1
$ 5 ( 5 ( .
Um popular estimador para a varincia de longo prazo foi apresentado por Newey e West
(1987):
em que ,7 so pesos cuja soma 1 e 7 um parmetro de truncamento do lag que satisfaz
7 @ / B.
Para processos lineares em geral, os autores sugerem a utilizao de pesos da forma ,7
1&
12
possuem
significante
dependncia,
indicando
persistncia
nos
valores
de
ACF
0.2
0.4
0
-4
0.0
-2
exemplo
0.6
0.8
1.0
Series : exemplo
200
400
600
800
1000
50
100
Lag
150
200
Figura 3.1 Exemplo de srie de memria longa e sua funo de auto correlao
(3.1)
13
para C , 0 G 0 ) ) 1.
Outra importante funo para anlise de processos estacionrios a densidade espectral,
definida por
{
Q
,
8.Q 1 G
(3.2)
Por (3.1) e (3.2) pode-se concluir que a funo densidade espectral de um processo com
memria longa dada por
; . quando ; 0,
processo
auto-regressivo
fracionariamente
integrado
de
mdias
mveis
& ,
1
1
1 & Xi 5 &X 1 & X D & 1X & & 1 & 2X D ,
2!
3!
8+
(3.3)
14
Este processo se ajusta a sries com comportamento de memria longa atravs do parmetro
crculo unitrio;
O Caso mais simples, ARFIMA0, , 0 conhecido como rudo branco fracionrio, possui a
seguinte forma:
1 & Xi W .
Para & ) )
.i
2sen
, 0 ) d
o A funo espectral dada por:
;
.i
, ; 0
o A FAC dada por: >
.i!>i.!
i.!>.i!
+
.i
.i
, k 1,2,
.i!
15
3.2.1
Estatstica R/S
O teste que utiliza a estatstica R/S (rescaled range ou range over standard deviation) o
mais conhecido para verificar a dependncia de longo prazo ou memria longa em sries
temporais.
Proposto por Hurst (1951), a estatstica R/S consiste na mudana de escala da amplitude da
soma parcial dos desvios com relao mdia de uma srie temporal pelo desvio padro.
Considerando a srie , para t 1, , , a estatstica R/S definida por:
>
>
P8
P8
1
7 JW>T 5 & z & JKL>T 5 & z,
F7
em que z 1T TP8 a mdia amostral e F7 x1T TP8 & z o desvio padro
est no domnio de atrao de uma ponte browniana no intervalo unitrio, cujos quantis so
fornecidos por Lo (1991).
Lo (1991) tambm indica que a estatstica R/S no robusta para a dependncia de memria
curta e prope a seguinte alterao
>
>
P8
P8
1
7
JW>T 5 & z & JKL>T 5 & z,
r37 q
em que, r37 q a raiz quadrada do estimador da varincia de longo prazo de Newey-West, com
largura de faixa q, dado por
2
j
r3T q sP 1 D 5 1 &
3 ,
T
qD1 A
A8
16
3.2.2
Teste GPH
(3.4)
A
L @A B & d L 4FGL D G ,
2
para j 1,2, , n T. Geweke e Porter-Hudak (1983) mostraram que usando o periodograma
B
6 A8
@UA & U
t i8+
B
6 A8
@UA & U
.
17
Ser observado que a Estatstica R/S tambm pode ser utilizada com o propsito de se
encontrar estimativas para o parmetro de memria longa, alm de outros dois mtodos baseados
na anlise do periodograma.
Outro mtodo apresentado nesta seo ser aquele gerado pela estimao do modelos
ARFIMA(p,d,q).
3.3.1
Estatstica R/S
Madelbrot (1975), apresentou em seu trabalho que se uma srie possui memria longa a
estatstica R/S converge para uma v.a. a uma taxa , em que o coeficiente de Hurst,
enquanto sries que no possuem memria longa convergem a taxas / . Com isso, o grfico
em escala logartmica da estatstica R/S pelo tamanho da amostra de uma srie temporal sem
memria longa deve se distribuir em torno de uma linha reta com inclinao igual a 1/2 e, para o
caso de uma srie com memria longa, este grfico se distribui ao redor de uma reta com
coeficiente de inclinao , 1/2.
fator , ou seja, o nmero de observaes ser { {. para K 2,3, . Note que para
calcular a estatstica R/S com { observaes consecutivas pode-se dividir a amostra em /{
blocos e obter /{ valores diferentes. A inclinao da reta ajustada no grfico gera a estimativa
de .
A Figura 3.2 demonstra a distribuio das estatsticas R/S calculadas para diferentes amostras
da srie exemplo apresentadas no incio do captulo. A linha slida representa a reta ajustada e a
linha pontilhada representa o caso de inexistncia de memria longa. Pode-se observar que,
18
como a reta ajustada est distante da linha pontilhada, h a presena de memria longa na srie
exemplo.
10
1
R/S
50
10
50
100
Uma alternativa para se obter estimativas mais robustas do parmetro de memria longa
utilizar o procedimento Least Absolute Deviation (LAD) para ajustar a reta mencionada.
3.3.2
Mtodo do Periodograma
memria longa se aproxima de . quando a frequncia tende a zero. Desde que a
densidade espectral pode ser estimada pelo periodograma, o grfico em escala logartmica do
periodograma contra a frequncia deve se aproximar de uma reta com coeficiente de inclinao
(1 & 2) para frequncias prximas de zero. Este mtodo conhecido como Mtodo do
Periodograma pode ser utilizado para se estimar o valor de .
19
Spectrum
0.1
1.0
10.0
100.0
0.001
0.005
0.010
0.050
Frequency
Novamente, o mtodo LAD pode auxiliar na obteno de estimativas mais robustas para o
parmetro de memria longa.
3.3.3
Mtodo de Whittle
processo fracionariamente integrado (3.4) no domnio da frequncia. Pode ser demonstrado que
os parmetros do processo podem ser estimados atravs da minimizao da verso discreta de
.
,
,
20
, rk
1
5@ & B /. ,
2rk
8
L| D
.
5 L@. B.
8
@ B
n ln . @ ,B ,
em que
1
7 @ B 5 G .{
8
(3.5)
21
a funo densidade espectral do processo e . a soma sobre todas as frequncias de
Fourier,
7
&, '.
1 L, L,
;
4 .
r3
. 5
7 @ B
2@ , B
3.4 Simulao
Para estudar o desempenho dos testes e de cada um dos estimadores do parmetro d de
memria longa apresentados, foram efetuadas 1000 simulaes com amostras de tamanho 1000
dos modelos ARFIMA(0,d,0), ARFIMA(1,d,0) e ARFIMA(0,d,1) para d=0,1, 0,25 e 0,45 e os
parmetros auto-regressivo e de mdias mveis assumindo o valor de 0,5.
Para cada um dos modelos simulados foram observadas as quantidades de testes que
aceitaram e rejeitaram a hiptese nula de parmetro de memria longa nulo dentro dos 1000
testes efetuados. Todos os modelos simulados apresentam d>0 e esperado, portanto, a rejeio
da hiptese nula por todos os testes. Deste modo, foram observadas as quantidades de aceitao
da hiptese nula dentre todos os testes tendo-se, assim, uma estimativa do erro de tipo II, ou seja,
aceitar H+ sendo esta falsa.
Como o poder de um teste () definido por 1 & erro de tipo II, o teste mais poderoso
aquele que apresenta a menor probabilidade de levar concluso de aceitar H+ sendo ela falsa,
22
ou o teste que apresenta o menor erro de tipo II. A tabela abaixo apresenta os valores de erro do
tipo II estimados dos testes R/S e GPH efetuados sobre as simulaes.
Tabela 3.1 Erros do tipo II dos testes R/S e GPH
d=0.1
d=0.25
d=0.45
ARFIMA (0,d,0)
ARFIMA (1,d,0)
ARFIMA (0,d,1)
ARFIMA (0,d,0)
ARFIMA (1,d,0)
ARFIMA (0,d,1)
ARFIMA (0,d,0)
ARFIMA (1,d,0)
ARFIMA (0,d,1)
rs (nvel 5%)
84%
80%
95%
44%
40%
48%
9%
7%
11%
rs (nvel 1%)
93%
92%
99%
61%
59%
68%
18%
16%
20%
Mdia: 6
i
o M@ B
Erro Quadrtico Mdio: EQ
@i .iB
Os mtodos de GPH e de Whittle como apontado nas sees 3.2.2 e 3.3.3 sero utilizados
para estimar apenas modelos ARFIMA(0,d,0).
A tabela abaixo apresenta os resultados obtidos, sendo que os diferentes mtodos de
estimao esto separados por colunas enquanto que os diferentes modelos testados encontramse separados por linha.
23
Tabela 3.2 Resultado das Simulaes dos Estimadores de Memria Longa
Modelo
d
0.1
ARFIMA(0,d,0)
0.25
0.45
0.1
ARFIMA(1,d,0)
0.25
0.45
0.1
ARFIMA(0,d,1)
0.25
0.45
Estatstica
R/S
Periodograma
Whittle
GPH
EMV
Mdia
EQM
Mdia
EQM
Mdia
EQM
0.15595
0.00343
0.22697
0.00084
0.31487
0.01854
0.04219
0.00593
0.10725
0.02309
0.19582
0.06731
0.09346
0.00079
0.24520
0.00075
0.44586
0.00075
0.10598
0.01851
0.25377
0.01938
0.45268
0.01954
0.09435
0.00068
0.24555
0.00065
0.44287
0.00087
Mdia
EQM
Mdia
EQM
Mdia
EQM
0.30052
0.04045
0.35115
0.01043
0.40461
0.00223
0.05223
0.00491
0.11798
0.02019
0.20614
0.06230
0.04647
0.01342
0.17602
0.02135
0.37904
0.02178
Mdia
EQM
Mdia
EQM
Mdia
EQM
-0.02877
0.01686
0.03982
0.04452
0.14166
0.09548
0.03057
0.00762
0.09665
0.02633
0.18313
0.07400
0.06752
0.00642
0.20987
0.00763
0.41289
0.01086
24
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
-0.20
RS
Pgram Whittle GPH
EMV
RS
Pgram EMV
RS
Pgram EMV
(0,d,0) (0,d,0) (0,d,0) (0,d,0) (0,d,0) (1,d,0) (1,d,0) (1,d,0) (0,d,1) (0,d,1) (0,d,1)
Figura 3.4 boxplot dos valores das simulaes das sries de memria longa com parmetro d=0,1
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
RS
Pgram Whittle GPH
EMV
RS
Pgram EMV
RS
Pgram EMV
(0,d,0) (0,d,0) (0,d,0) (0,d,0) (0,d,0) (1,d,0) (1,d,0) (1,d,0) (0,d,1) (0,d,1) (0,d,1)
Figura 3.5 boxplot dos valores das simulaes das sries de memria longa com parmetro d=0,25
25
0.75
0.70
0.65
0.60
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
RS
Pgram Whittle GPH
EMV
RS
Pgram EMV
RS
Pgram EMV
(0,d,0) (0,d,0) (0,d,0) (0,d,0) (0,d,0) (1,d,0) (1,d,0) (1,d,0) (0,d,1) (0,d,1) (0,d,1)
Figura 3.6 boxplot dos valores das simulaes das sries de memria longa com parmetro d=0,45
Pelas disperses observadas, nas figuras Figura 3.4, Figura 3.5 e Figura 3.6 confirma-se a boa
performance dos estimadores de Whittle e de mxima verossimilhana para modelos
ARFIMA(0,d,0) que apresentam baixa variao em valores prximos ao valor real.
Na avaliao pela mdia e EQM para modelos ARFIMA(1,d,0) com parmetro mais elevado
de memria longa o mtodo R/S apresentou bons resultados, entretanto, observa-se pelos
grficos de disperso que em nenhum momento este chegou a resultar no valor real (boxplot se
localiza abaixo da reta do valor real 0,45).
Atravs dos grficos de boxplot, confirma-se, tambm, a obteno de melhores resultados
pelo estimador de mxima versossimilhana para modelos ARFIMA(0,d,1).
26
Captulo 4 Cointegrao
Os modelos de regresso linear e VAR apresentados na seo 2.4 so apropriados para
modelagem de sries I0 como retornos de preos. Se algumas ou todas as sries de um modelo
de regresso forem I1 os resultados estatsticos podem no ser vlidos, como no caso de
regresso espria quando as sries no so estacionrias e no cointegradas.
Granger e Newbold (1974) verificaram atravs de simulaes que dadas duas sries no
correlacionadas, mas I1, a regresso de uma sobre a outra tender a produzir uma relao
sendo ~RBI0,1 a simulao de 250 observaes pode ser observada no grfico abaixo.
-10
-5
10
z1
z2
50
100
150
200
250
27
Tabela 4.1 Regresso entre duas series no estacionrias
Coefficients:
Value Std. Error t value Pr(>|t|)
(Intercept) 2.4424 0.5561
4.3917 0.0000
z2 1.3684 0.1563
8.7576 0.0000
Regression Diagnostics:
R-Squared 0.2362
Adjusted R-Squared 0.2331
Durbin-Watson Stat 0.0772
A regresso entre as sries em primeiras diferenas revela a verdadeira relao entre as sries
Usualmente, a Teoria Econmica estuda relaes de equilbrio entre sries, sendo diversas
dessas sries no estacionrias, que necessitam, portanto, de um tratamento diferente daquele
utilizado em sries estacionrias, levando ao desenvolvimento de modelos que consigam revelar
estas relaes entre as sries no estacionrias.
considerado cointegrado de ordem d, b, ou seja, ZP ~C. I. d, b, se existe um vetor n 1
, , , , chamado de vetor de cointegrao, tal que
/
,0
28
por
Engle e Granger (1987) fornecem um exemplo considerando L 2 e as sries e dadas
D
s . D
D $
$ s $. D
sendo { independentes e normais com mdia zero e @{ B 0, i, j 1,2 e sz s no nulos.
vetor de cointegrao, ou seja, " ~I0. Por este motivo, algumas suposies de
ou
com ~0, conhecido como resduo de cointegrao. Como, no longo prazo, tem-se 0, a
relao de longo prazo entre as variveis
matriz B de ordem n r, com posto r, chamado de posto de cointegrao, possui a seguinte
forma
29
uP
u
B
P .
\
\
\
u
P
Um sistema para ZP zP , zP com vetor de cointegrao 1, & pode ser simulado
D
. D $
com e $ ~I0. O grfico abaixo apresenta a evoluo de duas sries geradas pelo sistema
acima, considerando 0,8.
-10
-5
z1
z2
50
100
150
200
250
30
Para exemplificar, considere ZP zP , zP ~1, uP uP , uP , uP ~I0 e que ZP
cointegrado com vetor de cointegrao 1, & . Esta relao pode ser expressa na forma
P
D 5 .
>8
A tendncia comum do exemplo P>8 , que eliminada pela relao de cointegrao
P
>8
>8
& D 5 & D 5 & ~I0.
31
Outro fato relevante, apontado por Alexander (2001), o da cointegrao entre sries no
implicar em elevada correlao entre as mesmas. Supondo
D
D
. D
com s i.i.d., nota-se que e so I1 pelo fato de ser um passeio aleatrio, alm de
serem cointegradas pois & & ~0 e possuirem a tendncia estocstica comum
.
, & ,. segue-se que var D 2 . Analogamente tem-se var D 2 .
O coeficiente de correlao
,
ser baixo se # .
cointegrao 1, & . Engle e Granger (1987) mostram que esta relao de cointegrao
(4.1)
32
de erros relaciona a relao de equilbrio de longo prazo e os ajustes de curto prazo que
descrevem como as variveis se movimentam enquanto no seguem o equilbrio.
Pode-se escrever o modelo da seguinte forma:
W
em que, , U W
. D U . D ,
W
W e .
" , 0
" , 0.
A primeira equao relaciona a variao de com o desvio defasado de . & . & e
Note que
situaes:
33
indicando que cresceu mais rpido do que sua mdia de longo prazo e o modelo
prev um crescimento mais rpido para (sendo 0,5 o coeficiente da velocidade de
resposta ao desiquilbrio) de forma a restaurar o equilbrio;
indicando que cresceu muito abaixo do que sua mdia de longo prazo e o modelo
prev um crescimento inferior para de forma a restaurar o equilbrio.
Estes casos ilustram a razo pela qual o modelo conhecido como correo de erros. Quando
as variveis se encontram fora da relao de equilbrio de longo prazo h uma fora que faz com
que elas retornem ao equilbrio e a velocidade com que isto ocorre determinada pela magnitude
do parmetro . No exemplo acima 0,5 indicando que metade do desequilbrio corrigido a
cada perodo, caso 1 a correo a cada perodo seria de mesma magnitude que o erro de
desequilbrio e caso , 1 a correo ultrapassa o valor do erro a cada perodo.
cointegrado com r vetores de cointegrao se existir uma matriz X , r n, tal que
uP
B uP ~I0.
\
\
uP
Testes para cointegrao podem ser efetuados como teste da existncia de equilbrios de
longo prazo entre as variveis, o que leva a duas situaes:
O primeiro caso foi originalmente tratado por Engle e Granger (1986) e um teste de duas
iteraes baseado nos resduos do modelo foi desenvolvido. O segundo foi primeiramente
34
considerado por Johansen (1988) que desenvolveu um processo sofisticado para determinar o
nmero de relaes de cointegrao atravs de tcnicas de mxima verossimilhana.
4.4.1
O teste pode ser efetuado em duas situaes: quando o vetor de cointegrao pr-definido e
quando o vetor de cointegrao estimado.
Vetor de cointegrao pr-definido
Sendo ZP um vetor n 1 de sries temporais I1, um vetor n 1 de cointegrao pr-
Qualquer teste de raiz unitria pode ser utilizado para avaliar as hipteses acima. O teste mais
utilizado o ADF. Caso o teste rejeite a presena de raiz unitria nos resduos, a relao de
cointegrao aceita.
Vetor de cointegrao estimado
Seja ZP um vetor n 1 de sries temporais I1, um vetor n 1 de cointegrao
desconhecido, para que o teste possa ser efetuado, necessria a estimao do vetor de
cointegrao.
Uma normalizao comum para estimar o vetor definir o primeiro elemento de ZP como
varivel dependente, ou seja, ZP zP , ZP em que ZP zP , , zP um vetor @n & 1
1B e o vetor de cointegrao escrito na forma 1, & . Engle e Granger propoem a
estimao de por mnimos quadrados da regresso
zP c D ZP D uP
35
u3P zP & c3 & t ZP .
Contudo, Phillips e Ouliaris (1990) mostram que o teste ADF sobre os resduos no possuem
a mesma distribuio sob a hiptese nula de no cointegrao. Devido ao fenmeno de regresso
espria sob a hipstese nula, a distribuio assinttica do ADF torna-se uma funo do processo
de Wiener dos termos determinsticos utilizados para estimar e do nmero de variveis n & 1.
Essas distribuies so conhecidas como Phillips-Ouliaris (PO).
4.4.2
@t & B converge para uma varivel aleatria com distribuio diferente da
Mesmo que o vis assinttico tenda a zero a medida que aumente, os estimadores
36
8.:
/
uP o
em que $
% o estimador de mnimos quadrados da varincia de u3P e $
Para estimar o modelo de correo de erros (4.1) equivalente, a estimativa eficiente para o
vetor de cointegrao t @1, &t B pode ser considerada como verdadeira de forma que o erro
estimado de desequilbrio zP & t ZP tambm poder ser considerado como conhecido. Como
todas as variveis no modelo de correo de erros so 0, as regresses podem ser
Procedimento de Johansen
1, ,
este modelo ser estvel se todas as razes da equao abaixo estiverem fora do crculo unitrio
det@I & z & z & & V z V B 0.
37
Caso uma das razes da equao estiver sobre o crculo unitrio, algumas, talvez todas,
Neste modelos e suas defasagens so I0 e o termo . o nico que pode conter
sries I1 e apenas no caso deste termo ser I0 tem-se I0, ou seja, . contm as
relaes de cointegrao, caso existam.
Se o modelo VARp indica a presena de razes unitrias a matriz ser singular e, portanto,
38
possuem mdia + .
39
ser pequeno. Por outro lado, se o posto de for maior que r+ , alguns dos autovalores
t
. , , t sero no nulos e ,k- r+ tende a ser maior. A distribuio de ,k- r+
uma verso multivariada da distribuio de raiz unitria de Dickey-Fuller que depende da
verossimilhana de dado por tMV $3 , $3 , , $3 em que $3z so os autovetores associados
40
4.5 Simulao
Nesta seo ser avaliado o poder dos testes de cointegrao e a preciso dos estimadores do
de correo de erros (4.1) foram efetuadas com tamanho amostral 500, utilizando rudos
~I0,0.5. A tabela abaixo apresenta as configuraes utilizadas:
1
2
3
4
5
6
7
8
9
10
1
0
0
0.1
0.1
0.1
0.1
0.8
0.8
0.8
0.8
2
0
0
0
0
0
0
0
0
0
0
2
0
0
0.1
0.1
0.8
0.8
0.1
0.1
0.8
0.8
a11
0
0.5
0
0.5
0
0.5
0
0.5
0
0.5
a12
0
0.5
0
0.5
0
0.5
0
0.5
0
0.5
a21
0
0.5
0
0.5
0
0.5
0
0.5
0
0.5
a22
0
0.5
0
0.5
0
0.5
0
0.5
0
0.5
Foram utilizados os trs procedimentos: Engle e Granger (1986) OLS, Stock e Watson
(1993) DOLS e Johansen (1988), com nvel de significncia do teste de 5% e 1%.
Para cada um dos modelos simulados foram observadas as quantidades de testes que
aceitaram e rejeitaram a hiptese nula de no cointegrao dentro dos 500 testes efetuados.
hiptese nula tendo-se, portanto, uma estimativa do erro de tipo I, ou seja, rejeitar H+ sendo ela
A tabela abaixo apresenta os resultados obtidos para a realizao dos testes sobre as 500
simulaes dos diferentes modelos. Para os modelos 1 e 2 a tabela apresenta os valores de erro
de tipo I e para os demais testes os valores apresentados correspondem ao erro de tipo II.
41
Tabela 4.4 Resultados dos testes de cointegrao
OLS
Modelo
1
2
3
4
5
6
7
8
9
10
5.00%
3.60%
5.20%
0.00%
100.00%
0.00%
18.40%
0.00%
0.00%
0.00%
0.00%
DOLS
1.00%
1.00%
1.20%
0.20%
100.00%
0.00%
69.60%
0.00%
0.00%
0.00%
0.00%
5.00%
4.80%
1.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
1.00%
0.60%
0.40%
0.20%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
Johansen
5.00%
1.00%
6.40%
1.80%
16.60%
5.40%
0.20%
8.00%
0.00%
0.00%
0.00%
0.40%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
0.00%
Observa-se que os valores obtidos de erro de tipo I para o modelo 1, como esperado, se
aproximam dos valores de nvel dos testes. No entanto, entre os valores obtidos para o modelo 2
apenas aqueles do teste OLS mantiveram-se prximos dos valores de nvel dos testes, sendo que
o teste de Johansen apresentou valorese maiores e o teste DOLS gerou valores menores de erro
do tipo I.
Observa-se que tanto o mtodo DOLS quanto o de Johansen possuem baixos valores de erro
de tipo II para todos os modelos simulados e o teste OLS obteve altos nveis de erro de tipo II
para os modelos 4 e 6 indicando que, para baixos valores de e , o resultado pode ser
contaminado pela presena de fatores auto-regressivos nas sries. Com base nestes resultados
pode-se afirmar que os testes DOLS e de Johansen so testes mais poderosos do que o mtodo
OLS.
Novamente, a comparao dos estimadores de diferentes mtodos ser efetuada atravs das
medidas de mdia, erro quadrtico mdio e disperso das estimativas calculadas nas simulaes.
A tabela abaixo apresenta os resultados encontrados. Nesta tabela no esto presentes os modelos
1 e 2 por se tratarem de modelos no cointegrados e, portanto, possuem valores 0.
42
Tabela 4.5 Comparao entre os estimadores do vetor de cointegrao
O mtodo de Johansen foi o que apresentou menor erro quadrtico mdio para todos os
modelos simulados, com excesso dos modelos 3 e 7 em que os mtodos OLS e DOLS tiveram
uma melhor performance. Comparando os modelos 3 e 4 0,1 com os modelos 7 e 8
0,8 nota-se que o EQM diminui com o aumento do parmetro de velocidade. Esses
resultados se repetem na comparao dos modelos 5 e 6 com os modelos 9 e 10, indicando que
baixos valores de comprometem a preciso do estimador do parmetro de cointegrao.
parmetros de cointegrao dos diferentes modelos, agrupadas pelos diferentes valores de (0,1
e 0,8).
43
0.600
0.500
0.400
0.300
0.200
0.100
0.000
-0.100
(a) 12 3,
1.000
0.900
0.800
0.700
0.600
0.500
0.400
0.300
(b) 12 3, 4
Figura 4.3 Disperso das estimativas do parmetro de cointegrao
Por estes grficos, pode-se comprovar o efeito dos baixos valores de aumentando a
disperso das estimativas e o desvio nas estimativas para os mtodos OLS e DOLS no caso do
modelo 4. Para os demais modelos todos os mtodos apresentaram bons resultados, com
44
excesso do mtodo OLS para o modelo 9 que apresentou um pequeno desvio do valor real de
0,8.
45
-1
100
200
300
400
500
46
-3
-2
-1
sendo ~RBI0,1 a simulao de 500 observaes pode ser observada no grfico abaixo.
100
200
300
400
500
Regression Diagnostics:
R-Squared 0.0093
Adjusted R-Squared 0.0073
Durbin-Watson Stat 0.6380
A estimativa 0,1086 p & valor 0,0304 significante. Porm, tomando-se a diferena das
47
Tabela 5.2 Regresso entre duas series em diferenas fracionrias
Coefficients:
Value Std. Error t value Pr(>|t|)
(Intercept) -0.0079 0.0213
-0.3686 0.7126
y[, 2] -0.0657 0.0432
-1.5206 0.1290
Regression Diagnostics:
R-Squared 0.0046
Adjusted R-Squared 0.0026
Durbin-Watson Stat 1.9851
forem integrados de ordem e se existir um vetor L 1 tal que seja uma
srie de ordem
para 0 )
) .
em que o vetor de sries temporais e P ~K. K. . 0, , ambos I 1, B e B so
matrizes polinomiais de ordem finita com todas as razes caractersticas fora do crculo unitrio e
as matrizes I constantes e , que possuem posto , representam, respectivamente, o
coeficiente de correo de erros e coeficiente de cointegrao.
48
1 & B
B
\
0
;
1 & B8
0
e KB
\
\
1 & B
0
;
\
8
1 & B
(5.1)
(5.2)
(5.3)
Este modelo chamado modelo vetorial fracionrio de correo de erros (Fractional Vector
Error Correction Model FVECM).
O FVECM um modelo bastante geral e o caso mais prximo do VECM seria quando
dz & bz W / 0 para todos os valores de i, tal que KB. B 1 & Bk .
passa a ser
BB BP .
49
z8
z8
Obtidas as distribuies de bootstrap das estatsticas das sries no cointegradas, porm com
a mesma dinmica das sries reais, so calculadas as estatsticas das sries reais cujos valores so
localizados nas distribuies para se obter p-valores estimados, que, de acordo com o autor, so
aproximaes vlidas de primeira ordem dos p-valores verdadeiros.
Para a realizao dos testes de estatsticas baseadas em regresso considerada a partio
Este procedimento testa a independncia estatstica entre as sries, ou hiptese forte como
nomeado pelo autor. Para que a presena das relaes entre as sries sejam conservadas na srie
simulada pelo bootstrap ao invs de se reamostrar a srie 3P (resduo obtido aps o ajuste do
modelo ARFIMA srie ), no terceiro passo, so geradas reamostragens de 3 , obtida atravs
@
da regresso de 3P por 3P. , 3P , 3P e 3P., em que 3P so os resduos obtidos aps os ajustes dos
atravs da equao obtida pela regresso, que usada para gerar >XP ?
no cointegrao, ou hiptese fraca.
z8
z8
e efetuar os testes de
50
Para os testes de hiptese semifraca, ou de cointegrao e causalidade de Granger, na
@
Este teste realizado atravs da estimao do parmetro de memria longa dos resduos da
regresso da srie simulada com as sries observadas, semelhante ao teste de Engle e Granger
(1986).
Durbin-Watson (DW)
N
P8 B. B
DW &2
N
P8 BP.
5.3 Simulao
Para avaliao do poder destes testes de cointegrao fracionria, foram simulados modelos
idnticos ao modelos de correo de erros fracionrios (5.1) utilizando os seguintes parmetros:
Tabela 5.3 Parmetros utilizados na simulao de cointegrao fracionria
Modelo
1
2
3
4
5
6
7
8
9
d
0.55
0.55
0.55
0.75
0.75
0.75
1.00
1.00
1.00
1
0
0.2
1.0
0
0.2
1.0
0
0.2
1.0
2
0
0
0
0
0
0
0
0
0
1
0
1
1
0
1
1
0
1
1
1
1
Adicionalmente d1 d2 d, , e B B .
2
2
2
0
0.5
0.8
0
0.5
0.8
0
0.5
0.8
51
Neste caso, o nmero de simulaes ficou limitado a 50 vezes devido ao elevado custo
computacional para a realizao dos testes (para a realizao de cada 10 simulaes e testes de
cointegrao fracionria observou-se perodos de 12 a 24 horas, dependendo das configuraes
do computador utilizado). Para cada simulao, os testes aplicados utilizaram 500 reamostragens
de Bootstrap.
Seguindo a mesma metodologia das simulaes do captulo anterior, para cada um dos
modelos simulados foram observadas as quantidades de testes, cujo nvel nominal utilizado foi
de 5%, que aceitaram e rejeitaram a hiptese nula de no cointegrao dentro dos 50 testes
efetuados. Como nos modelos 1, 4 e 7 os parmetros , e so nulos as sries simuladas
so no cointegradas. Para estes modelos foram calculadas as quantidades de testes que rejeitam
a hiptese nula tendo-se, portanto, uma estimativa do erro de tipo I. Para os modelos restantes,
cointegrados, foram observadas as quantidades de aceitao da hiptese nula dentre todos os
testes tendo-se assim, uma estimativa do erro de tipo II e o poder do teste , ento, definido por
1 & erro de tipo II.
A tabela abaixo apresenta os resultados obtidos para a realizao dos testes sobre as 50
simulaes dos diferentes modelos. Para os modelos 1, 4 e 7 a tabela apresenta os valores de erro
de tipo I e para os demais testes os valores apresentados correspondem aos valores de erro de
tipo II.
52
Hiptese Forte
Modelo
d055alfa0beta0
modelo 1
Modelo
Estat. Erro Tipo II
80%
d055alfa0.2beta0.5 FEG
DW
86%
modelo 2
d055alfa1beta0.8
modelo 3
FEG
DW
0%
0%
Modelo
d075alfa0beta0
modelo 4
Modelo
Estat. Erro Tipo II
80%
d075alfa0.2beta0.5 FEG
DW
62%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Modelo
Estat. Erro Tipo II
0%
d1alfa0.2beta0.5 FEG
DW
0%
modelo 8
d1alfa1beta0.8
modelo 9
FEG
DW
0%
0%
Modelo
Estat. Erro Tipo II
90%
d055alfa0.2beta0.5 FEG
DW
92%
modelo 2
d055alfa1beta0.8
modelo 3
FEG
DW
0%
0%
Modelo
d075alfa0beta0
modelo 4
Modelo
Estat. Erro Tipo II
82%
d075alfa0.2beta0.5 FEG
DW
72%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Modelo
Estat. Erro Tipo II
0%
d1alfa0.2beta0.5 FEG
DW
0%
modelo 8
d1alfa1beta0.8
modelo 9
FEG
DW
0%
0%
Hiptese Fraca
Modelo
d055alfa0beta0
modelo 1
Modelo
Estat. Erro Tipo II
94%
d055alfa0.2beta0.5 FEG
DW
94%
modelo 2
d055alfa1beta0.8
modelo 3
FEG
DW
0%
0%
Modelo
d075alfa0beta0
modelo 4
Modelo
Estat. Erro Tipo II
78%
d075alfa0.2beta0.5 FEG
DW
72%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Modelo
Estat. Erro Tipo II
0%
d1alfa0.2beta0.5 FEG
DW
0%
modelo 8
d1alfa1beta0.8
modelo 9
FEG
DW
0%
0%
Observa-se que para as sries no cointegradas, o nvel de teste estimado diferiu dos 5%
nominais dos testes sendo os testes do modelo 4 os que mais se aproximaram deste valor.
Os testes aplicados em sries cointegradas mostraram-se poderosos na maioria dos casos,
com exceo dos modelos com baixos valores de parmetro de memria longa e de e em que
os valores de erro de tipo II encontrados foram muito elevados (modelos 2 e 5). Pode ser
observado que para sries integradas com altos parmetros de memria longa os testes so
poderosos, no dependendo dos valores de e .
53
Efetuando-se a comparao dos estimadores OLS do parmetro de cointegrao fracionria
pelas mesmas medidas apresentadas anteriormente de mdia e EQM, foi construida a seguinte
tabela:
Modelo
d0.55alfa0.2beta0.5
d0.55alfa1.0beta0.8
d0.75alfa0.2beta0.5
d0.75alfa1.0beta0.8
d1.00alfa0.2beta0.5
d1.00alfa1.0beta0.8
Media
EQM
Media
EQM
media
EQM
media
EQM
media
EQM
media
EQM
o
1
0.09
8.991859
0.41
8.136165
0.23
4.149273
0.63
1.757773
0.48
0.080582
0.79
0.004801
Nota-se a convergncia dos valores estimados para os valores reais apenas no caso de sries
com elevadas ordens de integrao, sendo que aquelas com parmetros de memria longa de
baixa magnitude apresentaram estimativas distantes dos valores reais e elevados valores de
EQM, indicando sua divergncia com relao ao valor real, como constatado tambm pelos
grficos de disperso das estimativas abaixo.
54
0.90
0.85
0.80
0.75
0.70
0.65
0.60
0.55
0.50
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
o
Figura 5.3 Estimadores do parmetro de cointegrao 1
55
3.0
3.5
amostras.
1.5
2.0
2.5
spot
futuro
20
40
60
80
100
120
Em finanas, as relaes de no arbitragem entre taxas bsicas de juros entre pases definem
que a diferena entre as taxas de cmbio spot e futura equivalente diferena entre as taxas de
juros interna e externa. Usualmente, preos de taxas de cmbio so definidas como no
56
estacionrias e razovel admitir que a diferena entre as taxas de juros seja estacionrio,
levando portanto hiptese de que as taxas de cmbio spot e futura sejam cointegradas com
vetor de cointegrao 1; &1.
ACF
-0.5
-0.5
0.0
0.0
ACF
0.5
0.5
1.0
1.0
Series : spot
20
40
60
80
Lag
100
120
20
40
60
80
Lag
100
120
Figura 6.2 FAC das sries das taxas de cmbio spot e futura
Aps a constatao dos grficos de FAC, testes de raiz unitria foram aplicadas s sries
gerando os seguintes resultados:
57
Taxa de Cmbio Spot
Test for Unit Root: Augmented DF Test
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
Coefficients:
lag1 constant
-0.0294 0.0701
Coefficients:
lag1 constant
-0.0297 0.0715
Tabela 6.1 Teste Dickey Fuller aumentado das sries de taxa de cmbio spot e futura
Para ambas as sries, pode-se observar que a hiptese nula no foi rejeitada p &
valores 0,4921 e 0,4683, indicando a presena de uma raiz unitria nas sries. Resta saber se a
relao entre elas resulta numa srie estacionria para determinar se existe ou no cointegrao.
58
Tabela 6.2 Resultados do teste de cointegrao por regresso simples
OLS(formula = futuro ~ spot, data = aux)
Coefficients:
(Intercept)
spot
0.0005
1.0037
Degrees of freedom: 134 total; 132
residual
Time period: from 01/01/1960 to 05/13/1960
Residual standard error: 0.01091497
Test for Unit Root: Augmented DF Test
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
Coefficients:
lag1 constant
-0.3470 0.0004
Degrees of freedom: 133 total; 131
residual
Time period: from 01/02/1960 to 05/13/1960
Residual standard error: 0.00713
P-value (Distribuio PO): 6.306668e-007
59
Tabela 6.3 Resultados do teste de cointegrao por regresso dinmica
OLS(formula = futuro ~ spot + dspot.lead3 + dspot.lead2 + dspot.lead1 +
dspot.lag0 + dspot.lag1 + dspot.lag2 + dspot.lag3, data = aux, na.rm
= T)
Coefficients:
(Intercept)
spot dspot.lead3 dspot.lead2 dspot.lead1 dspot.lag0
-0.0037
1.0057 0.0131
-0.0093
0.0165
-0.0209
dspot.lag1 dspot.lag2 dspot.lag3
-0.0286
-0.0182
-0.0158
Degrees of freedom: 127 total; 118 residual
Time period: from 01/05/1960 to 05/10/1960
Residual standard error: 0.008368198
Test for Unit Root: Augmented DF Test
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
Coefficients:
lag1 constant
-0.2924 -0.0001
Degrees of freedom: 126 total; 124 residual
Time period: from 01/06/1960 to 05/10/1960
Residual standard error: 0.005745
P-value (Distribuio PO): 0.0007594897
60
Johansen apresentaram timos resultados na maioria dos casos testados no captulo anterior,
ambos podem ser utilizados como estimativa.
Tabela 6.5 vetores de cointegrao das sries de taxas de cmbio spot e futura
Mtodo
OLS
DOLS
Johansen
o
1
1.0037
1.0057
1.0048
Torna-se possvel a obteno, por regresso linear, do seguinte modelo de correo de erros
entre as sries:
Tabela 6.6 Estimao do modelo de correo de erros
OLS(formula = futuro ~ tslag(diferenca) + tslag(spot) + tslag(futuro), data =
aux, na.rm = T)
Coefficients:
(Intercept) tslag(diferenca) tslag(spot) tslag(futuro)
-0.0004
0.6502
-1.2298
1.5839
Degrees of freedom: 132 total; 128 residual
Time period: from 01/02/1960 to 05/12/1960
61
Tabela 6.7 Testes R/S e GPH para as sries de taxas de cmbio spot e futura
Spot
Test for Long Memory: Modified R/S Test
Futuro
Test for Long Memory: Modified R/S Test
Test Statistics:
Test Statistics:
2.1701**
2.1812**
* : significant at 5% level
** : significant at 1% level
Total Observ.: 134
Bandwidth : 4
* : significant at 5% level
** : significant at 1% level
Total Observ.: 134
Bandwidth : 4
Null Hypothesis: d = 0
Null Hypothesis: d = 0
Test Statistics:
Test Statistics:
d 0.9219
stat 3.3729**
d 0.9499
stat 3.475**
* : significant at 5% level
** : significant at 1% level
* : significant at 5% level
** : significant at 1% level
Mtodo
Whittle
Periodograma
R/S
EMV
GPH
d.spot
0.27509
0.067780
0.22069
0.2649
-0.1246
d.futuro
0.28858
0.073097
0.22525
0.2722
-0.3657
62
Series : spot.farima$residuals
-0.2
-0.2
0.2
ACF
Partial ACF
-0.1
0.0
0.6
0.1
1.0
Series : spot.farima$residuals
20
40
60
Lag
80
100
120
40
60
Lag
80
100
120
Series : futuro.farima$residuals
-0.2
-0.2
0.2
ACF
Partial ACF
-0.1
0.0
0.6
0.1
1.0
Series : futuro.farima$residuals
20
20
40
60
Lag
80
100
120
20
40
60
Lag
80
100
120
Figura 6.3 FAC e FACP dos resduos das sries em diferenas fracionrias pelo parmetro de memria longa
(6.1)
63
Series : spot$residuals
-0.2
-0.1
0.2
ACF
0.4 0.6
Partial ACF
0.0
0.1
0.8
1.0
Series : spot$residuals
20
40
60
Lag
80
100
120
40
60
Lag
80
100
120
Series : futuro$residuals
-0.2
-0.1
0.2
ACF
0.4 0.6
Partial ACF
0.0
0.1
0.8
1.0
Series : futuro$residuals
20
20
40
60
Lag
80
100
120
20
40
60
Lag
80
100
120
Teste
FEG
DW
Hip.Forte
0.00%
0.00%
Hip.SemiFraca
0.00%
0.00%
Hip.Fraca
0.00%
0.00%
64
de cmbio spot e futura, resultaram em 0.4827 e 0.6933, respectivamente e os grficos abaixo
apresentam as distribuies das estatsticas obtidas com os resduos das regresses entre as sries
reamostradas.
Figura 6.5 Distribuies das diferentes hipteses das estatsticas simuladas
70%
60%
60%
50%
50%
50%
40%
40%
40%
30%
30%
30%
20%
20%
20%
10%
10%
10%
0%
0%
0%
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
0.000
0.050
0.100
0.150
0.200
0.250
0.300
0.350
0.400
0.450
0.500
0.550
0.600
0.650
0.700
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
0%
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
70%
60%
0.000
0.050
0.100
0.150
0.200
0.250
0.300
0.350
0.400
0.450
0.500
0.550
0.600
0.650
0.700
DW
Hip.Fraca
70%
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1.10
1.20
1.30
1.40
FEG
Hip.SemiFraca
0.000
0.050
0.100
0.150
0.200
0.250
0.300
0.350
0.400
0.450
0.500
0.550
0.600
0.650
0.700
Hip.Forte
Por regresso linear, o seguinte modelo de correo de erros pode ser obtido:
Tabela 6.10 Estimao do modelo de Correo de Erros Fracionrio
OLS(formula = futuro ~ tslag(diferenca) + tslag(spot) + tslag(futuro), data =
aux, na.rm = T)
Coefficients:
(Intercept) tslag(diferenca) tslag(spot) tslag(futuro)
0.0025
1.3463
-3.1186
3.2573
Degrees of freedom: 131 total; 127 residual
Time period: from 01/02/1960 to 05/11/1960
3,2573,G #. D P .
65
Pelo modelo observamos que as sries buscam uma relao de equilbrio prxima de um, ou
seja, equivalncia entre as duas sries. Alm disso, a tendncia para a relao de equilbrio
corrigida com fator de velocidade elevado.
O erro quadrtico mdio do modelo de cointegrao encontrado foi de 0,009267 enquanto
para o modelo de correo de erros fracionrio o valor encontrado foi de 0,009001 indicando que
o modelo fracionrio ajustou-se melhor s sries observadas.
Embora o modelo de cointegrao fracionria tenha se ajustado melhor s sries, observa-se
que o custo computacional foi muito elevado e a diferena no valor do erro quadrtico mdio foi
pequena. Em situaes como esta, um procedimento timo para encontrar a relao de longo
prazo entre as sries seria: estimar o modelo de cointegrao convencional, sendo encontrada a
presena de cointegrao e estimada a relao de longo prazo terminar o procedimento; caso no
serem encontrados indcios de cointegrao e acreditar-se na existncia de relaes entre as
sries, realizar os testes de cointegrao fracionria.
66
Captulo 7 Concluso
Ambos os testes de cointegrao I(1) e cointegrao fracionria apresentaram poderes de
teste bastante elevados para altas ordens de integrao. Os procedimentos de estimao dos
valores do vetor de cointegrao por mnimos quadrados e por mxima verossimilhana
convergiram na maioria dos casos salvo aqueles em que o parmetro de velocidade era baixo.
O procedimento de teste de cointegrao fracionria mostrou-se lento para 500 reamostragens
de bootstrap de sries de 500 observaes. Como Davidson (2002) recomenda no mnimo a
utilizao de 500 reamostragens de bootstrap a nica varivel que pode ser alterada o nmero
de valores observados. Mesmo com apenas 50 simulaes de cada modelo, possvel observar a
consistncia do mtodo.
Os testes utilizando dados reais mostrou que tanto o modelo de cointegrao convencional
quanto o de cointegrao fracionria so aplicveis em algumas sries brasileiras. Davidson
(2002) observou em seu trabalho que os testes de cointegrao fracionria comportam at mesmo
o caso de sries cujo parmetro de integrao unitrio, comprovado atravs das simulaes dos
modelos ARIMA, cointegrados e no cointegrados no Captulo 5.
Trabalhos futuros sobre o tema envolvem a diminuio do tempo de execuo do teste de
cointegrao fracionria atravs de algoritmos alternativos, possibilitando a simulao de um
nmero maior de amostras para avaliao dos poderes dos testes, em que poderia ser observada a
convergncia para o valor de nvel do teste, quando simuladas sries no cointegradas. Outro
ponto adicional seria a incluso da estatstica de ajuste dos modelos (Goodness of Fit) entre os
testes de cointegrao fracionria que durante as simulaes realizadas neste trabalho no
convergiu para resultados esperados.
67
Apndice A
Referncias Bibliogrficas
Geweke, J., Porter-Hudak, S. (1983). The Estimation and Application of Long Memory
68
[13]
Hannan, E. J. (1973). The Asymptotic Theory of Linear Time Series Models. Journal of
Lo, A. W. (1991). Long Term Memory in Stock Market Prices. Econometrica, 59, 1279-
1313.
[18]
Madelbrot, B. B. (1975). Limit Theorems on the Self-Normalized Range for Weakly and
Integrated Processes of Different Orders. Oxford Bulletin of Economics and Statistics, 84,
233-250.
[20]
[22]
Paulo.
[23]
69
[24]
283-306.
[26]
Phillips, P. C. B., S. Ouliaris (1990). Asymptotic Properties of Residual Based Tests for
Tsay, R. S. (2005). Analysis of Financial Time Series. Second Edition. Second Edition.
Zivot, E., Wang, J. (2005). Modeling Financial Time Series with S-Plus. Second Edition.
70
Apndice B
Comandos Splus