Cointegração Fracionaria em Series Financeiras

Cointegrao fracionria em sries financeiras
Victor Sakimoto Shie
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
So Paulo, maio de 2010
Cointegrao fracionria em sries financeiras
Este exemplar corresponde redao

final da dissertao devidamente corrigida
e defendida por Victor Sakimoto Shie
e aprovada pela Comisso Julgadora.
Banca Examinadora:
Profa. Dra. Chang Chiann (orientadora) - IME - USP.
Prof. Dr. Airlane Pereira Alencar - IME - USP.
Prof. Dr. Guilherme de Oliveira Lima Cagliari Marques - CECS - UFABC.
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
Processos Estocsticos .................................................................................................. 3
2.1.1
2.2
Movimento Browniano ......................................................................................... 4
Modelo ARMA ............................................................................................................. 4
2.2.1
Modelo auto-regressivo (AR)................................................................................ 5
2.2.2
Modelo de mdias mveis (MA)........................................................................... 6
2.2.3
Modelo auto-regressivo e de mdias mveis ........................................................ 6
2.3
Sries Temporais no Estacionrias ............................................................................. 7
2.3.1
Modelo ARIMA .................................................................................................... 7
2.3.2
Teste de razes unitrias ........................................................................................ 7
2.4
Modelo VAR ................................................................................................................ 8
2.4.1
2.5
Varincia de longo prazo ............................................................................................ 10
Captulo 3
3.1
Causalidade de Granger ...................................................................................... 10
Sries de Memria Longa ................................................................................ 12
Modelos auto-regressivo fracionariamente integrado e de mdias mveis (ARFIMA)

13
3.2
Testes para Memria Longa ....................................................................................... 14
3.2.1
Estatstica R/S ..................................................................................................... 15
3.2.2
3.3
Teste GPH ........................................................................................................... 16
Estimadores para os Parmetros de Memria Longa ................................................. 17
3.3.1
Estatstica R/S ..................................................................................................... 17
3.3.2
Mtodo do Periodograma .................................................................................... 18
3.3.3
Mtodo de Whittle............................................................................................... 19
3.3.4
Estimador de Mxima Verossimilhana do Modelo ARFIMA .......................... 19
3.4
Simulao ................................................................................................................... 21
Captulo 4
Cointegrao .................................................................................................... 26
4.1
Modelos de Cointegrao ........................................................................................... 27
4.2
Tendncias Comuns .................................................................................................... 30
4.3
Modelo de Correo de Erros ..................................................................................... 31
4.4
Testes para Cointegrao ............................................................................................ 33
4.4.1
Procedimento de Engle e Granger....................................................................... 34
4.4.2
Regresso e modelo de correo de erros ........................................................... 35
4.4.3
Procedimento de Johansen .................................................................................. 36
4.5
Simulao ................................................................................................................... 40
Captulo 5
Cointegrao Fracionria ................................................................................. 45
5.1
Modelo de Correo de Erros ..................................................................................... 47
5.2
Testes para Cointegrao Fracionria......................................................................... 48
5.3
Simulao ................................................................................................................... 50
Captulo 6
Aplicaes em Sries Reais ............................................................................. 55
6.1
Estimao do Modelo de Cointegrao Convencional ............................................... 56
6.2
Estimao do Modelo de Cointegrao Fracionria ................................................... 60
Captulo 7
Concluso ........................................................................................................ 66
Apndice A
Referncias Bibliogrficas ............................................................................... 67
Apndice B
Comandos Splus .............................................................................................. 70
Captulo 1 Introduo
No mercado financeiro, grande parte das sries de preos de ativos so realizaes de
processos no estacionrios, geralmente possuindo razes unitrias, ou seja, so integradas I,

. Alm disso, modelos econmicos demonstram diversas relaes entre tais sries.
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
alternativos propem a utilizao de processos fracionrios I,

, que possuem o mesmo
problema de regresso espria e aos quais no possvel a aplicao da anlise de cointegrao
convencional.
Neste trabalho, sero apresentados os conceitos deste modelo de cointegrao fracionria,
bem como sua comparao com os mtodos de cointegrao convencionais, com foco principal
na aplicao destes a sries reais.
No Captulo 2, so apresentados alguns conceitos bsicos que sero utilizados em captulos
posteriores.
No Captulo 3, so apresentados conceitos de modelos de memria longa, inclusive testes
para verificar a presena da persistncia em sries e a estimao de parmetros, cujo desempenho
ser avaliado atravs de simulaes de diferentes modelos auto-regressivos fracionariamente
integrados e de mdias mveis (ARFIMA).
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).
2.1 Processos Estocsticos

Um processo estocstico um conjunto , , , , tal que, , , para
cada , uma varivel aleatria contida num espao de probabilidade , , com .

Para cada obtm-se uma funo de , chamada de trajetria ou srie temporal.
Um srie temporal , , ou , chamada estritamente estacionria se a distribuio
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:
! constante para todo ;
"#$ , % & ! & !' ( depende somente de , para todo e
qualquer ;
) para qualquer ;
A funo de autocovarincia ( satisfaz as seguintes propriedades:
(+ % & ! ' , 0;
(. ( ;
(+ / |( |;
( no negativa definida;
A funo de autocorrelao (FAC) do processo definida por 1
(
2(+ , .
4
A FAC amostral de defasagem pode ser obtida por
13
(3
2(3 ,
+
sendo a autocovarincia amostral definida por

7
1
(3
5 & 6. & 6,

e a mdia amostral 6 7 78 .

8
Quando estes valores amostrais, chamados de momentos amostrais, convergem em

:
probabilidade para os momentos populacionais da srie ( (3 ; ( , 13 ; 1 , 6 ; !) pode-se

afirmar que a srie ergdica.
2.1.1
Movimento Browniano
Movimento Browniano Padro, tambm conhecido como processo de Wiener, um processo
contnuo W Wt, t / 0 tal que:
W0 0;
As
variveis
aleatrias
(v.a.),
independentes para quaisquer k e j;
Wt > & Wt >. e W@t A B & W@t A. B
so
As v.a. Wt & Ws e Wt D & Ws D possuem a mesma distribuio para
quaisquer , F G ;
Wt~I0, t;
As trajetrias de Wt so contnuas com probabilidade um.
O Movimento Browniano Padro possui %Wt' 0 e ( (, D JKL, D .
2.2 Modelo ARMA

Uma srie temporal chamada linear quando pode ser escrita como:
5
Q
D 5 > aP.> ,
8+
com + 1, e aP uma sequncia de variveis aleatrias independentes e identicamente
distribuidas (I.I.D.) com mdia 0 e varincia , i.e., aP ~RB0, sendo RB a sigla para rudo
branco.
2.2.1
Modelo auto-regressivo (AR)
O modelo auto-regressivo de ordem p (AR(p)) possui a seguinte forma (admitindo-se 0):

U . D U . D D UV .: D W ,
que pode ser escrito na notao de operadores

UB W ,
em que B o operador de defasagem (X . ) e UB 1 & U B & U B & UV BV .

Este processo considerado invertvel, sendo considerado estacionrio e ergdico no caso
das razes da equao caracterstica UB 0 estejam fora do crculo unitrio.

Sua funo de autocorrelao de ordem k dada por
> U >. D U >. D D UV >.V .
No caso de processos auto-regressivos, a funo de autocorrelao definida por uma

mistura de polinmios, exponenciais e senides.
A funo de autocorrelao parcial (FACP) U>> de uma srie representa a correlao parcial
entre as variveis e . eliminada a influncia de . , . , , . . Ela pode ser obtida
pela estimao de modelos AR de diversas ordens, ou seja,

U . D W
U . D U . D W

\
6
UV . D UV . D D UVV .: D W: ,
em que os parmetros U>> para k 1,2, , p so os k-simos coeficientes de autocorrelao
parcial.
Para processos auto-regressivos de ordem p, todos os coeficientes de autocorrelao parcial
de ordem k so nulos para k , `.

2.2.2
Modelo de mdias mveis (MA)
O modelo de mdias mveis de ordem q MA(q) possui a seguinte forma:

W D W. D W. D D b W.c .
Utilizando a notao de operadores B 1 D B D B D D b Bb , tem-se

BW .
Estes modelos so estacionrios e so considerados invertveis desde que a equao
caracterstica B 0 possua todas as razes fora do crculo unitrio.

A FAC do processo MA(q) dada por
>
para k d q e nula para k , f.
> D > D > D D b b.>

,
1 D D D Db
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
Modelo auto-regressivo e de mdias mveis
O modelo auto-regressivo de ordem p e de mdias mveis de ordem q (ARMA(p,q)) dado

por:
U . D U . D D UV .: D W D W. D W. D D b W.c .
Na notao de operadores, tem-se:
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.
2.3 Sries Temporais no Estacionrias

Os modelos apresentados at agora so aplicveis a sries estacionrias, que, portanto,
evoluem em torno de uma mdia constante. Em geral, a presena de no estacionariedade em
uma srie deve-se ao fato de no existir um nvel fixo para a evoluo da mesma.
Sries no estacionrias (x ), cuja a srie formada por d diferenas da mesma (caso d=1,
i 1 & Bi & .) estcionria, so chamadas no estacionrias
homogneas, portadoras de razes unitrias ou integradas de ordem d e denotadas por I(d).

2.3.1
Modelo ARIMA
Se i for estacionria, um modelo ARMA(p,q) pode ser ajustado para a srie :

UB BW j UBi BW
modelo nomeado como auto-regressivo, integrado e de mdias mveis ARIMA(p,d,q).

2.3.2
Teste de razes unitrias
Dada uma srie , com 1,2, , cujo comportamento segue o modelo

U. D W ,
WP ~RBI0, k , ou
Un . D W , Un U & 1.
Por mnimos quadrados so calculados

TP8@ &st n . B
TP8 . W

U T
G r3k
.
&2
P8 zP.
on
O teste se baseia nas seguintes hipteses
8
H+n v Un 0, existncia de uma raiz unitria,
Hn v Un ) 0, no existncia de raiz unitria.
Fazendo-se uso da estatstica

3
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
conhecida como estatstica de Dickey-Fuller, convergir para uma funo do movimento

browniano padro. Mais detalhes em Dickey e Fuller (1979).
O modelo pode ser alterado para AR(p)
:.
D . D 5 Uz .{ D W
{8
sendo utilizada a estatstica

ADF
G`
w@tB
e testado + : 0 $F : ) 0. Teste este conhecido como teste Dickey Fuller Aumentado

(Augmented Dickey Fuller ADF) sendo as estatsticas tabuladas.
2.4 Modelo VAR

O modelo auto regressivo vetorial (VAR) um dos mais utilizados, flexvel e simples para
anlise de sries temporais multivariadas, sendo uma extenso natural do modelo autoregressivo
univariado. Admitindo-se o vetor de variveis no tempo ZP zP , zP , , zP ,
VAR(p) possui a seguinte forma:
c D . D . D D V .: D P ,
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 .
O modelo tambm pode ser escrito na notao de operadores

B c D P
e I a matriz identidade n n. Sendo
em que B I & B & B & & V BV

estacionrio quando as razes da equao
det@I & z & z & & V z V B 0

encontrarem-se fora do crculo unitrio. Admitindo-se estacionariedade a mdia do processo ser
dada por
.
@I & & & & V B c

e o modelo ajustado ser, portanto,
& . & D . & D D V @.: & B D P .
A identificao da ordem do modelo pode ser efetuada atravs de ajustes sequnciais de
modelos VAR de ordens 1, 2, ..., k e testar a significncia dos coeficientes:
H+ : > 0 vs H : > 0.
>
>
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
>
o > . & 3 D

o > . & 3 D D
o > . & 3
& 3 &
>
cuja matriz de covarincia estimada dada por

t >
1
> > ,
5 3P 3P
T&k
e a razo de verossimilhanas para o teste
8
10
RVk T & kln
t >.
,
t >
que possui distribuio qui-quadrado com n graus de liberdade, n .

2.4.1
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 ,
contendo e , |X o preditor de mnimo erro quadrtico mdio de utilizando-se o

conjunto de informaes B e r |X o correspondente erro quadrtico mdio do preditor.
Pode-se dizer que:
; : causa (causalidade unidirecional) se r |. ) r |. &
. & . & . & , 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 ;
j : causa instantaneamente se r |. , ) r |. , ou seja, o

valor atual de pode ser melhor previsto se o valor presente de for conhecido;
Existe feedback se causa e causa ;
2.5 Varincia de longo prazo

Seja zP uma srie estacionria e ergdica. Pelo teorema central do limite
i
z & ; I 0, 5 (
8.Q
em que a mdia populacional, z a mdia amostral, o tamanho da amostra e ( a

autocovarincia de termos defasados por perodos. Assintoticamente tem-se
11
Q
1
z ~ I , 5 ( .

8.Q
A varincia de longo prazo (long run variance lrv) dada pela multiplicao de pela
varincia assinttica da mdia amostral, ou seja,
8.Q
8.Q
1
$ 5 ( 5 ( .

Um popular estimador para a varincia de longo prazo foi apresentado por Newey e West
(1987):
(3+ D 2 5 ,7 (3 ,

$
8
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&
, com 7 sendo a parte inteira de 7 4/100/ .

12
Captulo 3 Sries de Memria Longa

Devido ao decaimento exponencial para zero da funo de autocorrelao de processos
ARMA(p,q), estes so conhecidos como processos de memria curta ou alta frequncia. Pode-se
mostrar que processos no estacionrios com razes unitrias apresentam FAC convergente para
um. Existem ainda processos em que a FAC decai lentamente para zero, ou seja, observaes
distantes
possuem
significante
dependncia,
indicando
persistncia
nos
valores
de
autocorrelao. Tais sries so conhecidas como processos de memria longa ou processos

fracionrios.
A figura abaixo apresenta um exemplo de srie temporal de memria longa e sua FAC. Podese notar o lento decaimento de sua funo de autocorrelao que possui valores significantes para
defasagens maiores que 150.
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
A FAC de um processo fracionariamente decresce de acordo com a seguinte equao

1 ~ . , ;
(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)
em que a frequncia de Fourier.
Por (3.1) e (3.2) pode-se concluir que a funo densidade espectral de um processo com
memria longa dada por
; . quando ; 0,
sendo uma constante positiva. Na prtica, ao invs da varivel , utilizado o coeficiente
de Hurst (Hurst, 1951) para mensurar a memria longa de um processo.

1 & 2 0,5 ; 1.
Quanto maior o valor de , mais lento o decaimento da FAC do processo, indicando,
portanto, a presena de memria mais longa.
3.1 Modelos auto-regressivo fracionariamente integrado e de mdias mveis

(ARFIMA)
Um
processo
auto-regressivo
fracionariamente
ARFIMAp, , q, sendo & 12, dado por
integrado
de
mdias
mveis
& ,
em que o operador de diferena fracionria definido da seguinte maneira:

Q
1
1
1 & Xi 5 &X 1 & X D & 1X & & 1 & 2X D ,

2!
3!
8+
para qualquer real , &1.
(3.3)
14
Este processo se ajusta a sries com comportamento de memria longa atravs do parmetro
de diferenciao , enquanto os parmetros U e explicam a estrutura de correlao de curto

prazo, de forma que
O modelo ser estacionrio caso ) e as razes de UB 0 estiverem fora do

crculo unitrio;
Ser invertvel caso , &

unitrio.

e as razes de B 0 estiverem fora do crculo
O Caso mais simples, ARFIMA0, , 0 conhecido como rudo branco fracionrio, possui a
seguinte forma:
1 & Xi W .
Quando & ) ) , o processo estacionrio e invertvel;

Para & ) )

.i
2sen
, 0 ) d
o A funo espectral dada por:
;
.i
, ; 0
o A FAC dada por: >
.i!>i.!
i.!>.i!
+
.i
.i
o A FACP representada por: s .i , 1,2,

i
, k 1,2,
.i!
o A varincia definida por: > .i!
3.2 Testes para Memria Longa

Vrios testes foram formulados para determinar a existncia de memria longa em sries
temporais. Sero expostos a estatstica R/S e o teste GPH. importante ressaltar, contudo, que a
definio de memria longa especificada pelo comportamento assinttico da FAC quando
; ou pela densidade espectral quando ; 0.
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
amostral. Se os s forem v.a.normais i.i.d., ento
7 converge fracamente para uma v.a. que
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
sendo, 3A as autocorrelaes amostrais e q ) .
A8
16
3.2.2
Teste GPH
Baseados no processo fracionariamente integrado:

1 & Xi W ,
(3.4)
em que W ~X, Geweke e Porter-Hudak (1983) propuseram um teste semiparamtrico para
memria longa. A funo densidade espectral do processo dada por:

.
4FGL k ,
2
em que a frequncia de Fourier e k a funo densidade espectral de W . O parmetro

de diferena fracionria pode ser obtido pela regresso
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
como estimativa de @A B, a estimativa de mnimos quadrados da regresso acima, possui

distribuio normal para grandes amostras se n T T com 0 ) ) 1:
~I ,
B
6 A8
@UA & U
a mdia amostral de UA , com j 1,2, , n . Sob a hiptese

em que UA L 4FGL e U
nula de no existncia de memria longa 0, a estatstica abaixo possui distribuio
assinttica normal padro.
t i8+
B
6 A8
@UA & U
.
17
3.3 Estimadores para os Parmetros de Memria Longa

Nas sees anteriores foram introduzidos dois testes da presena de memria longa em sries
temporais: Estatstica R/S e GPH. Esta seo apresentar como se obter estimativas para o
parmetro de memria longa ou . No teste GPH, a estimativa de diretamente obtida.
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.
O procedimento para estimar o parmetro parte da primeira estimativa da estatstica R/S
utilizando-se observaes consecutivas. Em seguida, eleva-se o tamanho da amostra por um
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
Log-Log R/S Plot
10
50
100
Figura 3.2 Grfico da Estatstica R/S
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
No incio do Captulo 3, foi apresentado que a densidade espectral de um processo de
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 .
A Figura 3.3 apresenta o grfico do periodograma contra a frequncia da srie exemplo

introduzida no incio do captulo.
19
Spectrum
0.1
1.0
10.0
100.0
Log-Log Plot of Periodogram
0.001
0.005
0.010
0.050
Frequency
Figura 3.3 Grfico do Periodograma vs frequncia
Novamente, o mtodo LAD pode auxiliar na obteno de estimativas mais robustas para o
parmetro de memria longa.
3.3.3
Mtodo de Whittle
O mtodo de Whittle para estimar baseado na estimativa de mxima verossimilhana do
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

.

,
,
em que o vetor de parmetros desconhecidos, incluindo o parmetro de memria longa ,

o periodograma de e , a densidade espectral terica de .
3.3.4
Estimador de Mxima Verossimilhana do Modelo ARFIMA
O estimador de mxima verossimilhana (EMV) de um modelo ARFIMA (p,d,q) equao
(3.3), obtido considerando-se a seguinte funo de verossimilhana do processo , 7
20
, rk
2rk .7/ + 7. ./ G` &
1

5@ & B /. ,

2rk
8
em que @, s , , s: , , , c B, para 1, , so previses um passo frente e

. rk . @ & B .
Os estimadores de mxima verossimilhana dos parmetros so dados por

r3
. ,
7
5@ & B /. ,

8
e o valor de que minimiza
L| D
.
5 L@. B.
8
Entretanto, o clculo de bastante lento. Um procedimento alternativo considerar uma
aproximao dada por
@ B
n ln . @ ,B ,
em que

1
7 @ B 5 G .{

8
o periodograma dos dados,

rk 1 & G .{ & & c G .c{

.i
@ , B
1 & G .{

2 1 & s G .{ & & s G .:{

(3.5)
21
a funo densidade espectral do processo e . a soma sobre todas as frequncias de
Fourier,

7
&, '.
Hannan (1973) e Fox e Taqqu (1986) mostram que:
O estimador que minimiza a funo (3.5) consistente;
Se , 0, ; I@, . . B, em que uma matriz de ordem ` D f D

1 ` D f D 1 com , -simo elemento dado por

1 L, L,
;

4 .
A varincia rk estimada por

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%
gph (nvel 5%)

88%
87%
90%
53%
51%
54%
10%
10%
12%
gph (nvel 1%)

97%
96%
97%
78%
74%
78%
22%
20%
26%
Observa-se que para parmetros de memria longa de pequena magnitude os testes

apresentam elevados valores de erro de tipo II, possuindo, portanto, baixos poderes. Com a
elevao do valor do parmetro d, pode-se observar a diminuio do erro de tipo II. Modelos
com a presena de fatores de auto-regresso apresentaram melhores resultados devido ao
aumento da dependncia na srie.
A seguir, situa-se a comparao dos estimadores de diferentes mtodos que ser efetuada
atravs das seguintes medidas:
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
Para os modelos ARFIMA(0,d,0) pode-se observar que os estimadores do parmetro de

memria longa que mais se aproximam, em mdia, do valor real so: Whittle, GPH e EMV,
sendo os mtodos Whittle e EMV aqueles que apresentam os menores erros quadrticos mdios.
Nota-se tambm que no caso dos modelos ARFIMA(1,d,0) a definio do melhor estimador
varia de acordo com a magnitude do parmetro. Para o parmetro de memria longa pequeno
observa-se que o estimador que mais se aproximou em mdia e apresentou o menor erro
quadrtico mdio foi aquele obtido atravs do mtodo do periodograma. Para maiores
parmetros de memria longa o mtodo R/S foi o que obteve a melhor estimativa, com baixos
valores de erro quadrtico mdio.
O estimador de mxima verossimilhana, no caso dos modelos ARFIMA(0,d,1), novamente
apresentou melhores resultados, em comparao aos demais estimadores, tanto em mdia quanto
em EQM.
Para facilitar a comparao entre os diversos estimadores, os grficos abaixo apresentam o
boxplot das estimativas obtidas pelas simulaes separadas por parmetro de memria longa
utilizado para gerar as sries, modelo e mtodo de estimao.
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)
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)
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
aparentemente significativa. Considere os seguintes processos independentes e no cointegrados

. D
. D
sendo ~RBI0,1 a simulao de 250 observaes pode ser observada no grfico abaixo.
-10
-5
10
z1
z2
50
100
150
200
Figura 4.1 Duas sries no estacionrias e no cointegradas
250
A regresso D P D entre estas sries revela os seguintes resultados:
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 estimativa 1,3684 p & valor 0 significante e observado um moderado valor de R ,
no entanto, o baixo valor da statstica de Durbin-Watson indica autocorrelao relevante residual.
A regresso entre as sries em primeiras diferenas revela a verdadeira relao entre as sries
p & valor , 0,05:
Tabela 4.2 Regresso entre duas series no estacionrias em primeiras diferenas

Coefficients:
(Intercept) 0.0585 0.0663
0.8832 0.3780
diff(z2) -0.0894 0.0700
-1.2774 0.2026
R-Squared 0.0066
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.
4.1 Modelos de Cointegrao

Sendo ZP zP , zP , , zP ,
um vetor n 1 de sries temporais Id d , ZP
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
D D D ~ Id & b,
/
,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.
Tem-se os seguintes casos:
sz ) 1, K 1,2. e so I0 e e no so identificveis;
s 1 e s ) 1. e so I1 e 1, o vetor de cointegrao, identificvel;

s ) 1 e s 1. e so I1 e 1, o vetor de cointegrao, identificvel.
O vetor de cointegrao no nico, pois, para qualquer escalar c 0, " tambm um
vetor de cointegrao, ou seja, " ~I0. Por este motivo, algumas suposies de
normalizao so necessrias, sendo usualmente um dos parmetros para normalizar o vetor de
cointegrao, tornando-se 1, & , , & de modo que
& & & ~I0
ou
D D D ,
com ~0, conhecido como resduo de cointegrao. Como, no longo prazo, tem-se 0, a
relao de longo prazo entre as variveis
D D .
Quando n , 2, podem existir r vetores de cointegrao (0 ) r ) L), que, organizados numa
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
atravs da seguinte representao triangular:
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
Figura 4.2 Simulao de sries cointegradas
200
250
30
4.2 Tendncias Comuns

Alguns exemplos de cointegrao podem ser observados em modelos nas reas de economia
e finanas, geralmente associados a teorias que buscam as relaes de equilbrio entre sries. Em
economia modelos de renda, consumo, inflao, taxas de juros e investimentos so exemplos de
sries que possuem uma tendncia comum, assim como taxa de cmbio nominal, estrangeira e
inflao em modelos de poder de compra. Estas relaes de equilbrio so chamadas de relaes
de equilbrio de longo prazo devido a lenta resposta das foras econmicas aos desequilbrios.
Em finanas, cointegrao pode ser avaliada em relaes de alta frequncia e de baixa
frequncia. Relaes de alta frequncia so relacionadas a teorias de arbitragem que explicam
que ativos iguais tendem a ser vendidos pelo mesmo preo, como, por exemplo, a venda de um
mesmo produto em diferentes mercados, ou a relao entre preos futuros e a vista de um mesmo
ativo. Relaes de baixa frequncia so motivadas por teorias econmicas de equilbrio ligando
preos de aes a anlises de empresas, como, por exemplo, a teoria de que o preo de uma ao
representa o valor presente das projees de pagamentos de lucros ou dividendos.
Se uma srie temporal vetorial n 1, possuir r vetores de cointegrao (0 ) r ) L),
exitiro, portanto, L & tendncias estocsticas comuns.
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
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
.
Declarando-se var , var e var e notando-se que D
, & ,. segue-se que var D 2 . Analogamente tem-se var D 2 .
O coeficiente de correlao
,
ser baixo se # .
D 2 D 2
4.3 Modelo de Correo de Erros

Considere ZP zP , zP , um vetor de sries temporais I1, cointegrado pelo vetor de
cointegrao 1, & . Engle e Granger (1987) mostram que esta relao de cointegrao
implica a existncia de um modelo de correo de erros (ECM) da forma
. & . D W . D W . D
. & . D W . D W . D .
(4.1)
Este um modelo VAR1 ajustado s primeiras diferenas com um termo de correo de
erro adicionado. Os parmetros e so relacionados velocidade de ajuste da relao de

equilbrio, caso ambos sejam nulos, no existir relao de longo prazo. O modelo de correo
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 .
Generalizando para um modelo VARp tem-se
U+ D . D U . D DU . D D DUV .: D .
Para exemplificar, considere 1, &1 e a seguinte relao de equilbrio

D D ,
em que a media de & e o erro de desequilbrio (resduo de cointegrao).

Suponha o modelo de correo de erros
" D . & . & D ,
" , 0
" D . & . & D ,
" , 0.
A primeira equao relaciona a variao de com o desvio defasado de . & . & e
a segunda equao apresenta a variao de em relao ao mesmo desvio. Considerando as

duas equaes e 0,5 e 0 tem-se
" D 0,5. & . & D
Note que
situaes:
" D .
% |. ' " D 0,5. & . & e
. & . & 0, portanto
% |. ' " . Existem trs
% |. ' " e
% |. ' " , sendo " e
" as taxas de crescimento das variveis no equilbrio de longo prazo;
33
% |. ' " D 0,5. & . & , "
. & . & , 0, portanto
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;
% |. ' " D 0,5. & . & ) "
. & . & ) 0, portanto
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.
4.4 Testes para Cointegrao

Sendo ZP zP , zP , , zP um vetor de sries temporais I1. Como visto, este ser
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:
H pelo menos um vetor de cointegrao;
H possveis r vetores de cointegrao 0 d r ) L.
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
Procedimento de Engle e Granger
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-
definido e o resduo de cointegrao pr-definido. As hipteses a serem testadas so

H+ : ~I1 No h cointegrao
H : ~I0 h cointegrao.
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 e considere as hipteses a serem testadas equivalentes s do caso anterior. Como
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
obtendo-se as estimativas c3 e t e realizando-se o teste de raiz unitria sobre o resduo
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
Regresso e modelo de correo de erros
Estimadores de mnimos quadrados podem ser utilizados para estimar consistentemente o

vetor de cointegrao. Stock (1987) e Phillips (1991) apontam os seguintes comportamentos para
t quando as sries so cointegradas:
@t & B converge para uma varivel aleatria com distribuio diferente da
normal no possuindo, necessariamente, mdia zero;
Os estimadores de mnimos quadrados so consistentes e convergem para o valor real
t consistente mesmo que ZP seja correlacionado com uP ;
a uma taxa de em vez de / ;
A distribuio assinttica de @t & B , em geral, assintoticamente viesada e no

normal, portanto, os erros padro da regresso no so vlidos;
Mesmo que o vis assinttico tenda a zero a medida que aumente, os estimadores
em pequenas amostras podem ser substancialmente viesadas.
Tais consideraes mostram que os estimadores de mnimos quadrados podem ser

aprimorados, como sugerido por Stock e Watson (1993). Eles sugerem um mtodo para se obter
um estimador assintoticamente eficiente para o vetor de cointegrao normalizado e sua
varincia assinttica atravs do seguinte processo:
36
Aumentar a regresso de z,P por Z,P com termos determinsticos DP e ` diferenas
Z,P anteriores e posteriores
z,P DP D Z,P D 5 > Z,P.> D uP

8.:
Estimar a regresso por mnimos quadrados. O estimador resultante chamado

estimador de mnimos quadrados ordinrio dinmico (Dynamic Ordinary Least
Squares DOLS) t,DOLS . Ser consistente, com distribuio normal assinttica e

eficiente sob certas condies;
Erros padres dos estimadores vlidos assintoticamente, obtidos atravs do erros

padres da regresso multiplicados por
%
$
#
&
uP
$
/
uP o
em que $
% o estimador de mnimos quadrados da varincia de u3P e $
estimador da varincia de longo prazo de u3P .
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
consitentemente estimadas pelo mtodo dos mnimos quadrados.

4.4.3
Procedimento de Johansen
Considere o modelo VARp para um ZP zP , zP , , zP um vetor n 1

( D . D . D D V .: D P ,
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,
variveis aleatrias de so I1 e, possivelmente, cointegradas. No caso das variveis serem
realmente I1 e, possivelmente, cointegradas o modelo VARp no a melhor representao

pois as relaes de cointegrao no esto indicadas, como no modelo de correo de erros
( D . D . D D V. .: D P ,
em que D D V & I e > & z8> z , 1, , ` & 1. A matriz chamada

V
matriz de impacto no longo prazo e > so as matrizes de impacto no curto prazo.
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,
possui um posto r ) L. Tem-se dois casos:
r 0, implicando que 0 e I1 e no cointegrada;
0 ) r ) L, implicando que I1 com r vetores de cointegrao linearmente
independentes e n & r tendncias estocsticas comuns. A matriz pode ser escrita

como o produto em que e so matrizes n r com postos r. As
linhas de so os vetores de cointegrao e os elementos de distribuem o
impacto dos vetores de cointegrao na evoluo de e o modelo de correo de
erros possuir a seguinte forma
( D . D . D D V. .: D P ,
sendo . I0.
O seguinte procedimento de modelagem de cointegrao conhecido como mtodo de

Johansen
Verificar a ordem de integrao das sries;

Ajustar um modelo VARp para ;
38
Construir testes de razo de verossimilhana para o posto de , ou seja, o nmero de

vetores de cointegrao;
Dados os vetores de cointegrao normalizados estimar o modelo de correo de

erros, atravs do mtodo de mxima verossimilhana.
De acordo com Johansen(1995), os termos determinsticos esto restritos forma

( P + D t
e podem ser classificados em 5 casos:
Caso P 0, o modelo de correo de erros ser
. D . D D V. .: D P
e todas as series em so I1 sem drift e as relaes de cointegrao
possuem mdia zero.
Caso P + + (constante restrita), o modelo de correo de erros ser

. D + D . D D V. .: D P
e todas as series em so I1 sem drift e as relaes de cointegrao
possuem mdia + .
Caso P + (constante irrestrita), o modelo de correo de erros ser

+ D . D . D D V. .: D P
e todas as series em so I1 com drift e as relaes de cointegrao

possuem mdia diferente de zero.
Caso P + D t (tendncia restrita), o modelo de correo de erros ser

+ D . D t D . D D V. .: D P
e todas as sries em so I1 com drift + e as relaes de cointegrao
possuem termo de tendncia linear t.
39
Caso P + D t (tendncia restrita) o modelo de correo de erros ser

+ D t D . D . D D V. .: D P
e todas as series em so I1 com tendncia linear e as relaes de

cointegrao possuem tendncia linear.
Como o posto da matriz fornece o nmero de relaes de cointegrao em , a estatstica
razo de verossimilhana (Likelihood Ratio LR) para determinar o nmero de relaes de

cointegrao foi formulado para determinar o posto de . Estes testes so baseados nos
o , pois o posto de equivalente ao nmero de
autovalores estimados t , t , , t da matriz
autovalores no nulos da matriz.
O teste LR de Johansen testa as hipteses H+ : r r+ vs H : r , r+ atravs da estatstica
chamada trao dada por
,k- r+ & 5 L@1 D t z B.

{8 .
Se o posto de for r+ ento t . , , t so todos prximos de zero e ,k- r+ tende a
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
dimenso de L & r+ e da especificao dos termos determinsticos. Os valores crticos desta

distribuio foram tabulados por Osterwald-Lenum (1992) para os 5 casos de tendncias
apresentados.
Estimado o posto r de , Johansen (1988) mostra que o estimador de mxima
verossimilhana de dado por tMV $3 , $3 , , $3 em que $3z so os autovetores associados
aos autovalores t z e os estimadores de mxima verossimilhana dos demais parmetros so

obtidos pela regresso multivariada substituindo-se por tMV.
40
4.5 Simulao
Nesta seo ser avaliado o poder dos testes de cointegrao e a preciso dos estimadores do
parmetro de cointegrao . Para tanto 500 simulaes de diferentes configuraes do modelo
de correo de erros (4.1) foram efetuadas com tamanho amostral 500, utilizando rudos
~I0,0.5. A tabela abaixo apresenta as configuraes utilizadas:
Tabela 4.3 tabela de parmetros para a simulao de sries cointegradas
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.
Como nos modelos 1 e 2 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, ou seja, rejeitar H+ sendo ela
verdadeira. 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, ou seja, aceitar H+ sendo esta falsa.
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
Modelo beta Estatstica OLS DOLS Johansen

media
0.087 0.092 0.103
3
EQM
2.008 2.127 2.712
media
0.335 0.187 0.100
4
EQM
35.590 5.935 0.451
0.1
media
0.099 0.100 0.101
7
EQM
0.034 0.037 0.045
media
0.107 0.099 0.100
8
EQM
0.040 0.008 0.006
media
0.726 0.750 0.806
5
EQM
5.841 3.976 3.008
media
0.817 0.811 0.800
6
EQM
0.239 0.113 0.024
0.8
media
0.790 0.800 0.800
9
EQM
0.117 0.037 0.036
media
0.801 0.800 0.800
10
EQM
0.002 0.000 0.000
Observa-se que, em mdia, todos os estimadores se aproximam do valor verdadeiro do

coeficiente de cointegrao, sendo que os mtodos DOLS e de Johansen so os mais prximos.
No caso das estimativas geradas pelo mtodos OLS e DOLS para o modelo 4, nota-se uma
grande perturbao ocasionada pela presena de coeficientes auto-regressivos e baixos valores de
e .
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.
Os grficos boxplot abaixo apresentam a disperso das estimativas encontradas para os
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
Captulo 5 Cointegrao Fracionria

Como apresentado, os mtodos de cointegrao so utilizados para se determinar as relaes
entre sries no estacionrias. No entanto, o fato de assumir que o parmetro auto-regressivo
unitrio tem sido criticado e um mtodo alternativo seria a utilizao de processos fracionrios
como apresentado por Cheung e Lai (1993), Baillie e Bollerslev (1994), Robinson e Marinucci
-1
(1998). O grfico abaixo apresenta duas sries cointegradas fracionrias.
100
200
300
400
500
Figura 5.1 Exemplo de sries cointegradas fracionrias
Assim como no caso de sries no estacionrias, sries fracionrias tambm apresentam o

problema de regresso espria, como analisado por Marmol (1998).
Considere os seguintes processos fracionrios independentes e no cointegrados
+.56 ,
+.56 ,
46
-3
-2
-1
sendo ~RBI0,1 a simulao de 500 observaes pode ser observada no grfico abaixo.
100
200
300
400
500
Figura 5.2 Duas series fracionrias e no cointegradas
A regresso entre estas sries apresenta os seguintes resultados:

Tabela 5.1 Regresso entre duas series fracionrias
Coefficients:
(Intercept)
z[, 2]

-0.4834
0.0312
-15.4778
0.0000
-0.1086
0.0500
-2.1715
0.0304
R-Squared 0.0093
A estimativa 0,1086 p & valor 0,0304 significante. Porm, tomando-se a diferena das
sries observamos a verdadeira relao entre as mesmas p & valor , 0,05.
47
Tabela 5.2 Regresso entre duas series em diferenas fracionrias
Coefficients:
(Intercept) -0.0079 0.0213
-0.3686 0.7126
y[, 2] -0.0657 0.0432
-1.5206 0.1290
R-Squared 0.0046
Observa-se que so necessrias diferentes formas de tratamento para se encontrar as

verdadeiras relaes entre sries fracionria, da mesma forma que para as sries no
estacionrias, fazendo sentido portanto a definio de cointegrao fracionria.
Seguindo os princpios introduzidos por Engle e Granger (1987), apresentados na seo 4.1, e
desenvolvidos por Caporale e Gil-Alana (2004), um conjunto de L sries temporais L 1

chamado cointegrado fracionrio de ordem ,
,
, ,

, se todos os processos
forem integrados de ordem e se existir um vetor L 1 tal que seja uma
srie de ordem

para 0 )
) .
5.1 Modelo de Correo de Erros

O modelo de correo de erros pode ser generalizado da seguinte forma:
7B D 1 & B.8 & 191 & B BP
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.
Pode-se notar que para o balanceamento da equao a seguinte condio necessria

1 & B.8 ~0.
Este modelo admite que todas as sries possuem o mesmo nvel de integrao o que pode no
ser verdade. Davidson (2002) sugere as seguintes generalizaes:
48
1 & B
B
\
0

;

1 & B8
0
e KB
\
\
1 & B
0

;

\
8
1 & B
de forma que o modelo de correo de erros passa a ser
B D %KB. & 'B BP
e a condio para o balanceamento alterada, admitindo-se = B ~0,

KB. = ~0.
(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 .
5.2 Testes para Cointegrao Fracionria

Davidson (2002) exps, em sua pesquisa, que, no escopo da cointegrao fracionria, as
implicaes do teorema central do limite no so vlidas quando as ordens de integrao no so
conhecidas e as estatsticas de teste no so assintoticamente pivotais, sendo dependentes do
parmetro de integrao fracionria e dos parmetros relacionados covarincia, dependendo,
portanto, da convergncia de funcionalidades do movimento browniano fracionrio, que possui
incrementos correlacionados, invalidando as tabulaes dos testes padres.
A soluo proposta pelo autor a utilizao de simulaes por bootstrap, que geram
aproximaes assintticas de primeira ordem para testes no pivotais, visando gerar a
distribuio emprica das estatticas de inferncia sobre a hiptese de cointegrao. Trs
hipteses so, ento, avaliadas: simples cointegrao (hiptese fraca), cointegrao e causalidade
de Granger (hiptese semifraca) e independncia estatstica (hiptese forte).
Quando 0 em (5.1) pode-se afirmar que as sries no so cointegradas e o modelo
passa a ser
BB BP .
49
O procedimento proposto por Davidson (2002) assumindo H+ : KB (no cointegrao)
possui as seguintes etapas:
1. Processos ARFIMA(p,d,q) so ajustados s sries temporais;

2. A diferenciao fracionria aplicada s sries de acordo com o modelo ajustado no
passo 1, para se estimar = em (5.2) e ento ajustar modelos dinmicos. O objetivo
estimar o modelo (5.1) condicionado s restries da hiptese nula de no

cointegrao;
3. Os resduos do passo 2 (P ) so reamostrados M vezes com reposio e utilizados para
z M
gerar as sries >ZP ?
z8
de acordo com (5.1), sob H+ , que preservam a mesma
dinmica de , mas que so, por construo, no cointegradas. As distribuies dos

z M
testes estatsticos so, ento, estimadas utilizando >ZP ?
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
, em que necessria apenas a reamostragem de .
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
modelos ARFIMA s sries . As reamostragens de 3 so utilizadas para se obter >3z

P ?
z M
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
@
regresso mencionada acima so suprimidas as sries 3P .
So indicados dois testes residuais para a determinao da presena de cointegrao

fracionria nas sries: Engle e Granger Fracionrio (nomenclatura utilizada por Marques (2007))
e Durbin-Watson, que so efetuados sobre os resduos B da regresso de e .
Engle e Granger Fracionrio (FEG)
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
Tabela 5.4 Resultados das Simulaes de Cointegrao Fracionria
Hiptese Forte
Modelo
d055alfa0beta0
modelo 1
Estat. Erro Tipo I

FEG
22%
DW
8%
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
Estat. Erro Tipo I

FEG
6%
DW
6%
Modelo
Estat. Erro Tipo II
80%
DW
62%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Estat. Erro Tipo I

FEG
0%
DW
8%
Modelo
Estat. Erro Tipo II
0%
DW
0%
modelo 8
d1alfa1beta0.8
modelo 9
FEG
DW
0%
0%
Hiptese Semi Fraca

Modelo
d055alfa0beta0
modelo 1
Estat. Erro Tipo I

FEG
18%
DW
4%
Modelo
Estat. Erro Tipo II
90%
DW
92%
modelo 2
d055alfa1beta0.8
modelo 3
FEG
DW
0%
0%
Modelo
d075alfa0beta0
modelo 4
Estat. Erro Tipo I

FEG
6%
DW
0%
Modelo
Estat. Erro Tipo II
82%
DW
72%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Estat. Erro Tipo I

FEG
0%
DW
0%
Modelo
Estat. Erro Tipo II
0%
DW
0%
modelo 8
d1alfa1beta0.8
modelo 9
FEG
DW
0%
0%
Hiptese Fraca
Modelo
d055alfa0beta0
modelo 1
Estat. Erro Tipo I

FEG
18%
DW
0%
Modelo
Estat. Erro Tipo II
94%
DW
94%
modelo 2
d055alfa1beta0.8
modelo 3
FEG
DW
0%
0%
Modelo
d075alfa0beta0
modelo 4
Estat. Erro Tipo I

FEG
6%
DW
6%
Modelo
Estat. Erro Tipo II
78%
DW
72%
modelo 5
d075alfa1beta0.8
modelo 6
FEG
DW
0%
0%
Modelo
d1alfa0beta0
modelo 7
Estat. Erro Tipo I

FEG
0%
DW
8%
Modelo
Estat. Erro Tipo II
0%
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:
Tabela 5.5 Mdia e EQM dos estimadores do parmetro de cointegrao fracionria
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
O grfico de box plot confirma o fato de melhores estimativas de parmetro de cointegrao

serem obtidas na anlise de sries com elevados parmetros de memria longa.
55
Captulo 6 Aplicaes em Sries Reais

Os testes e estimadores apresentados nos captulos foram aplicados a dados reais com o
intuito de demonstrar sua utilizao. As sries escolhidas so o preo mdio mensal da taxa de
cmbio Real/Dlar (preo spot) e sua cotao futura, ou seja, preo futuro de primeiro
vencimento (preo futuro). As sries utilizadas so provenientes das negociaes dirias na
Bolsa de Mercadorias e Futuros BM&F desde 04/01/1999 a 28/02/2010, totalizando 134
3.0
3.5
amostras.
1.5
2.0
2.5
spot
futuro
20
40
60
80
100
120
Figura 6.1 Sries de taxas de cmbio spot e futura
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.
Neste captulo testes de cointegrao e cointegrao fracionrias sero realizados e o

parmetro de cointegrao estimado. Em seguida, um estudo sobre os resduos ser efetuado para
comparao entre os modelos ajustado.
6.1 Estimao do Modelo de Cointegrao Convencional

Observa-se nos grficos de FAC (Figura 6.2), tanto do preo spot quanto do preo futuro, um
decaimento muito lento indicando a presena de memria longa ou uma raiz unitria.
Series : futuro
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
Taxa de Cmbio Futura

Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:
there is a unit root

t-test
-1.576
0.4921

t-test
-1.623
0.4683
Coefficients:
lag1 constant
-0.0294 0.0701
Coefficients:
lag1 constant
-0.0297 0.0715
Degrees of freedom: 133 total; 131

residual
Residual standard error: 0.1106

residual
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.
Realizando os testes de regresso simples e regresso dinmica apresentados no Captulo 4,

obtm-se os seguintes p-valores 6,306668e-007 (Tabela 6.2) e 0,0007594897 (Tabela 6.3), ou
seja, rejeita-se a hiptese nula de no cointegrao, como observado nas tabelas abaixo.
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
residual
Time period: from 01/01/1960 to 05/13/1960
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:

t-test
-6.102
4.043e-7
Coefficients:
lag1 constant
-0.3470 0.0004
residual
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
Null Hypothesis:
Type of Test:
Test Statistic:
P-value:

t-test
-4.611
2.18e-4
Coefficients:
lag1 constant
-0.2924 -0.0001
P-value (Distribuio PO): 0.0007594897
O resultado do teste de Johansen (Tabela 6.4) apresentou valores significantes a nveis de 5%

e 1% para o fator de cointegrao, apontando, tambm, para a existncia de cointegrao entre as
sries.
Tabela 6.4 Teste de Johansen sobre as sries de taxas de cmbio spot e futura
Trend Specification:
H1*(r): Restricted constant
Trace tests significant at the 5% level
Trace tests significant at the 1% level
Max Eigenvalue tests significant at the
Max Eigenvalue tests significant at the
are flagged by ' +'.

are flagged by '++'.
5% level are flagged by ' *'.
1% level are flagged by '**'.
Tests for Cointegration Rank:

Eigenvalue Trace Stat 95% CV 99% CV Max Stat 95% CV 99% CV
H(0)++** 0.2062
32.6946
19.9600 24.6000 30.4736 15.6700 20.2000
As estimativas para os vetores de cointegrao podem ser observados na tabela abaixo, de

onde percebe-se a consistncia das estimativas. Como tanto o mtodo DOLS quanto o de
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
# &0,0004 D 0,6502# & 1,0048F`# & 1,2298F`#.

D 1,5839#. D P .
6.2 Estimao do Modelo de Cointegrao Fracionria

Nesta seo, ser efetuado o teste de existncia de cointegrao fracionria proposto por
Davidson (2002) alm da comparao dos resduos deste modelo com os resduos do modelo de
cointegrao fracionria para se determinar o que melhor se ajustou s sries observadas.
O primeiro passo para se determinar a existncia de cointegrao fracionria o teste para
presena de memria longa nas sries. Como observado no item anterior, as sries de preos de
taxas de cmbio spot e futura apresentam FAC com lento decaimento, sugerindo a realizao dos
testes de memria longa.
O teste da estatstica R/S abaixo rejeita a hiptese nula de no existncia de dependncia de
longo prazo para ambas as sries, assim como o teste GPH que tambm rejeitou a hiptese nula
de parmetro d=0.
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
Null Hypothesis: no long-term dependence
Null Hypothesis: no long-term dependence
Test Statistics:
Test Statistics:
2.1701**
2.1812**
* : significant at 5% level
** : significant at 1% level
Total Observ.: 134
Bandwidth : 4
Total Observ.: 134
Bandwidth : 4
Test for Long Memory: GPH Test
Test for Long Memory: GPH Test
Null Hypothesis: d = 0
Null Hypothesis: d = 0
Test Statistics:
Test Statistics:
d 0.9219
stat 3.3729**
d 0.9499
stat 3.475**
Comprovada a existncia de dependncia de longo prazo, o prximo passo a estimao do

parmetro de memria longa d. Como foi constatado no item anterior a presena de uma raiz
unitria, a estimao do parmetro d ser efetuada sobre a srie em primeiras diferenas.
As estimativas obtidas pelos diferentes mtodos para as sries em primeiras diferenas
podem ser observadas na tabela abaixo.
Tabela 6.8 Estimativas do parmetro de memria longa
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
Como visto no Captulo 3, o estimador de mxima verossimilhana foi o que mais se

aproximou dos valores reais e, por este motivo, foi escolhido como estimativa. Tomada a
diferena fracionria dos dados, observa-se os seguintes resultados de FAC e PACF.
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
Pelos grficos da Figura 6.3, observa-se a presena de correlaes significativas entre

defasagens de ordens 6 e 7 que, quando eliminadas, geram o seguinte modelo:
1 D 0,2192BE D 0,2479BG 1 & X,E5 F`# W
(6.1)
1 D 0,2020BE D 0,2453BG 1 & X,G # W ,

cujos resduos apresentam os seguintes grficos de FAC e FACP abaixo, onde pode-se observar
a eliminao das auto correlaes significativas.
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
Figura 6.4 FAC e FACP dos resduos dos modelos ajustados
Efetuando-se os testes de cointegrao fracionria com 500 reamostragens de bootstrap os

seguintes resultados podem ser observados.
Tabela 6.9 p-valores dos testes de cointegrao fracionria sobre os dados reais
Teste
FEG
DW
Hip.Forte
0.00%
0.00%
Hip.SemiFraca
0.00%
0.00%
Hip.Fraca
0.00%
0.00%
Todos os testes rejeitam a hiptese nula de independncia estatstica (hiptese forte)

indicando a dependncia entre as sries. As hipteses nulas de no cointegrao e inexistncia de
causalidade de Granger (hiptese semifraca) e de simples no cointegrao (hiptese fraca)
tambm foram rejeitadas pelos testes indicando a existncia de cointegrao fracionria. Os
clculos dos testes FEG e DW utilizando os resduos da regresso entre as sries originais, taxa
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
.G # &0,0025 D 1,3463# & 1,0048F`# & 3,1186,E5 F`#. D
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
[1] Alexander, C. (2001). Market Models. Wiley.

[2] Baillie, R. T., Bollerslev, T. (1994). Cointegration, Fractional Integration and exchange rate
Dynamics. Journal of Finance XLIX (2), 737-745.
[3] Box, G. E. P., Jenkins, G. M. and Reinsel, G. (1994). Time Series Analysis: Forecasting and
Control. Third Edition. Prentice Hall, Englewood Cliffs.
[4] Caporale, G. M., Gil-Alana, L. A. (2004). Fractional Cointegration and Test of Present
Value Models. Review of Financial Economics, 13, 245-258.
[5] Cheung, Y. M., Lai, K. S. (1993). A Fractional Cointegration Analysis of Purchasing Power
Parity. Journal of Business and Economic Statistics 11(1), 103-112.
[6] Davidson, J. (2002). A Model of Fractional Cointegration and Tests for Cointegration Using
the Bootstrap. Journal of Econometrics, 110, 2, 187-212.
[7] Dickey, D., W. Fuller (1979). Distribution if the Estimators for Autoregressive Time Series
with a Unit Root. Journal of the American Statistical Association, 74, 427-431.
[8] Engle, R. F., Granger, C. W. J. (1987). Cointegration and Error Correction: Representation,
Estimation and Testing. Econometrica, 55, 251-276.
[9] Fox, A. J., Taqqu, M. S. (1986). Large Sample Properties of Parameter Estimates for
Strongly Dependent Stationary Gaussian Time Series. The Annals of Statistics, 14, 517-532.
[10]
Geweke, J., Porter-Hudak, S. (1983). The Estimation and Application of Long Memory
Time Series Models. Journal of Time Series Analysis, 4, 221-237.

[11]
Granger, C. W. J. (1969). Investigating causal relationships by econometric models and
cross-spectral methods. Econometrica, 37, 424-438.

[12]
Granger, C. W. J. and Newbold, P. E. (1974). Spurious regression in econometrics.
Journal of Econometrics, 2, 111-120.
68
[13]
Hannan, E. J. (1973). The Asymptotic Theory of Linear Time Series Models. Journal of
Applied Probability, 10, 130-145.

[14]
Hurst, H. E. (1951). Long Term Storage Capacity of Reservoirs. Transactions of the
American Society of Civil Engineers, 116, 770-799.

[15]
Johansen, S. (1988). Statistical Analysis of Cointegration Vectors. Journal of Economic
Dynamics and Control, 12, 231-254.

[16]
Johansen, S. (1995). Likelihood Based Inference in Cointegrated Vector Error
Correction Models. Oxford University Press, Oxford.

[17]
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
Strongly Dependent Processes. Zeitschrift fr Wahrscheinlichkeitstheorie und Verwandte

Gebiete, 31, 271-285.
[19]
Marmol, F. (1998). Spurious Regression Theory with Nonstationary Fractionally
Integrated Processes of Different Orders. Oxford Bulletin of Economics and Statistics, 84,
233-250.
[20]
Marques, G. O. (2007). Estruturas de memria longa em variveis econmicas: da
anlise de integrao e co-integrao fracionria anlise de ondaletas. Tese de Mestrado.

FEA USP, So Paulo.
[21]
Morettin, P. A. (2008). Econometria Financeira. Edgar Blcher, So Paulo.
[22]
Morettin, P. A., Toloi, C. M. C. (2004). Anlise de Sries Temporais. Edgar Blcher, So
Paulo.
[23]
Newey, W. K., West, K. D. (1987). A Simple Positive Semidefinite Heteroskedasticity
and Autocorrelation Consistent Covariance Matrix. Econometrica, 55, 703-708.
69
[24]
Osterwald-Lenum, M. (1992). A note with Quantiles of the Asymptotic Distribution of the
Maximum Likelihood Cointegration Rank Statistics. Oxford Bulletin of Economics and

Statistics, 54, 311-340.
[25]
Phillips, P.C.B. (1991). Optimal Inference in Cointegrated Systems. Econometrica, 59,
283-306.
[26]
Phillips, P. C. B., S. Ouliaris (1990). Asymptotic Properties of Residual Based Tests for
Cointegration. Econometrica, 58, 73-93.

[27]
Robinson P.M., Marinucci D. (1998). Semiparametric Frequency Domain Analysis of
Fractional Cointegration. STICERD Working Paper EM/98/348.

[28]
Stock, J. H. (1987). Asymptotic Properties of Least Squares Estimation of Cointegrating
Vectors. Econometrica, 55, 1035-1056.

[29]
Stock, J. H., M. W. Watson (1993). A Simple Estimator of Cointegrating Vectors in
Higher Order Integrated Systems. Econometrica,61, 783-820.

[30]
Tsay, R. S. (2005). Analysis of Financial Time Series. Second Edition. Second Edition.
Wiley, New York.

[31]
Zivot, E., Wang, J. (2005). Modeling Financial Time Series with S-Plus. Second Edition.
Springer, New York.
70
Apndice B
Comandos Splus
A lista abaixo apresenta os comandos utilizados e uma breve apresentao.

simulate.FARIMA Simula sries temporais que seguem modelos ARFIMA.
FARIMA Ajusta modelos ARFIMA a uma srie temporal.
d.pgram Estima parmetro de integrao d de memria longa pelo mtodo do periodograma.
d.whittle Estima parmetro de integrao d de memria longa pelo mtodo do Whittle.
d.ros Estima parmetro de integrao d de memria longa pelo mtodo R/S.
gphTest Teste e estimador do parmetro de memria longa pelo mtodo GPH.
rmvnorm Simula sries temporais seguindo distribuies normais.
ols.fit funo de regresso linear.
unitroot teste de raiz unitria.
pcoint Estima p-valor do teste de raiz unitria pela distribuio de PO.
arima.sim Simula sries temporais que seguem o modelo ARIMA.
acf funes de auto correlao e auto correlao parcial
coint teste de cointegrao de Johansen.

Cointegração Fracionaria em Series Financeiras

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cointegração Fracionaria em Series Financeiras

Enviado por

Direitos autorais:

Formatos disponíveis

Cointegrao fracionria em sries financeiras

Victor Sakimoto Shie

So Paulo, maio de 2010

Cointegrao fracionria em sries financeiras

Este exemplar corresponde redao

Profa. Dra. Chang Chiann (orientadora) - IME - USP.

Prof. Dr. Airlane Pereira Alencar - IME - USP.

Prof. Dr. Guilherme de Oliveira Lima Cagliari Marques - CECS - UFABC.

Processos Estocsticos .................................................................................................. 3

Movimento Browniano ......................................................................................... 4

Modelo ARMA ............................................................................................................. 4

Modelo auto-regressivo (AR)................................................................................ 5

Modelo de mdias mveis (MA)........................................................................... 6

Modelo auto-regressivo e de mdias mveis ........................................................ 6

Sries Temporais no Estacionrias ............................................................................. 7

Modelo ARIMA .................................................................................................... 7

Teste de razes unitrias ........................................................................................ 7

Modelo VAR ................................................................................................................ 8

Varincia de longo prazo ............................................................................................ 10

Causalidade de Granger ...................................................................................... 10

Sries de Memria Longa ................................................................................ 12

Modelos auto-regressivo fracionariamente integrado e de mdias mveis (ARFIMA)

Testes para Memria Longa ....................................................................................... 14

Estatstica R/S ..................................................................................................... 15

Teste GPH ........................................................................................................... 16

Estimadores para os Parmetros de Memria Longa ................................................. 17

Estatstica R/S ..................................................................................................... 17

Mtodo do Periodograma .................................................................................... 18

Estimador de Mxima Verossimilhana do Modelo ARFIMA .......................... 19

Modelos de Cointegrao ........................................................................................... 27

Tendncias Comuns .................................................................................................... 30

Modelo de Correo de Erros ..................................................................................... 31

Testes para Cointegrao ............................................................................................ 33

Procedimento de Engle e Granger....................................................................... 34

Regresso e modelo de correo de erros ........................................................... 35

Procedimento de Johansen .................................................................................. 36

Cointegrao Fracionria ................................................................................. 45

Modelo de Correo de Erros ..................................................................................... 47

Testes para Cointegrao Fracionria......................................................................... 48

Aplicaes em Sries Reais ............................................................................. 55

Estimao do Modelo de Cointegrao Convencional ............................................... 56

Estimao do Modelo de Cointegrao Fracionria ................................................... 60

Referncias Bibliogrficas ............................................................................... 67

Comandos Splus .............................................................................................. 70

processos no estacionrios, geralmente possuindo razes unitrias, ou seja, so integradas I,

alternativos propem a utilizao de processos fracionrios I,

2.1 Processos Estocsticos

cada  , uma varivel aleatria contida num espao de probabilidade , ,  com  .

Um srie temporal , , ou , chamada estritamente estacionria se a distribuio

  ! constante para todo ;

  ) para qualquer ;

A funo de autocovarincia ( satisfaz as seguintes propriedades:

(+ % & ! ' , 0;

A funo de autocorrelao (FAC) do processo definida por 1

sendo a autocovarincia amostral definida por

e a mdia amostral 6 7 78  .

Quando estes valores amostrais, chamados de momentos amostrais, convergem em

probabilidade para os momentos populacionais da srie  ( (3 ; ( , 13 ; 1 , 6 ; !) pode-se

Movimento Browniano Padro, tambm conhecido como processo de Wiener, um processo

contnuo W Wt, t / 0 tal que:

independentes para quaisquer k e j;

Wt >  & Wt >.  e W@t A B & W@t A. B

As trajetrias de Wt so contnuas com probabilidade um.

processos no estacionrios, geralmente possuindo razes unitrias, ou seja, so integradas I,

alternativos propem a utilizao de processos fracionrios I,

cada , uma varivel aleatria contida num espao de probabilidade , , com .

Um srie temporal , , ou , chamada estritamente estacionria se a distribuio

! constante para todo ;

) para qualquer ;

A funo de autocovarincia ( satisfaz as seguintes propriedades:

(+ % & ! ' , 0;

A funo de autocorrelao (FAC) do processo definida por 1

e a mdia amostral 6 7 78 .

probabilidade para os momentos populacionais da srie ( (3 ; ( , 13 ; 1 , 6 ; !) pode-se

contnuo W Wt, t / 0 tal que:

Wt > & Wt >. e W@t A B & W@t A. B

As trajetrias de Wt so contnuas com probabilidade um.

O Movimento Browniano Padro possui %Wt' 0 e ( (, D JKL, D .

com + 1, e aP uma sequncia de variveis aleatrias independentes e identicamente

em que B o operador de defasagem (X . ) e UB 1 & U B & U B & UV BV .

das razes da equao caracterstica UB 0 estejam fora do crculo unitrio.

U . D U . D W

Utilizando a notao de operadores B 1 D B D B D D b Bb , tem-se

caracterstica B 0 possua todas as razes fora do crculo unitrio.

> D > D > D D b b.>

i 1 & Bi & .) estcionria, so chamadas no estacionrias

Se i for estacionria, um modelo ARMA(p,q) pode ser ajustado para a srie :

Dada uma srie , com 1,2, , cujo comportamento segue o modelo

e testado + : 0 $F : ) 0. Teste este conhecido como teste Dickey Fuller Aumentado

c D . D . D D V .: D P ,

e I a matriz identidade n n. Sendo

em que B I & B & B & & V BV

det@I & z & z & & V z V B 0

@I & & & & V B c

o > . & 3 D

que possui distribuio qui-quadrado com n graus de liberdade, n .

contendo e , |X o preditor de mnimo erro quadrtico mdio de utilizando-se o

; : causa (causalidade unidirecional) se r |. ) r |. &

j : causa instantaneamente se r |. , ) r |. , ou seja, o

Existe feedback se causa e causa ;

em que a mdia populacional, z a mdia amostral, o tamanho da amostra e ( a

(3+ D 2 5 ,7 (3 ,

, com 7 sendo a parte inteira de 7 4/100/ .

em que a frequncia de Fourier.

de Hurst (Hurst, 1951) para mensurar a memria longa de um processo.

Quanto maior o valor de , mais lento o decaimento da FAC do processo, indicando,

ARFIMAp, , q, sendo & 12, dado por

O modelo ser estacionrio caso ) e as razes de UB 0 estiverem fora do