Escolar Documentos
Profissional Documentos
Cultura Documentos
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/228460419
CITATIONS READS
0 332
2 authors, including:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Fernando Antonio Lucena Aiube on 15 July 2014.
The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
Econometria para S
eries Financeiras
aiube@ind.puc-rio.br
Maio 2007
ii
Introdu
c
ao
Este trabalho apresenta alguns conceitos fundamentais para analise das series
de dados financeiros. Inicialmente sao apresentados conceitos fundamentais
das series de tempo sob a otima da metodologia Box e Jenkins. Posterior-
mente, sao analisadas as series de retornos e finalmente sao tratados alguns
dos modelos de volatilidade condicional. Ao final reunimos uma extensa lista
de trabalhos que discorrem sobre os temas aqui abordados e certamente sao
u
teis para o suporte ao estudo e pesquisa nesta area.
2 S
eries financeiras - retornos 15
2.1 Serie de retornos . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Fatos estilizados . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Distribuicao dos retornos . . . . . . . . . . . . . . . . . . . . . 17
2.4 Previsibilidade dos retornos . . . . . . . . . . . . . . . . . . . 17
2.4.1 Modelo RW 1 . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Modelo RW 2 . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3 Modelo martingal . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Modelo RW 3 . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Teste de normalidade . . . . . . . . . . . . . . . . . . . . . . . 20
2.6 Teste de estacionariedade . . . . . . . . . . . . . . . . . . . . . 21
2.7 Teste para autocorrelacao . . . . . . . . . . . . . . . . . . . . 23
2.8 Teste de independencia . . . . . . . . . . . . . . . . . . . . . . 24
2.9 Teste para dependencia nao linear . . . . . . . . . . . . . . . . 26
3 Volatilidade condicional 31
3.1 Modelos de volatilidade condicional lineares . . . . . . . . . . 32
3.1.1 Modelo ARCH . . . . . . . . . . . . . . . . . . . . . . 32
3.1.2 Modelo GARCH . . . . . . . . . . . . . . . . . . . . . 35
3.1.3 Estimacao do modelo GARCH(1,1) . . . . . . . . . . . 36
3.1.4 Previsao da volatilidade condicional . . . . . . . . . . . 38
3.1.5 Modelo IGARCH . . . . . . . . . . . . . . . . . . . . . 39
3.1.6 Modelo GARCH-M . . . . . . . . . . . . . . . . . . . . 39
iii
iv
SUMARIO
Conceitos b
asicos de s
eries
temporais
Definic
ao: Um processo estocastico X e uma colecao de variaveis aleatorias
1
2 CAPITULO 1. CONCEITOS BASICOS
DE SERIES TEMPORAIS
Xt = Xt (),
onde y = N1 N
P
t=1 yt e k
e um estimador nao tendencioso de (1.1).
Definic
ao: Funcao de autocorrelacao (FAC) e definida por
k Cov (yt , yt+k )
k = = . (1.3)
0 V ar (yt )
onde 0 e a variancia da serie. O estimador de k e
k
k = (1.4)
0
Para testar a hipotese conjunta de que todos os k sao simultaneamente iguais
a zero pode-se usar a estatstica Q desenvolvida por Box e Pierce, definida
por:
Xm
Q(m) = N 2k () (1.5)
k=1
m graus de liberdade.
A FACP para um processo estacionario com media zero pode ser obtido
a partir da regressao
j = k1 j1 + k2 j2 + . . . + kk kj
1 = k1 0 + k2 1 + . . . + kk k1
2 = k1 1 + k2 0 + . . . + kk k2
..
.
k = k1 k1 + k2 k2 + . . . + kk 0 (1.7)
Para k = 1 11 = 1
Para k = 2 1 = 21 + 22 1 e 2 = 21 1 + 22
Ou podemos escrever a u
ltima equacao em notacao matricial:
1 1 1 21
=
2 1 1 22
4 CAPITULO 1. CONCEITOS BASICOS
DE SERIES TEMPORAIS
1 = 31 + 32 1 + 33 2
2 = 31 1 + 32 + 33 1
3 = 31 + 32 1 + 33
Em notacao matricial temos:
1 1 1 2 31
2 = 1 1 1 32
3 2 1 1 33
E assim sucessivamente.
Definic ao: Seja {t } uma seq uencia de variaveis aleatorias independentes
e identicamente distribudas (iid) com variancia 2 . Esta seq uencia e de-
nominada rudo branco (RB). Assim temos t iid tal que E (t ) = 0;
V ar (t ) = 2 ; Cov (t , t+k ) = k = 0 k 6= 0; k = 1 se k = 0, k = 0 se
k 6= 0.
Definic
ao: Considere t um rudo branco, seja
yt = yt1 + t (1.8)
Li yt = yti (1.9)
yt
(v) Se |a| < 1 a soma infinita (1 + aL + a2 L2 + . . .) yt = 1aL
1.2 Formulac
ao dos modelos Box-Jenkins
A metodologia Box e Jenkins e a interpretacao e analise de uma serie tem-
poral como sendo oriunda de uma realizacao de um processo estocastico. O
objetivo e inferir sobre o processo gerador de dados. Busca-se identifica-
lo baseado nas informacoes contidas na serie levando-se em consideracao a
parcimonia do modelo, ou seja, tratando o modelo com o menor n umero de
parametros possvel. A estrategia envolve a repeticao do processo de inden-
ficacao ate encontrar o modelo que seja mais satisfatorio.
p (L) = 1 1 L 2 L2 . . . p Lp (1.11)
q (L) = 1 1 L 2 L2 . . . p Lp (1.12)
O polinomio p (L) define a parte auto-regressiva (AR) do modelo enquanto
o polinomio q (L) define a parte denominada media movel (MA). Assim,
o modelo em (1.10) e denominado ARM A(p, q). Por exemplo, o modelo
ARM A(2, 3) e escrito como;
2 (L) yt = 3 (L) t
1 1 L 2 L2 yt = 1 1 L 2 L2 3 L3 t
Modelo Condicoes
p (L) yt = t p (L) = 0 razes fora do crculo unitario
estacionario e trivialmente inversvel.
yt = q (L) t q (L) = 0 razes fora do crculo unitario
inversvel e trivialmente estacionario.
p (L) yt = q (L) t p (L) . . . razes fora do cculo unitario estacionario.
q (L) . . . razes fora do crculo unitario inversvel.
(iv) calcule 0 , 1 , . . . , k e 0 , 1 , . . . , k
yt = 0, 8yt1 0, 3t1 + t
d Zt = yt (1.13)
1.3. IDENTIFICAC DOS MODELOS
AO 9
1.3 Identificac
ao dos modelos
Para os modelos ARM A(p, q) a estrategia de idenficacao da ordem p e q mais
apropriada e atraves da funcao de auto-correlacao parcial FACP. Desta forma
busca-se a idenficacao do modelo comparando-se a FAC e FACP teoricas com
aquelas oriundas do modelo.
modelo ARM A.
2 + k ln N
BIC (k) = N ln (1.16)
Como ln N > 2 para N > 8, o criterio BIC penaliza mais fortemente que
o criterio AIC a introducao adicional de parametros. Portanto, usando o
criterio BIC o modelo selecionado tende a ser mais parciomonioso que aquele
orindo do criterio AIC.
1.4 Func
ao impulso resposta
A analise da estacionariedade de uma serie pode ser feita pelos teste Dickey-
Fuller (DF) e Augmented Dickey-Fuller (ADF) que serao detalhados no
proximo captulo. Vale ressaltar entretanto que atraves de tecnicas de sim-
ulacao pode-se verificar os efeitos que os choques causam em um modelo.
Tomemos o caso do modelo AR (p):
onde a seq
uencia de c1 , . . . , ct1 e obtida por
min(i,p)
X
ci = j cij i = 1, . . . , t 1 (1.19)
j=1
Exerccio 10: Mostre que a funcao impulso resposta para o modelo AR (p)
e dada por IRF (k, ) = ck .
1.5 Estrat
egia para especifica
c
ao dos mode-
los
A modelagem de series temporais por modelos lineares ARM A deve seguir
as seguintes etapas:
(ii) comparar o valor de tais estatsticas com valores teoricos caso estes
sejam adequados;
1.6 Previs
ao
Seja agora a situacao em que foi realizada a estimacao do modelo e feitos
os testes de adequacao do mesmo. Desejamos realizar previsoes para os
valores das series yt . Considere que estamos no instante t (na origem) e
desejamos fazer previsoes ` perodos `a frente. Esta previsao e denominada
yt (`) = Et (yt (`)). Vale ressaltar que Et (t+` ) = 0 para ` 1. Aqui tratare-
mos da previsao com erro quadratico mnimo. Para maiores detalhes veja
Morettin e Toloi (2004).
2 + 2 2 = 1 + 2 2
(1 L) yt = + t
S
eries financeiras - retornos
2.1 S
erie de retornos
A maior parte dos estudos financeiros concentra-se na analise da serie de
retornos ao inves do uso da serie de precos. A razao desta preferencia, con-
forme Campbell et al (1997), esta relacionada a dois fatos. Em primeiro
lugar o retorno de um ativo financeiro contem as informacoes que atendem
aos interesses dos investidores. Em segundo lugar a serie de retornos possui
propriedades estatisticamente mais atrativas que a serie de precos.
15
16 CAPITULO 2. SERIES
FINANCEIRAS - RETORNOS
Ou ainda
Pt
1 + Rt (k) = (2.2)
Ptk
O retorno capitalizado continamente significa que os instantes t e t t
tornam-se muito proximos com t sendo infinitesimal. Neste caso Rt << 1.
Definimos entao o log-retorno como:
Pt
rt = ln (1 + Rt ) = ln = ln Pt ln Pt1
= Rt (2.3)
Pt1
(i) estacionariedade;
2.3 Distribuic
ao dos retornos
A distribuicao dos retornos escrita de forma mais geral envolve a analise
das series de retornos {rit } onde i = 1, 2, . . . , N e t = 1, . . . , T . Em varios
estudos tal como o CAP M o foco e a analise seccional (cross-section) onde
observam-se os retornos em um instante de tempo {r1t , . . . , rN t }. Para a
analise do comportamento de um ativo especfico teremos {rit }Tt=1 . Iremos nos
deter neste caso. E usual o tratamento do retorno como variaveis aleatorias
contnuas e neste a funcao de densidade conjunta e dada por;
T
Y
f (ri1 , ri2 , . . . , riT ; ) = f (ri1 |) f (rit |rit1 . . . ri1 ; ) (2.4)
t=2
2.4.1 Modelo RW 1
O modelo RW 1 e a versao mais simples dentre as apresentadas acima e
pressume que os retornos sao normais e iid. Em outras palavras:
ln Pt = + ln Pt1 + t (2.5)
rt = + t (2.6)
2.4.2 Modelo RW 2
O pressuposto de que os retornos sao iid no modelo RW 1 e questionavel
como visto anteriormente. A hipotese de que os retornos sao identicamente
distribudos e relaxada no modelo RW 2. Porem a condicao de independencia
e mantida. Entao podemos escrever:
ln Pt = + ln Pt1 + t (2.7)
ao: Seja {rt }Tt=1 um processo descrito pela variavel aleatoria rt , dize-
Definic
mos que rt e martingal com relacao `as informacoes por ele geradas se:
(i) E (|rt |) <
2.4.4 Modelo RW 3
O modelo RW 3 relaxa a hipotese de independencia do modelo RW 2 con-
siderando a dependencia e a descorrelacao dos incrementos.
Assim, pode-se
2 2
dizer que Cov (t , tk ) = 0, porem Cov t , tk 6= 0. Este processo e de-
scorrelatado mas nao independente pois os quadrados dos resduos sao cor-
relacionados.
2
No exerccio anterior o item (iii) implica que E Rt , Rt1 6= 0, ou seja, o
quadrado dos retornos defasados de uma unidade podem ser utilizados para
construir a media condicional do processo.
Teste Jarque-Bera
H0 : Xt e normal
HA : Xt nao e normal
Calcule a estatstica JB usando as equacoes (2.13), (2.14) e (2.15). Obtenha
da tabela o valor crtico = 2 (2) onde e o nvel de significancia. Rejeite
a hipotese nula caso JB > .
yt = yt1 + t (2.16)
yt = yt yt1 = ( 1) yt1 + t
ou ainda por
yt = yt1 + t (2.18)
22 CAPITULO 2. SERIES
FINANCEIRAS - RETORNOS
Testes DF e ADF
yt = yt1 + t (2.19)
yt = 1 + yt1 + t (2.20)
yt = 1 + 2 t + yt1 + t (2.21)
As hipoteses nulas para as regressoes acima sao respectivamente:
k
X
LB (k) = N (N + 2) (N j)1 2j () (2.24)
j=1
Teste BDS
Teste de McLeod e Li
1
PN
2 =
onde N
2j .
j=1 Considere as hipoteses:
Da mesma forma, uma vez que foi rejeitada a hipotese nula no teste BDS,
apos o ajuste de um processo AR, resta a condicao de nao linearidade na
media e/ou na variancia. O teste de Hsieh permite a diferenciacao entre as
duas situacoes.
Definic
ao: Diz-se que existe dependencia nao linear na media se o valor
2.9. TESTE PARA DEPENDENCIA LINEAR
NAO 27
Ainda dentro da classe dos modelos nao lineares na media podemos citar
os modelos bilineares propostos por Granger e Andersen (1978):
yt = yt1 + yt1 t1 + t
onde t e RB.
Definic
ao: Diz-se que existe dependencia nao linear na variancia para o
caso em que o valor esperado de t e zero:
E (t |yt1 , . . . , ytk , t1 , . . . , tk ) = 0 (2.30)
Os exemplos de nao linearidade na variancia sao os modelos de volatilidade
condicional heterocedastica, ou modelos da famlia GARCH mais apropri-
adamente.
1
PN
(3) N t=1 t ti tj
ij = h i 32 (2.32)
1
PN 2
N t=1 t
1
PN 2 2 2
ij = N t=1 t ti tj
W h PN 2 3 i (2.33)
1
N t=1 t
Teste de Hsieh
Volatilidade condicional
31
32 CAPITULO 3. VOLATILIDADE CONDICIONAL
E t2 = E t2 |It1
ht + t2 = + t1
2
+ t2
2
t2 = + t1 + ut (3.6)
onde ut = t2 ht = ht 2t ht = ht (2t 1). Ainda E (ut |It1 ) = E (ht ) E (2t 1) =
0. Em (3.6) o processo para t2 e estacinario de segunda ordem se < 1.
Neste caso os momentos em t e t 1 sao iguais, ou seja
E t2 = + E t1 2
E t2 =
(3.7)
1
Ainda note que E (t ) = 0. Observe tambem em (3.4) que valores grandes de
yt1 (positivos ou negativos) sao seguidos por valores grandes de yt . O mesmo
ocorre para valores pequenos. Ou seja, o modelo captura os aglomerados de
volatilidade. Alem disso, a curtose de yt e dada por
3 (1 2 )
Ky = (3.8)
1 32
onde 1 > 32 e Ky sera maior que 3 o que significa que o modelo captura o
excesso de curtose, um dos fatos estilizados das series de retornos financeiros.
Exerccio 18: Mostre que para o modelo em (3.4) que a curtose e dada por
3 (1 2 )
Ky =
1 32
2 2 2
ht = + 1 yt1 + 2 yt2 + . . . + q ytq (3.9)
yt2 = + yt1
2
+ ht1 ht + yt2
yt2 = + yt1
2
+ ht1 + ut
onde ut = yt2 ht e ut1 = yt1
2
ht1 , fazendo a substituicao
yt2 = + yt1
2 2
+ yt1 ut1 + ut
yt2 = + ( + ) yt1
2
ut1 + ut1 (3.12)
E o processo GARCH(1,1) pode ser escrito como um ARMA(1,1) que sera
estacionario de segunda ordem se + < 1.
3 1 ( + )2
Ky =
1 ( + )2 22
36 CAPITULO 3. VOLATILIDADE CONDICIONAL
onde
(L) = 1 L + . . . + q Lq
(L) = 1 L + . . . + p Lp
O modelo em (3.13) ou (3.14) sera estacionario de segunda ordem caso as
razes do polinomio 1 (L) (L) estiverem fora do crculo unitario. A
selecao da ordem p, q do modelo deve ser feita minimizando os criterios de
informacao tais como o AIC (Akaike Information Criteria) e BIC (Bayesian
Information Criteria) nas equacoes (1.15) e (1.16). Na maior parte dos
casos praticos o modelo GARCH(1,1) atende as necessidades de modelagem.
3.1.3 Estima
c
ao do modelo GARCH(1,1)
O modelo GARCH(1,1) na equacao (3.11) esta aqui reescrito
1
yt = ht2 t (3.15)
2
ht = + yt1 + ht1
onde sao observadas as mesmas restricoes dos parametros e t N ID (0, 1).
A funcao distribuicao conjunta do modelo e dada por
N N
N 1X 1 X yt2
L (; y) = ln 2 ln ht (3.22)
2 2 t=2 2 t=2 ht
38 CAPITULO 3. VOLATILIDADE CONDICIONAL
Se o valor dos graus de liberdade for uma variavel exogena tem-se para a
funcao verossimilhanca:
N
yt2
X +1 1
L (; y) = ln 1 + + ln ht (3.25)
t=2
2 ( 2) ht 2
3.1.4 Previs
ao da volatilidade condicional
Seja novamente o modelo em (3.15), a variancia condicional em t e dada por
2
ht = + yt1 + ht1
ht+1 = + yt2 + ht
t+1 e
O valor esperado h
t+1 = +
h yt2 + ht = + yt2 + ht = ht+1 (3.26)
t+2 = +
h 2
yt+1 t+1 = + h
+ h t+1 + ht+1 = + ( + ) ht+1
E para t + s, s Z, teremos
s2
X
t+s =
h ( + )i + ( + )s1 ht+1 (3.27)
i=0
yt = + cg (ht ) + t (3.29)
1/2
t = ht t
2
ht = + t1 + ht1
1/2
onde , c, , , e sao parametros. A funcao g (ht ) em geral e g (ht ) = ht
ou g (ht ) = ht . O parametro c e o premio de risco. Para c positivo ha
indicacao de que o retorno esta positivamente correlacionado `a volatilidade
passada.
40 CAPITULO 3. VOLATILIDADE CONDICIONAL
Alem dos modelos aqui apresentados existem muitos outros que tornam a
famlia GARCH muito extensa. Citamos alguns outros modelos dentro dos
GARCH nao lineares:
forem nulos.
Teste ARCH-LM
Considere as hipoteses:
H0 : 1 = 0
HA : 1 6= 0
Para 1 = 0 nao existe assimetria ou efeito alavanca. A estatstica de teste
e a estatstica t tradicional. Rejeite H0 se estatstica t > t (N 2) onde e
o nvel de significancia e N o tamanho da serie.
As hipoteses sao
H0 : 1 = 2 = 3 = 0
HA = pelo menos um i 6= 0
yt = t t (3.42)
t2 = k eht
ht = ht1 + t
onde t N ID (0, 1), t N ID 0, 2 , || < 1 e E (t ts ) = 0 para s 0.
Isto significa que o processo seguido por ht e estacionario.
ht = ht1 + t
1
Broto e Ruiz (2002) apresentam uma resenha sobre as metodologias de estimacao do
modelo de volatilidade estoc
astica.
3.6. VOLATILIDADE ESTOCASTICA 47
ln yt2 = ln 2 + ln 2t + ht
ln yt2 = k + ht + t (3.44)
onde t = ln 2t E (ln 2t ) e k = ln 2 + E (ln 2t ). Observe que nao ha
necessidade de assumir uma distribuicao particular de t . O metodo de quase-
maxima verossimilhanca ignora qual a correta distribuicao de ln yt2 ou t e
adota como sendo normalmente distribuda. Fuller (1996) propos a seguinte
transformacao para yt :
cs2y
ln yt2 yt2 cs2y
= ln + 2 para t = 1, . . . , N
yt + cs2y
Bibliografia