Escolar Documentos
Profissional Documentos
Cultura Documentos
Autores:
Daniel Abreu, nº 43759
Fernando Cascão, nº 43446
Nuno Aparício, nº 43507
Resumo
O objetivo deste trabalho é estudar a série dos retornos do Futebol Clube do Porto
(FCP) onde é dado o principal foco à modelação quer da sua média condicional como da
heterocedasticidade condicional e à previsão dessas mesmas componentes. Na especificação da
média condicional é notório o efeito da variável dependente desfasada assim como dos choques
sentidos no período anterior. Já na especificação da heterocedasticidade condicional foi
considerado um GARCH(1,1) onde não se verificou a significância estatística do efeito de
calendário, do efeito assimétrico ou do volume de transações. Em termos de previsão verificou-
se a convergência veloz dos retornos para zero e a divergência da variância.
1. Introdução
A medição da volatilidade do retorno de ativos financeiros é um dos problemas centrais na
área da economia monetária e financeira. O estudo desta variável é essencial para várias
aplicações como a análise de risco, a gestão de portefólios ou o pricing de instrumentos
financeiros. Desde a introdução dos modelos de Autoregressive conditional heteroscedasticidy
(ARCH) por Robert Engle, deu-se um desenvolvimento substancial nas ferramentas e
estratégias utilizadas para a modelização da volatilidade das séries financeiras. Neste trabalho
recorremos aos modelos de heterocedasticidade condicionada para estudar o retorno das ações
do Futebol Clube do Porto (FCP) e procuramos encontrar quer um modelo estrutural como um
modelo para previsão. No entanto, convém desde já notar as várias debilidades da série em
questão, que levarão a produzir resultados que vão contra o que seria de esperar de uma série
financeira. Por exemplo, um dos grandes problemas na realização deste trabalho passou por a
série dos retornos apresentar muitos valores nulos ao longo da amostra devido a esta ser uma
série de dados diários. Ou seja, conclui-se daqui que os preços das ações do FCP não flutuam
muito ao longo do tempo1, o que torna este um mercado pouco líquido e pouco apetecível. Isto
leva a problemas de estimação e distorção dos resultados teóricos esperados, como se verá mais
à frente, nomeadamente a verificação da não significância estatística de variáveis como high-
low ou o volume de transações na especificação da variância condicional. O restante trabalho
está organizado da seguinte forma: na secção 2 será feita uma breve caracterização da série em
estudo; na secção 3 serão discutidos alguns dos factos empíricos estilizados da série em questão;
na secção 4 apresenta-se a modelação para a média condicional e para a variância condicional;
1
É facilmente verificável que o preço de uma ação do FCP no presente mês de Maio mantém o mesmo
preço desde Março, apenas com uma pequena flutuação entre 22/03 e 05/04.
1
Abreu, Aparício, Cascão Séries Temporais para Finanças 2
2. Caracterização da série
Ao analisar o cronograma da Figura 1, podemos observar claramente que a série apresenta
períodos de diferentes volatilidades. Por exemplo, no período entre 2003 a 2007 a variância da
série aparenta ser baixa quando comparada com a variância do período entre 2008 a 2016. Já a
média da série parece estar claramente em torno de 0, sendo que esta estatística é apresentada na
Figura 2. Dito isto, será importante estudar a estacionaridade da série para mais tarde serem
aplicados modelos capazes de modelar tanto a média condicional como a variância condicional.
Como tal, recorremos ao teste de Dickey-Fuller com dimensão do teste ( ) a 5%, onde se
obteve o valor-p de 0,00. Assim sendo, existe evidência estatística forte contra a hipótese nula
de não estacionaridade da série e esta não necessita de ser transformada. Este é um resultado
que seria esperado, sendo esta uma das vantagens de se modelar séries de retornos contínuos em
vez de preços.
.4
.2
.0
-.2
-.4
-.6
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16
Já quando passamos para a análise do histograma da série (Figura 2), vemos que não existe
grande dispersão da distribuição, sendo que grande parte dos retornos se situam em torno da
média. É também de notar o valor muito baixo do desvio-padrão (0,039). No entanto, tal como
seria de esperar numa série financeira, verifica-se a presença de valores extremos na
distribuição, com valores máximos (0,511) e mínimos (-0,503) muito distantes da média da
distribuição.
2
Abreu, Aparício, Cascão Séries Temporais para Finanças 3
Figura 3 - FAC e FACP da série dos retornos do FCP, com bandas de significância.
3
Abreu, Aparício, Cascão Séries Temporais para Finanças 4
financeiros em vários mercados2. O ponto de partida para este trabalho passa precisamente por
estudar o andamento geral da série e verificar a existência, ou não, de alguns destes factos
estilizados.
de teste: que converge em distribuição para uma . Para esta série obtivemos
o que constitui forte evidência contra . Assim sendo, existe evidência estatística
de que valores extremos tendem a ocorrer mais frequentemente que na distribuição Normal.
2
Veja por exemplo Cont (2001)
4
Abreu, Aparício, Cascão Séries Temporais para Finanças 5
Figura 4 - FAC e FACP da série dos quadrados dos retornos do FCP, com bandas de
significância.
5
Abreu, Aparício, Cascão Séries Temporais para Finanças 6
período seguinte. A existência deste efeito será formalmente testada numa fase posterior do
trabalho.
4. Modelação da série
3
Veja Box et al. (1994)
4
Sendo p a ordem do polinómio autorregressivo e q a ordem do polinómio de médias móveis.
5
Ou seja, verificar-se-á se as raízes inversas dos polinómios AR e MA estão dentro do círculo unitário.
6
Abreu, Aparício, Cascão Séries Temporais para Finanças 7
Modelo 1
Parâmetro Coeficiente Valor-p Resultados gerais do modelo
0,1244 0,0000
Teste Ljung-Box aos primeiros 16 lags (valor-p) 0,554
0,0576 0,0000
-1,0113 0,0000
Critério de informação de Schwarz -3,752
0,1351 0,0000
Torna-se pertinente nesta fase discutir alguns dos parâmetros estimados nesta secção para
mais tarde, quando se utilizar os modelos GARCH, verificar se estes são estimados com mais
precisão, tal como sugere a teoria. Como tal, ao analisar a Tabela 1 estima-se que, em média,
por exemplo, o aumento de 1 ponto percentual (p.p.) nos retornos do SCP leva a um aumento
nos retornos do FCP de 0,0576 p.p., mantendo os restantes regressores do modelo constantes. Já
o efeito de um aumento de 1 p.p. nos retornos do PSI20 levam em média a um aumento dos
retornos do FCP mais que duas vezes superior ao que tínhamos no caso anterior. Já o coeficiente
autoregressivo tem um valor bastante mais expressivo que os anteriores, visto que se estima
que, em média, um aumento de 1 p.p. dos retornos do FCP num período leva a um
aumento de 0,6992 p.p. desses mesmos retornos no período seguinte, .
Por fim, estudou-se ainda o efeito de calendário na média condicional. No entanto, a sua
modelação não correu como seria de esperar, dado que nem o coeficiente da segunda-feira veio
estatisticamente significativo, o que vai contra a teoria subjacente ao efeito de calendário. Por
outro lado, obteve-se uma estimativa de -0,0006, que para além de vir muito baixa, vem
negativa, o que vai contra o que seria de esperar do ponto de vista económico e financeiro. Isto,
6
Pelo que rejeitamos a hipótese nula dos resíduos apresentarem uma distribuição normal, o que não é
satisfatório.
7
Abreu, Aparício, Cascão Séries Temporais para Finanças 8
porque se está à espera que os retornos neste dia sejam, em média, um pouco mais altos face aos
demais dias da semana, dado que a posse de títulos à segunda-feira representa um investimento
de 72 horas face à última-sexta-feira.
Na secção anterior concluímos que o Modelo 1 é uma especificação correta para a média
condicional. Nesta fase, importa perceber se será realmente pertinente utilizar um modelo de
heterocedasticidade condicionada, ou seja, estamos interessados em apurar se a série exibe um
efeito ARCH. Para tal, testou-se formalmente a existência do referido efeito recorrendo ao teste
LM, que tem por base o quadrado dos resíduos obtidos na estimação do Modelo 1, . O
resultado do teste considerando 36 lags, confirma a necessidade de especificação da variância
condicional uma vez que o valor-p associado à estatística de teste é de 0,00, permitindo
rejeitar a hipótese nula. Também o teste de Ljung-Box corrobora esta conclusão, dado que o
valor-p de 0,00 permite rejeitar a hipótese de ausência de autocorrelação do quadrado dos
resíduos estimados.
8
Abreu, Aparício, Cascão Séries Temporais para Finanças 9
ações registados durante o dia i; variável , que representa a diferença entre o preço de
abertura (Open) e o preço de fecho ajustado (Adjclose) das ações no dia i; , que
representa o volume de transações no dia i, que pode ser visto como uma proxy da variável
latente de chegada de informação; e ainda variáveis dummy referentes aos diferentes dias úteis
da semana.
Nenhuma das variáveis acima referidas passaram nos testes de significância individual
incluídas tanto em conjunto como separadamente na estimação da variância condicional e,
consequentemente, não as vamos incluir no modelo. Na secção 3.3 falou-se da potencial
existência de um efeito assimétrico, devido ao valor negativo de que já seria de
esperar. No entanto, esta correlação vem muito baixa e, como tal, torna-se necessário testar a
sua significância estatística. Assim sendo, face ao resultado da significância estatística do efeito
assimétrico, pode-se concluir que não existe evidência estatística da presença desse efeito na
série do FCP, visto o seu valor-p associado ser superior a 5%. Em relação às variáveis
explicativas HL e OA, facilmente se percebe o porquê de se provar estatisticamente a ineficácia
na explicação da variância condicional – já que as variáveis HL e OA são compostas por valores
nulos em 38% e 45% da amostra, respetivamente.
Para garantir que a equação da variânicia está bem especificada, o processo dos resíduos
estandardizados do modelo deve ser não autocorrelacionado e condicionalmente homocedástico.
Para tal, efetuaram-se os testes de Ljung-Box à autocorrelação dos resíduos estandardizados e à
autocorrelação dos quadrados dos mesmos. O modelo passa em ambos os testes para qualquer
lag, sendo que o valor-p associado à estatística de teste é de 0,599 para o lag 10, e 1 para o lag
36, dos respetivos testes (ver tabela 2).
9
Abreu, Aparício, Cascão Séries Temporais para Finanças 10
Modelo 2
Parâmetro Coeficiente Valor-p Resultados gerais do modelo
0,1230 0,0000
Teste Ljung-Box aos resíduos nos primeiros 10 lags 0,599
0,0759 0,0000 (valor-p)
0,0905 0,0000
Critério de informação de Schwarz -4,188
0,9258 0,0000
Dada a estimação final, importa agora fazer a devida interpretação. Em primeiro lugar, é de
notar que o valor dos coeficientes na média condicional não sofre grandes alterações. Em
relação ao coeficiente dos retornos do PSI 20, estima-se que, em média, o aumento de 1 p.p.
leve a um aumento nos retornos do FCP de 0,1230 p.p., mantendo os restantes regressores do
modelo constantes. Já o efeito de um aumento de 1 p.p. nos retornos do SCP, leva em média a
um aumento dos retornos do FCP em 0,0759 p.p., nas mesmas condições. Mais uma vez, o
coeficiente autoregressivo é dos que apresenta maior magnitude, levando a que, em média, o
aumento de 1 p.p. dos retornos do FCP num período tenha um aumento de 0,7255 p.p. nos
mesmos, no período seguinte .
10
Abreu, Aparício, Cascão Séries Temporais para Finanças 11
coeficientes para modelos GARCH vamos proceder assumindo que não existem alterações de
estrutura.
5. Previsão
Uma das principais aplicações dos modelos de heterocedasticidade condicionada passa pela
previsão da volatilidade. Nesta secção, construimos um modelo para esta finalidade. Apesar de
existirem variáveis com poder explicativo sobre a média condicional vamos excluí-las do
modelo de forma a operacionalizar o exercício de previsão, i.e. vamos utilizar modelos
univariados. Para testar a qualidade das previsões vamos dividir a amostra em duas partes: as
observações entre 03/1/2000 a 9/2/2017 vão servir para a estimação do modelo; a qualidade das
previsões será analisada no período entre 10/2/2017 e 20/2/2017.
Tal como na secção 4.1, a modelação da média será feita de acordo com a metodologia
Box-Jenkins. Note-se que agora o objectivo não é encontrar um modelo estrutural mas sim
modelar o padrão de autocorrelação da série. Após termos estudado vários modelos concluímos
que a média condicional é bem especificada por um ARMA(1,1).
Mais uma vez, o teste LM indica a presença de efeito ARCH. Começamos por especificar
um ARCH(1) para a variância condicional, com este modelo tanto a série como a série dos
resíduos estandardizados, , não passam no teste de Ljung-Box. Ao aumentar a ordem do
ARCH, até obtermos um coeficiente que não fosse estatisticamente significativo, não foi
possível diminuir a severidade do problema. Porém, ao considerar um GARCH(1,1), com
matriz de variâncias-covariâncias de Bollerslev-Wooldridge, o teste de Ljung-Box passa a
indicar a ausência de sintomas de autocorrelação na série de e de . A soma dos coeficientes
da variância condicional é igual a um pelo que estamos novamente no contexto do modelo
IGARCH.
11
Abreu, Aparício, Cascão Séries Temporais para Finanças 12
Modelo de previsão
Parâmetro Coeficiente Valor-p Resultados gerais do modelo
0,212 0,00
Teste Ljung-Box aos primeiros 36 lags de (valor-p) 0,785
-0,520 0,00
Teste Ljung-Box aos primeiros 36 lags de (valor-p) 1,00
0.083 0,00
Teste Normalidade dos resíduos de Jarque-Bera (valor-p) 0,000
0.930 0,00
12
Abreu, Aparício, Cascão Séries Temporais para Finanças 13
Em primeiro lugar, importa referir que a previsão dos retornos tende rapidamente para zero,
reforçando a ideia de que as variações dos retornos são imprevisíveis. Como estamos no
contexto de um modelo IGARCH a previsão a passos da volatilidade incorpora a totalidade do
valor da previsão para o período logo, à medida que aumenta, a previsão tende para
infinito o que explica a tendência crescente observável na previsão desta variável. Apesar da
utilidade dos modelos IGARCH ser cada vez menor à medida que , estes proporcionam
uma boa aproximação ao verdadeiro processo gerador de dados quando o horizonte de previsão
é curto7.
Por último, a previsão a dez passos obtida para fora da amostra, ou seja para 3/06/2017, é de
com = 2/20/2017.
7
Veja-se Morana (2002)
13
Abreu, Aparício, Cascão Séries Temporais para Finanças 14
5. Conclusão
Era objetivo deste trabalho estudar a série dos retornos do Futebol Clube do Porto através da
modelação da média condicional do processo assim como da sua variância condicional e fazer a
previsão a 10 passos dessas mesmas componentes. Numa primeira abordagem foi feito um
estudo detalhado sobre as propriedades da série para mais tarde se conseguir obter a melhor
especificação possível para a média condicional onde se destaca a magnitude do efeito da
variável dependente desfasada assim como dos choques sentidos no período anterior. Com base
nessa especificação para a média condicional, modelou-se posteriormente a heterocedasticidade
condicionada, sendo esta uma importante característica das séries financeiras. Concluiu-se
através deste estudo que: a série não demonstra ter o efeito de calendário; esta não apresenta um
efeito assimétrico; variáveis potencialmente explicativas da variância condicional, como é o
caso do volume de transações ou da diferença entre o valor máximo e mínimo do preço das
ações do FCP em cada dia, não têm poder explicativo sobre a mesma. Por fim, em termos de
previsão verificou-se uma tendência rápida da série dos retornos para o seu valor médio, i.e,
para 0. Já no caso da variância verificou-se o oposto, visto que a previsão feita para esta tende a
divergir para mais infinito, sendo que esta não verifica o comportamento da série de quer nas
suas oscilações como na magnitude dos seus movimentos.
Bibliografia
Andersen, T. G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility
models do provide accurate forecasts. International economic review, 885-905.
Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of
econometrics, 31(3), 307-327.
Box, G., Jenkins, G., and Reinsel, G. 1994. Time series analysis: Forecasting and control,
3rd Ed., Prentice-Hall, Englewood Cliffs, N.J.
Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues.
Engle, R. F. (1983). Estimates of the Variance of US Inflation Based upon the ARCH
Model. Journal of Money, Credit and Banking, 15(3), 286-301.
Morana, C. (2002). IGARCH effects: an interpretation. Applied Economics Letters, 9(11),
745-748.
Nicolau, J. (2012). “Modelação de Séries Temporais Financeiras”, Fundação
Económicas/Editora Almedina.
14