Modelos

ARCH e GARCH
CE 731 – Econometria II
Prof. Alexandre Gori Maia
Instituto de Economia - UNICAMP
Ementa
Modelos ARCH - Univariado
Modelos ARCH - Multivariado
Modelos GARCH

Bibliografia
Pindyck, R. S.; Rubinfeld, D. L. Econometria, 2004, Pp. 327-341 (Cap.
10.3)..
Gujarati, D. Econometria Básica, 2006, Pp. 688-697 (Cap. 22.10-22.11).
Medindo Volatilidade - Exemplo
Por que medir volatilididade?
É comum séries temporais apresentarem o fenômeno
da aglomeração de volatilidade, ou seja, períodos
intercalando baixas e altas oscilações de seus valores.
Conhecer o comportamento dessa volatilidade é
fundamental, por exemplo, para viabilizar o
planejamento financeiro dos agentes ou mesmo
considerar tal comportamento heterocedástico nos
ajustes dos modelos econométricos para a série
temporal.
Prevendo o preço do barril de petróleo
Seja a série mensal para o preço médio do barril de
petróleo entre 01/1978 a 12/2008. Os logs do preço
permitem avaliar sua variação relativa e atenuar a
variabilidade.
Aparentemente, trata-se de uma série não estacionária,
com picos de alta e baixa. Embora a primeira
diferença do log do preço do barril apresente,
D

aparentemente, média constante, é ainda necessário 2

verificar se sua variabilidade é a mesma ao longo do
tempo. Esse é um dos objetivos dos modelos ARCH
(Autoregressive conditional heteroscedasticity)....
Modelos ARCH – Modelos Univariados
Modelos de Heterocedasticidade Condicional Auto-Regressiva (ARCH)
Seja uma série temporal Yt, que pode ser simplificadamente representada pela soma
da média mais um erro aleatório:
Yt = µY + ut
Uma medida de volatilidade total incondicional de Yt seria dada por:
å u 2 = å (Yt - µY ) 2
Um dos pressupostos da modelagem de séries temporais é que essa variabilidade seja
constante e não autocorrelacionada. Tais pressupostos serão quebrados se, por
exemplo, verificarmos que a volatilidade é dependente de seus valores defasados.
Uma maneira simples de verificar tal comportamento seria a partir de um modelo
autoregressivo de 1a ordem – ARCH (1) - para os erros quadráticos:
ut2 = b 0 + b1ut2-1 + vt
Caso o termo de erro quadrático defasado seja significativo, haverá indícios para
suspeitar que os erros sejam correlacionados, ou seja, existe um efeito ARCH. Em
outras palavras, caso a volatilidade seja, por exemplo, alta em um período, continuará
alta no período seguinte, indicando aglomeração de volatilidade.
O modelo autoregressivo pode ainda ser generalizado para ordens superiores. Um 3
ARCH(p) será dado por:
ut2 = b0 + b1ut2-1 + b 2ut2-2 + ... + b put2- p + vt
Modelo ARCH - Exemplo
Prevendo a volatidade do barril de petróleo
A partir da primeira diferença para o log do preço
mensal do barril de petróleo, ajustou-se o seguinte
modelo para obter os desvios em relação à média (ut):

D
DYt = µ + ut DYt = 0,003 + uˆt
Assim, ut é a variação proporcional no preço do barril
em relação à média e ut2 pode ser utilizado como uma
medida de volatilidade da série.
Como ut2 é uma quantidade ao quadrado, seu valor será alto em perídos de grandes variações nos
preços relativos do petróleo e será baixo em periodo de baixas variações.

Para saber se a volatilidade (ut2) varia ao longo do tempo,

podemos verificar sua relação com seus valores defasados
através de um AR(1), ou ARCH(1):

ut2 = b0 + b1ut2-1 + vt ut2 = 0,008*** + 0,347*** ut2-1 + vˆt

Como a defasagem autoregressiva é significativa, há indícios
de aglomeração de volatilidade, ou seja, períodos com
concentração de alta e baixa volatilidade. 4
Poder-se-ia ainda verificar modelos de ordem mais elevada. Ou seja, testar se a volatilidade atual
depende de p períodos anteriores:
ut2 = b 0 + b1ut2-1 + b 2ut2-2 + ... + + b put2- p + vt
Modelos ARCH - Exemplo
•Sejam as informações sobre a demanda de moeda no Canadá
(m1, em milhões de C$), PIB (gdp, em milhões de C$) e taxa de
juros (r, em percentuais);
•O procedimento AUTOREG permite uma série de análises para
ajustes com séries temporais. A opção ARCHTEST, por exemplo,
realiza o teste de hetegoneidade da variância. A opção GARCH
ajusta um modelo de heterocedasticidade condicional;

Neste exemplo, ajustamos um modelo ARCH para a volatididade da variação trimestral na

taxa de juros (dr = Drt).
A opção ARCHTEST apresenta testes para diversas ordens de heterocedasticidade
condicional.
A opção GARCH permite ajuste modelos ARCH e GARCH. A opção Q=1 define um ARCH
(1). 5
Nas estimativas apresentadas, o rótulo ARCH0 referir-se-á ao intercepto do modelo ARCH.
O rótulo ARCH1 representa o coeficiente associado à primeira defasagem do resíduo
quadrático.
Modelos ARCH – Modelo Multivariado
Testando efeito ARCH em modelos de regressão múltipla
Seja uma modelo de regressão múltipla para a série temporal Yt com k variáveis
independentes:
Yt = b 0 + b1 X 1 + b 2 X 2 + ... + b p X p + ut (1) onde: ut ~ N (0, s 2 )
Caso a variância de ut (s2) não seja uma constante, mas dependa dos valores de X,
dizemos que os erros são heterocedásticos. Pode ainda haver motivos para acreditar
que a variância dos resíduos não dependa dos valores de X, mas varie ao longo do
tempo de uma maneira que dependa de quão elevados tenham sido os erros
passados, exibindo um comportamento semelhante à correlação serial. Em outras
palavras, teríamos:
var(ut ) = s t2 = a 0 + a1ut2-1 + vt (2)
Genericamente, poderíamos ter um ARCH(p):
var(ut ) = s t2 = a 0 + a1ut2-1 + a 2ut2-2 + ... + a put2- p + vt (3)
Caso o efeito ARCH seja constatado, ou seja, a relação entre os valores defasados
dos erros quadráticos e a variância do modelo seja significativa, deveríamos corrigir
o modelo aplicando a técnica de Mínimos Quadrados Generalizados.
A estimação de (2) e (3) normalmente é feita por máxima verossimilhança, tendo
em vista que os valores de (s2) não são diretamente observados. Pode-se ainda 6
proceder com uma simplifação dada, de maneira análoga ao caso univariado, por:
ut2 = a 0 + a1ut2-1 + a 2ut2-2 + ... + a put2- p + vt (4)
Modelo ARCH Multivariado - Exemplo
Detectando heterocedasticidade condicional RPD
Deseja-se estudar a relação entre a renda pessoal DCP
disponível (RPD) e a despesa de consumo pessoal (DCP)
de uma economia a partir de seus valores relativos (logs).
Como o log de ambas as séries são não estacionárias, o
ideal seria trabalharmos com suas diferenças. Ou seja:
DDCPt = b0 + b1DRPDt + ut D RPD
Aplicando MQO teríamos:

D
DDCPt = 0,005*** + 0,311*** DRPDt + uˆt
Entretanto, caso a variância dos resíduos desse ajuste (ut) D DCP
seja heterocedástica ou autocorrelacionada haveria motivos
para suspeitar da eficiência das estimativas. O modelo
ARCH(1) permite verificar a existência de heterocedasticia
condicional:
s t2 = a 0 + a1ut2-1 + vt
Como a estimativa de s2t não é trivial, uma simplificação
pode ser dada por:
ut2 = a 0 + a1ut2-1 + vt ut2 = 0,0001 - 0,17ut2-1 + vt
7
Como a estimativa da defasagem não é significativa (valor p de 11,5%), não há evidências
estatísticas para afirmar que a variância dos resíduos apresente heterocedasticidade condicional.
Caso fosse o caso, o ajuste do modelo deveria ser refeito pelo MQG utilizando um programa
estatístico apropriado.
Modelos ARCH Multivariado - Exemplo
•No exemplo em questão, comparamos dois ajuste do
logaritmo de m1 com função do logaritmo de gdp e r: com e
sem correção para a aglomeração de volatilidade.
•Considerou-se, apenas para fins ilustrativos, um modelo
ARCH(1) para o quadrado dos resíduos;

Embora o teste de heterocedasticidade tenha indicado relação entre os resíduos

quadrados e seus valores defasados, o ajuste de um modelo ARCH(1) não mostrou-se
significativo a 10%. Outras especificações podem ser testadas, assim como uma nova
forma de relacionamento da volatilidade, sugerida pelo modelo GARCH...
8
Modelos GARCH - Definição
Modelo de heterocedasticidade condicional auto-reressiva generalizada
Se pressupomos que a variância dos resíduos seja dada por um ARCH(p):
var(ut ) = s t2 = a 0 + a1ut2-1 + a 2ut2-2 + ... + a put2- p + vt (1)
Pode ser muito difícil estimar todos os coeficiente com precisão. Uma solução é
assumir que (1) seja um modelo de defasagens distribuídas (verifique que é a mesma
definição) com decaimento geométrico. Em outras palavras, estaríamos assumindo
que a variância irá depender dos resíduos defasados, e essa relação é
geometricamente menor à menida que aumenta-se o número de defasagens. Assim,
para estimar p defasagens, bastaria pressupormos:
s t2 = a 0 + a1ut2-1 + a1lut2-2 + ... + a1l p -1ut2- p + vt (2)
Como sugere a transformação de Koyck, os valores de l e a poderão ser dados pelo
modelo:
s t2 = d + a1ut2-1 + ls t2-1 + vt (3)
Que é um modelo GARCH (1,1), pois inclui uma defasagem de u2 e outra de s2.
A equação orignal (2) seria então igual a:
d
s t2 = + a1ut2-1 + a1lut2-2 + ... + a1l p -1ut2- p (4)
1- l
Poderíamos ainda considerar quantas defasagens forem necessáriais para u2 e s2 9
através de um GARCH (p, q):
s t2 = d + a1ut2-1 + ... + a put2- p + l1s t2-1 + ... + lqs t2-q + vt (5)
Modelos ARCH Multivariado - Exemplo
•Por exemplo, para ajustarmos um modelo GARCH (1,2) à
variabilidade do ajuste da do logaritmo de m1 como função do
logaritmo do gdp e r:

Neste modelo, estamos considerando duas defasagens para o quadrado dos erros e uma
defasagem para a estimativa da variância. As estimativas não foram significativas,
sugerindo, por exemplo, que a especificação do modelo não é apropriada, a amostra é
muito pequena para identificar ajustes significativos ou que a volatilidade seja
insignificante.

10
 Exercício
1) O aquivo Dados_StandardPoor.XLS contém dados mensais sobre
o indice de precos de ações da Standard & Poor 500.
a) Transforme, a partir de diferenças, a série INDICE em uma
série estacionária;
b) Analise agora a volatilidade da série obtida a partir de um
modelo ARCH;
c) Analise agora a volatilidade da série obtida a partir de um
modelo GARCH;

11
 Exercício
1) O aquivo Dados_ProducaoAutosAcoXLS contém informações
mensais sobre a produção de automóveis e aço no Brasil.
a) Analise a relação para o logaritmo da produção de aço como
função das vendas de automóveis;
b) Analise agora a variabilidade da série obtida a partir de um
modelo ARCH. Compare as estimativas com as de MQO;
c) Analise agora a volatilidade da série obtida a partir de um
modelo GARCH. Compare as estimativas com as de MQO;

12