Escolar Documentos
Profissional Documentos
Cultura Documentos
SÃO PAULO
2017
ALEXANDRE MAGNAGO CONCEIÇÃO
Área de concentração:
Finanças Quantitativas.
Orientador:
Prof. Dr. Juan Carlos Ruilova Teran
SÃO PAULO
2017
Conceição, Alexandre Magnago.
Modelo de fatores dinâmicos aplicado ao mercado brasileiro de ações /
Alexandre Magnago Conceição. - 2017.
40 f.
CDU 336.76
ALEXANDRE MAGNAGO CONCEIÇÃO
Área de concentração:
Finanças Quantitativas.
Data da Aprovação: / /
Banca Examinadora:
O uso de modelos de fatores dinâmicos permite analisar processos estocásticos com grande
número de dimensões, sendo exatamente esse o caso do mercado financeiro quando se
consideram as séries formadas pelos preços de ações. Ao se utilizar as previsões feitas
pelos modelos, é possível criar estratégias de trading cuja performance pode ser aferida.
De posse dos preços de fechamento de ativos pertencentes ao IBX100 no período de
2010 até 2016, os parâmetros do modelo foram estimados e estratégias de trading foram
propostas. Os indicadores de performance de algumas das estratégias superaram aqueles
do índice IBOVESPA no período estudado, oferecendo retorno anualizado de até 27%
e máximo drawdawn de 21%, contra um retorno de 1.12% e max drawdawn de 48% do
IBOVESPA. Portanto, esses modelos são capazes de capturar a dinâmica dos preços de
ações na medida em que suas previsões podem ser utilizadas para criar estratégias de
trading com performance superior à do Índice IBOVESPA.
Using dynamic factor models, one can analyse stocastic processes having multiple dimen-
sions, that being the case on financial markets when considering the series formed by the
stock prices. By using the model predictions it is possible to create trading strategies and
measure their performance. With the closing prices of the stocks belonging to the IBX100
index from 2010 till 2016, the model parameters were estimated and trading strategies
were proposed. The performance indicators of some strategies were superior than those of
the IBOVESPA index on the given period of time, offering anualized returns of 27% and a
48% maximum drawdawn against 1.12% anualized return and 48% maximum drawdawn
on the IBOVESPA. Therefore, those models are capable of capturing the price dynamic
in such a way that their predictions can be used to create trading strategies having a
performance higher than that of the IBOVESPA index.
Keywords: Econometric model. Latent Factors. Time series. Trading Strategies. PCA
Analysis.
Lista de ilustrações
Tabela 1 – Média do número de fatores latentes obtido utilizando o critério IPC2 conforme
descrito em (BAI; NG, 2002). Para cada série temporal utilizada, determinam-se o
número de fatores latentes, e se toma o inteiro mais próximo da média do número
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
de fatores obtidos
Tabela 2 – Variância explicada por cada fator na análise por log-retorno . . . . . . . . . . . 21
Tabela 3 – Número de negócios realizados em relação aos parâmetros do modelo . . . . . . . 22
Tabela 4 – Comparação dos indicadores dos portfólios gerados a partir das estratégias de
trading geradas entre 2010 e 2016. Os parâmetros ew (estimation window) e fh
(forecast horizon) são mostrados, respectivamente nas duas primeiras colunas. Nesse
período, o índice IBOVESPA teve um Máximo Drawdawn observado de 48.63%
e uma rentabilidade anualizada de 1.12%. Os betas mensurados em relação ao
IBOVESPA são zero até a quarta casa decimal. . . . . . . . . . . . . . . . . . 23
Sumário
1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Revisão Bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4 Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.1 Análise de Componentes Principais - PCA . . . . . . . . . . . . . . . . . . 14
4.2 Modelo de Fatores Dinâmicos . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2.1 Determinação do Número de Fatores . . . . . . . . . . . . . . . . . 15
4.2.2 Dinâmica dos Fatores . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.3 O Modelo Escolhido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.1 Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.2 Estimação dos parâmetros do modelo . . . . . . . . . . . . . . . . . . . . . 18
5.3 Estratégias de Trading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.3.1 Estratégia Long-Only . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.3.2 Estratégia Long-Short . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3.3 Estratégia Direcional . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.3.4 Estratégia Expected Tail Loss Minimization . . . . . . . . . . . . . 20
6 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.1 Número de fatores do modelo . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2 Indicadores de performance dos portfólios gerados a partir das estratégias . 22
7 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Apêndices 29
APÊNDICE A Gráficos da evolução dos portfólios gerados pelas estratégias
de trading . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
A.1 Estratégia Long-Only . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
A.2 Estratégia Long-Short . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
A.3 Estratégia Direcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
A.4 Estratégia Min ETL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
11
1 Introdução
2 Revisão Bibliográfica
3 Objetivo
Esse trabalho tem por objetivo aplicar a técnica de Modelo de Fatores Dinâmicos
no mercado de ações brasileiro, realizando a modelagem com as séries de log-preço (não
estacionárias) e log-retorno (estacionárias). Em seguida, as previsões das séries temporais
serão utilizadas na criação de estratégias de trading e simuladas com dados out-of-sample
afim de verificar sua viabilidade.
Foram propostas quatro estratégias de trading com base nos log-retornos previstos
pelo MFD. Elas utilizaram uma janela móvel para estimação dos parâmetros do modelo -
ew (estimation window). As estratégias foram simuladas com diferentes valores de ew, de
maneira a se comparar sua performance, e o mesmo foi feito com a escolha do número de
passos a frente em que se faz a previsão - fh (forecast horizon).
Utilizaram-se as séries históricas dos preços de fechamento de um conjunto de 81
ativos do índice IBX100. Os resultados foram analisados para se comparar: diferentes
estratégias; parâmetros de estimação e previsão; e tipo de análise, se por log-preço ou
log-retorno.
15
4 Modelo
Xt = λ(L)ft + et (4.1)
ft = Ψ(L)ft−1 + ηt (4.2)
em que ft é a série dos q fatores, portanto uma matriz 1×q, sendo λ(L) e Ψ(L) matrizes
polinomiais de lags N ×q e q×q respectivamente, conforme definido em (STOCK; WATSON,
2016). A equação 4.1 descreve a maneira pela qual os fatores se relacionam com as séries
temporais. Já a forma dita estática é uma maneira diferente de se reescrever as equações 4.1
e 4.2, na qual os coeficientes da matriz de lags, com lag máximo p, ficam explícitos de acordo
0 0 0
com Λ = (λ0 , λ1 , ..., λp ) e os fatores são representados pela matriz Ft = (ft , ft−1 , ..., ft−p )0 ,
de forma que,
Xt = ΛFt + et (4.3)
onde G = [Iq 0q×(r−q) ]. A forma estática é a mais recomendada para a utilização da análise
de componentes principais. É assumido que as séries et e ηt não são correlacionadas em
0 0
qualquer lag, ou seja, E[et ηt−s ] = 0 para todo s e que E[et et−s ] = 0 para todo s. Para
o caso de séries não estacionárias, o que está exposto em (PEÑA; PONCELA, 2006),
mostra que o modelo descrito pelas equações 4.3 e 4.4 podem ser utilizadas. Isso permite a
construção de modelos analisando as séries de log-retornos, que é fracamente estacionária,
e log-preços.
Ft = V Xt (4.9)
em que V é uma matriz (j × N ) cujas linhas são os auto-vetores associados aos maiores
auto-valores da matriz de covariância de X. O número de linhas j é o número de fatores
estimado pelo critério ICP2.
De posse do VAR(P) que estabelece a dinâmica dos fatores, é necessário se deter-
minar como os fatores se relacionam às séries temporais originais, o que está exposto de
maneira geral na equação 4.3. Foi escolhido se descrever essa relação como uma regressão
linear, da mesma maneira que (FOCARDI; FABOZZI; MITOV, 2016).
As equações 4.10 e 4.11 descrevem o modelo utilizado nesse estudo, em que os
fatores se desenvolvem de acordo com um VAR(1). As matrizes B e C são determinadas
pelo método dos mínimos quadrados.
Xt = BFt + et (4.10)
Ft = CFt−1 + ηt (4.11)
19
5 Metodologia
5.1 Dados
O estudo foi conduzido com o mercado de ações brasileiro, particularmente com
ações que pertenciam à composição de outubro de 2016 do índice IBX100, que contém os
100 ativos de maior representatividade e negociabilidade, conforme critério definido pela B3.
A escolha por ativos com maior liquidez visa redução do custo de bid-ask spread. Utilizou-se
a série histórica dos preços de fechamento do período de Janeiro de 2010 até Outubro de
2016. Os preços foram ajustados de forma a remover os efeitos de eventos corporativos
como dividendos, distribuição de capital, splits e inplits. Dos 100 ativos pertencentes ao
IBX100, foram removidos todos os ativos que tiveram restrições de negociação, ou seja,
ficaram suspensos por uma ou mais sessões de negociação (pregão). Com esse filtro, um
total de 81 ativos foram efetivamente utilizados.
foi utilizado nas análises. Não foram incluídos os custos de transações, nem custos com
aluguel, quando aplicáveis.
As estratégias de trading são feitas de maneira que em um instante ti utilizam
todos os dados da série histórica de ti − ew até ti − 1 para estimar os parâmetros do modelo.
A série histórica pode ser de log-preço ou log-retorno, aqui denominada indistintamente
por Xt . Após a estimação dos parâmetros, é feita uma previsão de Xti +fh , que é utilizada
para a tomada de decisão das estratégias. No caso da estratégia Long-Only por exemplo,
são escolhidos os ativos cuja previsão oferece o maior retorno. Isso implica que em cada
ciclo uma nova estimativa dos parâmetros é feita, originando uma nova previsão que pode
ser diferente da anterior, ou seja, os ativos selecionados na carteira podem mudar em cada
ciclo.
Independentemente do tipo de análise feita, por log-preço ou log-retorno, todas as
estratégias utilizam o retorno previsto pelo modelo de fatores dinâmicos a fim de tomar
decisões. No caso da análise por log-preço a previsão do log-retorno é feita ao se considerar
a previsão do preço em t + fh, dada por Xt+fh , de maneira que o log-retorno previsto em
t + fh é dado por: log(Xt+fh /Xt ). No caso da análise do log-retorno, a previsão é feita
somando-se todos os retornos de t + 1 até t + fh de maneira que, sendo Rt o retorno em t
e Rt+i o retorno previsto em t + i, o retorno previsto em t + fh é dado por fh
P
i=1 Rt+i .
As simulações das estratégias e a estimação dos parâmetros dos modelos foi feita
com o uso do Matlab e seu pacote Parallel Computing Toolbox. Foram utilizadas 3 janelas
de estimação, 3 janelas de forecast, dois modelos, e 4 estratégias, ou seja, um total de 72
simulações para 1470 pregões e 81 ativos. Nesse volume de dados, todas as simulações
levaram em torno de 8 horas para rodar utilizando um computador pessoal com 8GB de
memória RAM e processador Intel(R) i7-4510U @ 2GHZ com 4 núcleos. Dessa forma, foi
escolhido de maneira arbitrária que 10 ativos seriam negociados por ciclo, dada a limitação
no tempo no tempo de simulação, mas é possível estudar como a variação do número de
ativos escolhidos afeta o resultado das estratégias.
6 Resultados
Tabela 1 – Média do número de fatores latentes obtido utilizando o critério IPC2 conforme descrito em
(BAI; NG, 2002). Para cada série temporal utilizada, determinam-se o número de fatores
latentes, e se toma o inteiro mais próximo da média do número de fatores obtidos
Parâmetros do modelo
ew (pregões) fh (pregões) Número de negócios
2 660
150 5 264
10 132
2 635
200 5 254
10 127
2 610
250 5 244
10 122
Capítulo 6. Resultados 24
Tabela 4 – Comparação dos indicadores dos portfólios gerados a partir das estratégias de trading
geradas entre 2010 e 2016. Os parâmetros ew (estimation window) e fh (forecast horizon) são
mostrados, respectivamente nas duas primeiras colunas. Nesse período, o índice IBOVESPA
teve um Máximo Drawdawn observado de 48.63% e uma rentabilidade anualizada de 1.12%.
Os betas mensurados em relação ao IBOVESPA são zero até a quarta casa decimal.
Estratégia Long-Only
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 14.33 32.18 15.45 23.88
150 5 7.38 28.60 15.09 25.29
10 13.59 26.85 16.37 24.28
2 9.71 32.19 7.66 21.19
200 5 4.14 39.32 10.85 21.47
10 6.96 32.26 11.63 18.56
2 18.45 28.68 11.11 21.42
250 5 15.22 22.20 12.93 21.91
10 16.86 22.84 15.63 15.49
Estratégia Long-Short
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 8.33 23.94 17.19 25.18
150 5 7.50 25.15 18.17 27.90
10 14.10 32.05 17.68 26.87
2 6.87 17.28 16.26 28.31
200 5 10.10 22.20 14.68 37.74
10 11.60 25.77 15.36 31.71
2 11.30 22.46 21.29 23.80
250 5 21.11 17.04 18.13 32.26
10 27.45 21.27 20.96 31.28
Estratégia Direcional
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 16.58 35.18 7.92 64.28
150 5 18.09 40.68 3.35 62.34
10 27.57 50.42 7.39 56.93
2 9.84 31.61 8.22 47.96
200 5 0.68 43.81 8.87 52.64
10 8.38 46.86 5.28 49.78
2 14.92 34.24 17.56 42.09
250 5 16.75 29.28 9.79 55.51
10 17.83 38.88 9.59 55.66
Estratégia Mínimo ETL (Expected Tail Loss)
Parâmetros do modelo Modelo log-preço Modelo log-retorno
ew (pregões) fh (pregões) Retorno anualizado (%) Máximo Drawdawn (%) Retorno anualizado (%) Máximo Drawdawn (%)
2 8.71 31.63 -0.82 63.76
150 5 3.01 45.55 -2.49 59.75
10 11.35 49.25 -0.33 57.51
2 6.57 30.64 -6.53 62.95
200 5 2.60 44.24 -2.55 63.33
10 10.02 39.95 -4.50 62.63
2 15.70 32.06 2.93 57.68
250 5 18.27 27.27 -0.86 62.50
10 25.36 38.47 1.62 61.50
7 Conclusões
Referências
ANGELINI, E.; BANBURA, M.; RÜNSTLER, G. Estimating and forecasting the euro
area monthly national accounts from a dynamic factor model. 2008.
BAI, J.; NG, S. Determining the number of factors in approximate factor models.
Econometrica, Wiley Online Library, v. 70, n. 1, p. 191–221, 2002.
BAI, J.; NG, S. et al. Large dimensional factor analysis. Foundations and Trends
R in
Econometrics, Now Publishers, Inc., v. 3, n. 2, p. 89–163, 2008.
CATTELL, R. B. The scree test for the number of factors. Multivariate behavioral
research, Taylor & Francis, v. 1, n. 2, p. 245–276, 1966.
FORNI, M.; GAMBETTI, L. The dynamic effects of monetary policy: A structural factor
model approach. Journal of Monetary Economics, Elsevier, v. 57, n. 2, p. 203–216, 2010.
GEWEKE, J. The dynamic factor analysis of economic time series. Latent variables in
socio-economic models, North-Holland, v. 1, 1977.
GIANNONE, D.; REICHLIN, L.; SALA, L. Monetary policy in real time. NBER
macroeconomics annual, MIT Press, v. 19, p. 161–200, 2004.
STOCK, J. H.; WATSON, M. W. Testing for common trends. Journal of the American
statistical Association, Taylor & Francis, v. 83, n. 404, p. 1097–1107, 1988.
Figura 10 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 150
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 39
Figura 11 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 200
APÊNDICE A. Gráficos da evolução dos portfólios gerados pelas estratégias de trading 40
Figura 12 – Evolução do portfólio gerado pela estratégia mínimo ETL com ew (estimation
window) = 250