Escolar Documentos
Profissional Documentos
Cultura Documentos
Temporais do Stata (que acompanha o software e pode ser visualizado através do menu Help
- Documentation)
1
O modelo ARCH original proposto por Engle (1982) modelou a variância dos
erros de um modelo de regresão como uma função linear de valores defasados
dos erros de regressão ao quadrado. Podemos escrever um modelo ARCH (m)
como:
yt = xt β + t (média condicional)
σt2 = γ0 + γ1 2t−1 + γ2 2t−2 + ... + γm 2t−m (variância condicional)
onde
2t são os quadrados dos erros (ou inovações)
γi são os parâmetros do modelo ARCH
O modelo ARCH tem uma especicação tanto para a média condicional
como para variância condicional e a variância é uma função do tamanho das in-
ovações anterriores não antecipadas t . Este modelo foi generalizado por Boller-
slev (1986) para incluir valores defasados da variância condicional - um modelo
GARCH. O modelo GARCH (m; k) é escrito como:
yt = xt β + t (média condicional)
2
σt2 = γ0 + γ1 2t−1 + γ2 2t−2 + ... + γm 2t−m + δ1 σt−1 2
+ δ2 σt−2 2
+ ... + δk σt−k
(variância condicional)
onde
γi são os parâmetros do modelo ARCH
δi são os parâmetros do modelo GARCH
Em seu trabalho pioneiro, Engle (1982) assumiu que o termo de erro t
segue uma distribuição gaussiana (normal):t ∼ N (0, σt2 . No entanto, como
Mandelbrot (1963) e muitos outros têm observado, a distribuição dos retornos
das ações parece ser leptocúrtica, o que signica que os retornos extremos das
ações são mais freqüentes do que seria esperado se os retornos fossem distribuídos
normalmente. Os pesquisadores têm, portanto, assumido outras distribuições
que podem ter caudascom maior altura do que a distribuição normal; o comando
arch permite ajustar modelos assumindo que os erros seguem a distribuição t de
Student ou uma distribuição de erro generalizado. A distribuição t tem caudas
mais elevadas do que a distribuição normal; a medida que o número de graus
de liberdade do parâmetro se aproxima do innito, a distribuição t converge
para a distribuição normal. As caudas da distribuição generalizada de erros
são mais elevadas (com mais densidade de frequencia) do que a distribuição
normal quando o parâmetro de forma é inferior a dois e são mais nas do que a
distribuição ormal quando o parâmetro de forma é maior do que dois.
O modelo GARCH de variância condicional pode ser considerado um pro-
cesso ARMA no quadrado inovações, embora não nas variações como as equações
podem parecer sugerir; ver Hamilton (1994). Especicamente, o modelo GARCH
padrão implica que as inovações ao quadrado resultam a partir de\eps
2t = γ0 + (γ1 + δ1 )2t−1 + (γ2 + δ2 )2t−2 + ... + (γk + δk )2t−k + wt − γ1 wt−1 −
γ2 wt−2 − γ3 wt−3
onde
wt = (2t − σt2 )
wt é um processo ruido branco que é fundamental para t
Um dos principais benefícios da especicação GARCH é a parcimônia na
identicação da variância condicional. Tal como acontece com os modelos
2
ARIMA, a especicação ARMA em GARCH permite que a variância condi-
cional seja modelada com menos parâmetros do que com uma especicação
ARCH sozinha. Empiricamente, muitas séries com uma perturbação (erro)
condicionalmente heteroscedástica foram adequadamente modeladas com uma
especicação GARCH (1,1).
Um processo ARMA nas perturbações pode ser facilmente adicionado à
equação da média. Por exemplo, a equação da média pode ser escrita com
uma ARMA (1, 1) na perturbação (erro) como:
yt = xt β + ρ(yt−1 − xt−1 β) + θt−1 + t
om uma generalização óbvia para ARMA(p,q) pela adição de termos; ver
o texto sobre modelos arima para mais discussão desta especicação. Esta
alteração afeta apenas a especicação da variância condicional no sentido em
que 2t agora resulta a partir de uma especicação diferente da média condicional.
Grande parte da literatura sobre modelos ARCH se concentra em especi-
cações alternativas da equação da variância. O comando arch permite que
muitas dessas especicações sejam solicitadas através das opções saarch () e
pgarch () , o que implica que um ou mais termos podem ser mudados ou adi-
cionados à especicação da equação da variância.
Essas especicações alternativas também abordam a assimetria. Especi-
cações Tanto as especicações ARCH como GARCH implicam em impacto
simétrico de inovações. Se uma inovação 2t é positiva ou negativa não faz
nenhuma diferença para a variação esperada σt2 nos períodos que se seguem;
somente o tamanho da inovação importa - boas e más notícias têm o mesmo
efeito. Muitas teorias, contudo, sugerem que inovações positivas e negativas de-
vem variar em seu impacto. Para os investidores avessos ao risco, uma grande
queda inesperada no mercado é mais susceptível de conduzir a uma maior volatil-
idade do que um grande aumento inesperado (ver Black [1976], Nelson [1991]).
As opções saarch(), tarch(), aarch(), abarch(), earch(), aparch(), e tparch()
permitem considerar diversas especicações de efeitos assimétricos.
As opções narch(), narchk(), nparch(), e nparchk() implicam um impacto
assimétrico de uma forma especíca. Todos os modelos considerados até agora
têm uma variância mínima condicional quando as inovações defasadas são todas
iguais a zero. "Nenhuma notícia é boa notícia", quando se trata de manter
a variância condicional pequena. As opções narch (), narchk (), nparch (), e
nparchk () também têm uma resposta simétrica para inovações, mas elas não
são centradas em zero. A função inteira de resposta a notícias (resposta às
inovações) é deslocada na horizontal de modo que a variância mínima situa-se
em algum valor positivo ou negativo especíco para as inovações prévias.
Modelos ARCH-em-média permitem que a variância condicional da série in-
uencie a média condicional. Isso é particularmente conveniente para modelar
a relação risco-retorno em séries nanceiras; quanto mais arriscado é um in-
vestimento, com tudo o resto igual, menor é o seu retorno esperado. Modelos
ARCH-em-média modicam a especicação da equação da média condicional
como:
yt = xt β + ψσt2 + t (ARCH-em-média)
Embora esta forma linear na variância condicional corrente tem dominado a
3
literatura, o comando arch permite que a variância condicional entre na equação
da média através de uma transformação não linear g () e que este termo trans-
formada seja incluído contemporaneamente ou desfasado.
yt = xt β + ψ0 g(σt2 ) + ψ1 g(σt−1
2 2
) + ψ2 g(σt−2 ) + ... + t
Raiz quadrada é a mais comumente usada transformação g () porque geral-
mente os pesquisadores querem incluir um termo linear para o desvio padrão
condicional, mas qualquer transformação g () é permitida.
4
Estimamos o parâmetro ARCH(1) como 0,436 e o parâmetro GARCH(1)
como 0,454 de modo que nosso modelo GARCH(1,1) ajustado é
yt = 0, 0061 + t
σt2 = 0, 4362t−1 + 0, 454σt−1
2