Introdução a Modelos ARCH ∗

Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia

July 24, 2014

A volatilidade de uma série não é constante ao longo do tempo; períodos de

volatilidade relativamente baixa e períodos de volatilidade relativamente elevada
tendem a ser agrupados. Esta é uma característica frequentemente observada
de séries temporais econômicas e é ainda mais pronunciada em muitas séries
nanceiras. Modelos ARCH buscam fazer uma estimativa dessa volatilidade de-
pendente do tempo como uma função da volatilidade observada anterioremente.
Por vezes, o modelo de volatilidade é de maior interesse do que o modelo da
média condicional. Como implementado através do comando arch, o modelo de
volatilidade pode também incluir regressores para levar em conta uma compo-
nente estrutural na volatilidade, geralmente conhecida como heterocedasticidade
multiplicativa.
Modelos ARCH foram introduzidos por Engle (1982) em um estudo das
taxas de inação, e desde então, ocorreu uma enxurrada de propostas de es-
pecicações paramétricas e não paramétricos de heterocedasticidade condicional
auto-regressiva . Visões gerais da literatura podem ser encontrada em Boller-
slev, Engle e Nelson (1994) e Bollerslev, Chou, e Kroner (1992). Introduções
aos modelos básicos ARCH aparecem em muitos textos gerais de econometria,
incluindo Davidson e MacKinnon (1993, 2004), Greene (2012), Kmenta (1997),
Stock e Watson (2011) e Wooldridge (2013). Harvey (1989) e Enders (2004)
apresentam introduções para ARCH no contexto mais amplo da modelagem
econométrica de séries temporais, e Hamilton (1994) dá consideravelmente mais
detalhe no mesmo contexto. Becketti (2013, cap. 8) fornece uma introdução
simples a modelagem ARCH com ênfase em como usar o comando de Stata arch.
O comando arch estima modelos de heterocedasticidade condicional auto-
regressiva (ARCH, GARCH, etc) usando máxima verossimilhança condicional.
Por "condicional", queremos dizer que a verossimilhança é calculada com base
em um conjunto assumido ou estimado dos valores para as inovações ao quadra-
dos 2t e variância σt2 prévias para a amostra de estimação; ver Hamilton (1994)
ou Bollerslev (1986). Às vezes mais condicionamento é feito nas primeiras a, g
ou a + g observações na amostra, em que a é o máximo termo de defasagem
ARCH e g é o máximo termo de defasagem GARCH (ou o máximo de lags das
outros termos ARCH).
∗ Este texto é baseado em uma tradução livre de diversas partes do Manual de Séries

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.

Exemplo 1 Modelo ARCH

Considere um modelo simples do Índice de Preços por Atacado EUA (WPI)
(Enders 2004, 87-93), que também consideramos em um dos exemplos para
a modelagem Arima. Os dados são trimestrais durante o período 1960q1 até
1990q4. Na modelagem Arima, ajustamos um modelo da taxa de variação do
WPI, ln(W P It ) − ln(W P It−1 ). O gráco da série diferenciada mostra clara-
mente períodos de alta volatilidade e outros períodos de relativa tranqüilidade.
Isso torna a série de uma boa candidata para a modelagem ARCH. De fato, os
índices de preços têm sido um alvo comum para modelos ARCH. Engle (1982)
apresentou a formulação original ARCH na análise das taxas de inação no
Reino Unido.
Em primeiro lugar, estimamos um modelo somente com uma constante por
OLS e testamos os efeitos ARCH, usando o teste de multiplicador de Lagrange
de Engle (estat archlm).
use http://www.stata-press.com/data/r13/wpi1
regress D.ln_wpi

Como o teste LM mostra um valor-p de 0,0038, o que está bem abaixo de

0,05, rejeitamos a hipótese nula de inexistência de efeitos ARCH (1). Assim,
podemos ainda estimar o parâmetro ARCH(1) especicando arch(1).
O modelo ARCH generalizado de primeira ordem (GARCH, Bollerslev 1986)
é a especicação mais comumente usada para a variância condicional em tra-
balhos empíricos e geralmente denotado como GARCH(1, 1). Podemos estimar
um processo GARCH(1, 1) para a série de logaritmos diferenciados, digitando:
arch D.ln_wpi, arch(1) garch(1)

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

onde yt = ln(wpit ) − ln(wpit−1 )

O teste Wald para o modelo (análogo ao teste F para a regressão linear
comum) e a sua respectiva probabilidade (p-value) são ambos dados missing (.).
Por convenção, Stata reporta o teste para o modelo da equação da média. Aqui
e com bastante frequência para modelos ARCH, a equação da média consiste
apenas de uma constante, e não há nada a testar.