UNIVERSIDADE FEDERAL DE MINAS GERAIS

FACULDADE DE CIÊNCIAS ECONÔMICAS

JOÃO VICTOR CARVALHO NEVES DE MACÊDO

MODELAGEM DA VOLATILIDADE INTRADIÁRIA:

ESTUDO DE DUAS EMPRESAS BRASILEIRAS

Belo Horizonte

2021
JOÃO VICTOR CARVALHO NEVES DE MACÊDO

MODELAGEM DA VOLATILIDADE INTRADIÁRIA:

ESTUDO DE DUAS EMPRESAS BRASILEIRAS

Monografia apresentada ao curso de

Controladoria e Finanças, da Faculdade de
Ciências Econômicas (FACE) da
Universidade Federal de Minas Gerais, como
requisito parcial para obtenção do título de
bacharel em Controladoria e Finanças.
Área de Concentração: Microestrutura de
Mercado.
Orientador: Prof. Dr. Bruno Pérez Ferreira

Belo Horizonte

2021
 RESUMO

O presente estudo buscou identificar se há informações relevantes nos dados de alta

frequência que contribuam a melhorar a previsão da volatilidade ao utilizar esses
dados na estimação. Para o mercado financeiro uma boa estimativa de volatilidade
demonstra ser de grande utilidade para avaliação e medidas de exposição a riscos,
construção de saldo de margem e precificação de derivativos. Nessa investigação
foram utilizados dados de alta frequência dos retornos logarítmicos. Um padrão
sazonal intradiário em formato de “J invertido” foi verificado para a volatilidade da série
de retornos dessas empresas. O modelo ARMA-GARCH foi utilizado em conjunto com
métodos determinísticos de filtragem para a sazonalidade. Os dados intradiários
seguem a forma fraca de eficiência de mercado, e foi observado o modelo ARMA(0,0)
para duas amostras do estudo, demonstrando ser um ruído branco, coerente com a
hipótese de eficiência de mercado. Os resultados demonstraram que o uso de dados
intradiários, na previsão da volatilidade, melhoram o poder preditivo e que a filtragem
para o padrão sazonal é essencial para a obtenção de medidas úteis de volatilidade.

Palavras–chave: alta frequência; volatilidade condicional; variação intradiária; gestão

de risco; arbitragem
 ABSTRACT

The present study investigated if there are any relevant information in high frequency
data that helps improve volatility forecast when these data is used in the estimation.
For the financial market, a good estimate for the volatility is of great utility for valuation
and measurements of risk exposure, margin call leverage and derivatives pricing. High
frequency log-returns were used in this investigation. A seasonal intraday pattern in a
reverse J-shape was found for the volatility of the return series of the companies
studied. The module ARMA-GARCH was used combined with deterministic seasonal
filter. The intraday data follows a weak form tests of the efficient market hypothesis, for
two of the samples studied it was observed a ARMA(0,0), which can be defined as a
white noise, corroborating for the efficient market hypothesis. Results showed that high
frequency data improves the forecast performance and the seasonal pattern filter is
essential to obtaining useful volatility estimates.

Keyword: high frequency; conditional volatility; intraday variance; risk management;

arbitrage
 LISTA DE TABELAS

TABELA 1 - Estatísticas Descritivas Básicas da Série de Retornos da Vale -

Períodos de 25/06/2015 a 13/05/2018 (amostra completa - diários e intradiários) e
25/06/2015 a 26/01/2018 (amostra reduzida - intradiários - não filtrados) ................ 25
TABELA 2 - Estatísticas Descritivas Básicas da Série de Retornos da Petrobrás -
Períodos de 25/06/2015 a 13/05/2018 (amostra completa - diários e intradiários) e
25/06/2015 a 26/01/2018 (amostra reduzida - intradiários - não filtrados e filtrados) 26
TABELA 3 - P-valores dos testes de Anderson-Darling, Ljung-Box, Dick-Fuller
Aumentado, Phillips-Perron, Portmanteau Q e Multiplicador de Lagrange nas
Amostras Reduzidas ................................................................................................. 32
TABELA 4 - Parâmetros GARCH estimados com dados intradiários da Vale:
ARMA(0,1)-GARCH(p,q) ........................................................................................... 37
TABELA 5 - Parâmetros GARCH estimados com dados intradiários filtrados da Vale:
ARMA(1,1)-GARCH(p,q) – (Desvio Padrão entre parênteses).................................. 37
TABELA 6 - Parâmetros GARCH estimados com dados diários da Vale: ARMA(2,2)-
GARCH(p,q) – (Desvio Padrão entre parênteses) .................................................... 38
TABELA 7 - Parâmetros GARCH estimados com dados intradiários da Petrobrás:
ARMA(0,4)-GARCH(p,q) – (Desvio Padrão entre parênteses).................................. 38
TABELA 8 - Parâmetros GARCH estimados com dados intradiários filtrados da
Petrobrás: ARMA(0,0)-GARCH(p,q) – (Desvio Padrão entre parênteses) ................ 39
TABELA 9 - Parâmetros GARCH estimados com dados diários da Petrobrás:
ARMA(0,0)-GARCH(p,q) – (Desvio Padrão entre parênteses).................................. 39
TABELA 10 - Resultado do MAPE e RMSE para a Vale .......................................... 40
TABELA 11 - Resultado do MAPE e RMSE para a Petrobrás.................................. 40
 LISTA DE ILUSTRAÇÕES

GRÁFICO 1 - Amostra Completa da Série de Retornos Intradiários da Vale ........... 26

GRÁFICO 2 - Amostra Completa da Série de Retornos Diários da Vale .................. 26
GRÁFICO 3 - Amostra Completa da Série de Retornos Intradiários da Petrobrás ... 27
GRÁFICO 4 - Amostra Completa da Série de Retornos Diários da Petrobrás .......... 27
GRÁFICO 5 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos de
15 minutos da Vale da Segunda-feira – Amostra Completa ...................................... 27
GRÁFICO 6 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos de
15 minutos da Vale da Terça-feira – Amostra Completa ........................................... 27
GRÁFICO 7 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos de
15 minutos da Vale da Quarta-feira – Amostra Completa ......................................... 28
GRÁFICO 8 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos de
15 minutos da Vale da Quinta-feira – Amostra Completa ......................................... 28
GRÁFICO 9 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos de
15 minutos da Vale da Sexta-feira – Amostra Completa ........................................... 28
GRÁFICO 10 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Vale Geral – Amostra Completa ................................................... 28
GRÁFICO 11 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás da Segunda-feira – Amostra Completa ........................ 29
GRÁFICO 12 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás da Terça-feira – Amostra Completa.............................. 29
GRÁFICO 13 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás da Quarta-feira – Amostra Completa ............................ 29
GRÁFICO 14 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás da Quinta-feira – Amostra Completa ............................ 29
GRÁFICO 15 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás da Sexta-feira – Amostra Completa.............................. 30
GRÁFICO 16 - Padrões de Sazonalidade da volatilidade dos retornos logarítmicos
de 15 minutos da Petrobrás Geral – Amostra Completa ........................................... 30
GRÁFICO 17 – Amostra Reduzida da série de retornos intradiários da Vale antes da
filtragem da sazonalidade ......................................................................................... 30
GRÁFICO 18 – Amostra Reduzida da série de retornos intradiários da Vale após
filtragem da sazonalidade ......................................................................................... 30
GRÁFICO 19 - Amostra Reduzida da série de retornos intradiários da Petrobrás
antes da filtragem da sazonalidade ........................................................................... 31
GRÁFICO 20 - Amostra Reduzida da série de retornos intradiários da Petrobrás
após filtragem da sazonalidade ................................................................................. 31
GRÁFICO 21 - Resíduos do ARIMA da Série Intradiária não-Filtrada da Vale ......... 32
GRÁFICO 22 - Resíduos do ARIMA da Série Intradiária Filtrada e Série Diária da
Vale ........................................................................................................................... 32
GRÁFICO 23 - Resíduos do ARIMA da Série Série Diária da Vale .......................... 33
GRÁFICO 24 - Função de Autocorrelação da série de retornos intradiário Reduzida
não Filtrada da Vale .................................................................................................. 33
GRÁFICO 25 - Função de Autocorrelação Parcial da série de retornos intradiário
Reduzida não Filtrada da Vale .................................................................................. 33
GRÁFICO 26 - Função de Autocorrelação da série de retornos intradiário Reduzida
Filtrada Vale .............................................................................................................. 33
GRÁFICO 27 - Função de Autocorrelação Parcial da série de retornos intradiário
Reduzida Filtrada da Vale ......................................................................................... 33
GRÁFICO 28 - Função de Autocorrelação da série de retornos Reduzida Diária da
Vale ........................................................................................................................... 34
GRÁFICO 29 - Função de Autocorrelação Parcial da série de retornos Reduzida
Diária da Vale ............................................................................................................ 34
GRÁFICO 30 - Resíduos do ARIMA da Série Intradiária não-Filtrada da Petrobrás. 34
GRÁFICO 31 - Resíduos do ARIMA da Série Intradiária Filtrada da Petrobrás ........ 34
GRÁFICO 32 - Resíduos do ARIMA da Série Diária da Petrobrás ........................... 35
GRÁFICO 33 - Função de Autocorrelação da série de retornos intradiário Reduzida
não Filtrada da Petrobrás .......................................................................................... 35
GRÁFICO 34 - Função de Autocorrelação Parcial da série de retornos intradiário
Reduzida não Filtrada da Petrobrás .......................................................................... 35
GRÁFICO 35 - Função de Autocorrelação da série de retornos intradiário Reduzida
Filtrada da Petrobrás ................................................................................................. 36
GRÁFICO 36 - Função de Autocorrelação Parcial da série de retornos intradiário
Reduzida Filtrada da Petrobrás ................................................................................. 36
GRÁFICO 37 - Função de Autocorrelação da série de Reduzida Diária da Petrobrás
.................................................................................................................................. 36
GRÁFICO 38 - Função de Autocorrelação Parcial da série de Reduzida Diária da
Petrobrás ................................................................................................................... 36
 LISTA DE SIGLAS

B3 Brasil Bolsa Balcão

ARMA Modelo Autoregressivo de Médias Móveis
GARCH Modelo Heterocedástico Condicional Autorregressivo Generalizado
MAPE Erro Médio Absoluto Percentual
RMSE Erro Médio Raiz Quadrático
ACF Função de Autocorrelação
PACF Função de Autocorrelação Parcial
VAR Valor em Risco
EMH Hipótese de Mercado Eficiente
 SUMÁRIO
1. INTRODUÇÃO .............................................................................................................................. 9
1.1. Contextualização .................................................................................................................. 9
1.2. Problema de pesquisa ....................................................................................................... 10
1.3. Objetivos .............................................................................................................................. 10
1.3.1. Objetivo Geral ............................................................................................................. 10
1.3.2. Objetivos Específicos ................................................................................................. 11
1.4. Justificativa .......................................................................................................................... 11
1.5. Estrutura da Pesquisa........................................................................................................ 11
2. REFERENCIAL TEÓRICO........................................................................................................ 13
2.1. Mercado Eficiente ............................................................................................................... 13
2.1.1. As formas fraca, semi-forte e forte........................................................................... 13
2.2. Microestrutura de Mercado ............................................................................................... 14
3. METODOLOGIA ......................................................................................................................... 20
3.1. Tipo de Pesquisa ................................................................................................................ 20
3.2. Dados e Amostra ................................................................................................................ 20
3.3. Técnicas Econométricas ................................................................................................... 22
3.3.1. Testes de Média ......................................................................................................... 22
3.3.2. Análise da Heterocedasticidade ............................................................................... 23
3.3.3. Inferência ..................................................................................................................... 23
4. RESULTADOS ............................................................................................................................ 25
4.1. Estatísticas Básicas dos Dados ....................................................................................... 25
4.2. Padrão Intradiário ............................................................................................................... 27
4.3. Resultados Testes Estatísticos ........................................................................................ 31
4.4. Resultados Modelos ARIMA-GARCH ............................................................................. 32
4.5. Avaliação da Previsão ....................................................................................................... 40
5. CONSIDERAÇÕES FINAIS ...................................................................................................... 41
REFERÊNCIAS .................................................................................................................................. 43
 9

1. INTRODUÇÃO

1.1. Contextualização

Os retornos dos ativos no mercado financeiro não são independentemente

distribuídos ao longo do tempo devido a concentração da volatilidade. Durante o
pregão da bolsa de valores do Brasil, a B3 (Brasil Bolsa Balcão), é possível notar uma
maior sensibilidade nos preços das ações negociadas próximo da abertura e do
fechamento em relação aos preços próximo do horário de almoço. Esse efeito é
conhecido pela literatura como efeito diurno e apresenta o formato de “J” invertido, um
padrão sazonal que pode conter informações relevantes para estimações em modelos
de previsão de volatilidade de séries de alta frequência. Esse padrão é evidenciado
por Andersen e Bollerslev (1997) e nas negociações de títulos públicos dos maiores
países europeus, como apontam Zhang e Defour (2018).

Estudos indicam que esse padrão diurno explica grande parte da volatilidade
intradiária. Sobre a hipótese nula de homoscedasticidade, a série de retornos retirada
o efeito diurno é homoscedástica sobre a hipótese nula, ou seja, a estatística t diverge
para infinito se a série de retornos é heteroscedástica e, caso contrário, para uma
distribuição normal padrão.

Moreira e Lemgruber (2004) utilizaram os dados intradiários para estimarem a

volatilidade diária e no cálculo do valor em risco (VaR). Com o avanço da
disponibilidade de dados de alta frequência, há cada vez mais estudos de investigação
empírica voltada para a análise e aplicação desses dados.

Zhang (2018) e Defour (2018) destacam a importância da filtragem dos dados para se
separar a volatilidade transitória da volatilidade fundamental, devido a ruído da
microestrutura de mercado em dados de alta frequência.
 10

Uma abordagem comum utilizada nos estudos é a avaliação das estimativas de

volatilidade diária ou em menores frequências, que se apoia em uma comparação
direta com o retorno absoluto correspondente, como Jorion (1995). Porém, retornos
diários realizados absolutos ou ao quadrado proporcionam uma medida da volatilidade
latente com bastante ruído. Por exemplo, o preço pode variar drasticamente e, mesmo
assim, ter um preço de fechamento próximo do de abertura, levando a uma falsa
sinalização de volatilidade baixa. Uma medida para a volatilidade muito mais rica de
informações pode ser baseado na soma dos retornos absolutos intradiários
(ANDERSEN; BOLLERSLEV, 1998).

1.2. Problema de pesquisa

Andersen e Bollerslev (1998) encontraram uma relação próxima entre a volatilidade

intradiária e a previsão da volatilidade diária de um dia a frente no mercado de câmbio
alemão usando uma amostra de retornos em intervalos de 5 minutos. Zhang e Dufour
(2019) mostra também que a informação intradiária é capaz de melhorar a
previsibilidade da volatilidade no mercado europeu de títulos públicos.

Existe algum padrão para as ações brasileiras VALE3 e PETR4 em sua variação
intradiária que melhoraria o poder de inferência?

1.3. Objetivos

1.3.1. Objetivo Geral

Identificar se há informações relevantes nos dados de alta frequência que contribuam

a melhorar a previsão da volatilidade ao utilizar esses dados na estimação.
 11

1.3.2. Objetivos Específicos

• Identificar se existe algum padrão ao longo do dia na equação da média

aplicando modelos de séries temporais.
• Delimitar algum padrão de heteroscedasticidade na volatilidade intradiária nas
ações pesquisadas.
• Avaliar o potencial de inferência das especificações que foram delimitadas
anteriormente, testando a inferência com testes de hipótese.

1.4. Justificativa

Andersen e Bollerslev (1998) demonstram a importância crítica da mensuração da

volatilidade para a gestão de portfólio, precificação de derivativos, análise de
transmissão de informação entre diferentes mercados intertemporais entre regiões
geográficas em mercados idênticos. A volatilidade, sendo uma medida de risco, serve
para determinar as chamadas de margem, podendo ocorrer em D+1, podendo ainda
ser solicitado a cobertura em D0, o que este a B3 chama de risco intradiário.

Por isso, se a volatilidade for prevista com eficiência, será possível precificar opções,
criar ferramentas de gestão de risco e em outras aplicações com mais acurácia. Esta
pesquisa se dá pela sua relevância e pode contribuir para uma previsão da medida de
volatilidade mais precisa. Há diversos estudos nesta área em mercados estrangeiros,
porém há poucos referentes ao Brasil.

1.5. Estrutura da Pesquisa

Esta pesquisa é organizada em cinco seções da forma a seguir. A seção 1 introduz a

contextualização, as propriedades dos padrões intradiários, o problema de pesquisa,
justificativa, o objetivo geral e os objetivos específicos deste estudo. Na seção 2 é
apresentada a revisão teórica, abordando as características e problemáticas de se
 12

utilizar dados de alta frequência. Na seção 3 é explicado o tipo de pesquisa, os dados

e amostras utilizadas, os métodos de filtragem dos dados e as técnicas estatísticas
para análise. A seção 4 apresenta os resultados de estimação e as interpretações.
Por fim, a seção 5 apresenta as considerações finais e resume os achados da
pesquisa.
 13

2. REFERENCIAL TEÓRICO

2.1. Mercado Eficiente

A hipótese dos mercados eficientes (EMH - efficient markets hypothesis) faz duas
afirmações importantes sobre o equilíbrio dos preços das ações e na impossibilidade
de “superação do mercado” pelo investidor, recebendo um retorno maior do que
aquele atrelado ao risco da ação. Brigham e Ehrhardt (2017) mencionam que a EMH
propõe que o preço de mercado de uma ação é igual ao seu valor intrínseco, assim
sendo, eles ainda afirmam que o preço de mercado se ajustará ao novo valor
intrínseco tão rapidamente que não haverá tempo para um investidor receber as novas
informações, avaliá-las, assumir uma posição referente à ação antes que preço de
mercado mude e ele possa obter lucro a partir das mudanças subsequentes no preço.

Essa última afirmação se justifica devido ao fato que, dentro do mercado, há milhares
de analistas especializados em uma gama enorme de diferentes ações, bem como
um grande número de instituições financeiras e fundos com orçamentos bilionários
aptos a aproveitar de ações subavaliadas. As formas das hipóteses de mercado
eficiente colocam seu foco em um tipo diferente de disponibilidade das informações e
têm-se: a forma fraca, semi-forte e forte (FAMA, 1970).

2.1.1. As formas fraca, semi-forte e forte

Essa forma propõe que apenas as informações anteriores e que estão contidas nos
movimentos dos preços das ações, em seu histórico de preços e retornos, refletem
nos preços e retornos atuais. Portanto, todas as tendências passadas serão as fontes
para determinação dos preços (FAMA, 1970).

Uma crítica à eficiência na forma fraca implica em baixas é que caso haja um padrão
no comportamento do preço, rapidamente ele será descoberto e, portanto, eliminando
as possibilidades de arbitragem. Brigham e Ehrhardt (2017), concluem que a eficiência
na forma fraca implica que qualquer informação originária de preços anteriores de
 14

ações é tão rapidamente incorporada ao preço atual de uma ação que é difícil existir
uma oportunidade de lucro.

Na forma semi-forte, toda informação obviamente pública disponível (divulgação das

demonstrações financeiras, split de ações, etc) reflete nos preços e retornos das
ações (FAMA, 1970). Logo, os preços estarão ajustados a quaisquer informações
sejam, positivas ou negativas, que sejam oriundas de informações dos relatórios
informacionais para os investidores. Isto posto, os investidores somente deverão
esperar por lucros proporcionais aos riscos de seus investimentos. Outra
característica é de que os preços apenas reagem às informações que distam das
expectativas anteriores, ou seja, daquilo que seja novo e que provocará uma resposta
dos agentes diferente. Se as esperanças de ganho forem de um patamar, no momento
de divulgação da informação, se concretizadas, não haverá mudança nas posições
dos agentes. Porém, caso algo a expectativa seja contrariada, o preço sofrerá
mudanças.

A última forma, a eficiência na forma forte, Fama (1970) aponta ser quando toda
informação, pública ou privada, em qualquer tempo, reflete por inteiro nos preços e
retornos das ações. Desta forma, a relevância é se os investidores possuem acesso
à informação privilegiada relevante para a formação de preço. Portanto, é impossível
a obtenção de retornos anormais no mercado de ações.

2.2. Microestrutura de Mercado

O’Hara (1995) descreve a Microestrutura de Mercado como o estudo dos mecanismos

e regras específicos de uma negociação com uma dinâmica desenvolvida por seus
participantes, isto é, as interações entre compradores e vendedores, que podem
influenciar na formação de preços dos ativos e desenvolvimento do mercado, são
fatores como formação de preços discretos, baixo volume ou baixa frequência de
negociação, saltos e bid-ask.

Entender a Microestrutura do Mercado é fundamental para qualquer agente do

mercado, em especial para um Scalper, que busca se aproveitar exatamente dos
 15

movimentos dos preços de um período curto de tempo entre oscilações diárias de

compra/venda de um ativo, para então posicionar-se adequadamente.

Os principais modelos utilizados nessas análises são controle de inventário,

inicialmente estudado por Amihud e Mendelson (1980), modelos de informação,
especialmente de seleção adversa, proposto por Copeland e Galai (1983), e modelos
de especialistas e formadores de mercado, foco dos estudos de Brock e Kleidon
(1992). Muitos trabalhos na literatura têm como alvo os mercados de ações e opções
com base nesses modelos, mas poucos vinham estudando a microestrutura dos
mercados futuros, devido a uma limitação do volume de transações e cotações, fato
já não mais relevante em mercados de alta frequência, conforme Tse (1999).
Andersen e Bollerslev (1997) desenvolveram um modelo de volatilidade realizada
onde utilizam o conceito de volatilidade realizada como proxy para a volatilidade
observada, que consiste no somatório dos quadrados dos retornos intradia em uma
frequência entre 5 a 25 minutos.

Entretanto, Manaster e Mann (1996) mostram que os mecanismos de formação de

mercado e capacidade informacional do fluxo de ordens são diferentes nos mercados
futuros se comparado com o mercado de ações. A primeira diferença é que não há o
papel de formadores de mercado na negociação de contratos futuros. Todos os lances
e ofertas são revelados a todos os participantes do pregão pelo sistema de leilão
contínuo de negociação. Os mercados futuros contam também com a presença de
especuladores, ou traders de curto prazo, que o negociam por interesses próprios e
atuam como formadores de mercado "voluntários", por proverem liquidez neste
mercado. Ao contrário do papel dos especialistas na New York Stock Exchange
(NYSE), ou os dealers da Nasdaq, ou formadores de mercado da BM&FBovespa, os
especuladores não têm obrigação de fazer ofertas continuamente, ou mesmo de
permanecer em qualquer posição particular dentro de sua estratégia de negociação.

A segunda diferença, apontada por Manaster e Mann (1996), é que os custos de

manutenção das posições nos mercados futuros são menores, pois os traders
entendem que esse mercado é de fácil controle do inventário. Para os autores, o trader
médio de contratos futuros da S&P 500 futuro pode reduzir seu estoque de ativos pela
 16

metade em um único negócio, enquanto um especialista leva uma semana para fazê-
lo no mercado de ativos. Além disso, o especulador detém posições em aberto para
um curto período de tempo (poucos minutos) e negocia em 23 pequenas quantidades
(poucos contratos) em uma atividade bastante intensa de negociação.

A terceira diferença, sugerida por Subrahmanyam (1991), é que os preços dos

contratos de futuros de índice não são afetados por informações privadas sobre
empresas com ações negociadas, já que a diversificação de ativos na composição da
carteira de índice reduz os efeitos de informações privadas e favorece a negociação
de tais contratos. Portanto, o problema da seleção adversa induzida por informações
assimétrica não é relevante nesse mercado. Por outro lado, é necessário notar que a
ausência de informações assimétricas não implica que o fluxo de ordens no mercado
futuro não carregue nenhuma informação. Miller (1990) apontou que os preços futuros
são influenciados por informações mais abrangentes sobre o mercado, tais como
notícias macroeconômicas; no entanto, a conjectura de Miller não pode ser facilmente
testada nos mercados futuros de índice com base em informação de tempo real, já
que a maioria das notícias macroeconômicas é relatada antes dos mercados serem
abertos.

Para Tse (1999), tais características do mercado futuro de índice evidenciam que o
modelo de especialistas, de controle de inventário, e de seleção adversa não são úteis
para descrever a microestrutura dos mercados futuros, em particular para descrever
os padrões intradiários de spread de compra e venda, da volatilidade, do volume
negociado e do número de negócios. No entanto, os períodos de alta volatilidade e
alto volume de negociação são oportunidades de lucro para os traders e, portanto,
estes podem estar dispostos a assumir posições em spreads menores durante os
períodos de abertura e de encerramento do pregão. Seguindo a abordagem de Gerety
e Mulherin (1992), o agrupamento de volume e número de negócios ao abrir e ao
fechar o mercado é uma evidência do desejo dos investidores de negociar o risco de
manter posição durante a noite, isto é, os spreads de fechamento diminuem
(aumentam) porque os traders não estão dispostos a manter os inventários e assumir
os riscos de notícias desfavoráveis durante a noite, pois, para os autores, no mercado
 17

americano, as notícias macroeconômicas podem alterar os preços futuros

rapidamente de forma significativa.

Contudo, os principais modelos da literatura utilizados para estudar a microestrutura

do mercado de contratos futuros de índice são consistentes com a posição tomada
por traders ativos, particularmente especuladores, que abastecem os mercados de
futuros com liquidez, conforme sugerido por Grossman e Miller (1988). Os autores
defenderam que os investidores, em geral, preferem negociar imediatamente e, por
isso, modelaram a ideia de liquidez como o preço que investidores estão dispostos a
pagar pela necessidade de executar um negócio imediatamente ao invés de aguardar
uma nova oportunidade mais tarde.

Em mercados competitivos, o imediatismo de execução é possibilitado por traders que

enviam ofertas de compra e venda de forma contínua. Para Grossman e Miller (1986),
a alta demanda pelo imediatismo nos mercados futuros está relacionada com as duas
funções básicas destes mercados, que são a formação de preços e hedging de riscos:
quanto mais voláteis são os preços dos contratos futuros, maior o risco de não
negociar o ativo spot imediatamente e, portanto, maior a importância das funções do
mercado futuro.

Nas praças de liquidez, onde as ofertas são transmitidas por sinais eletrônicos, cada
trader age como um leiloeiro, e este pregão permite a competição aberta entre eles.
Entretanto, os especuladores têm um horizonte de manutenção das suas posições
menores (minutos ou segundos), enquanto que os investidores mantêm posições de
mais longo prazo, como um dia ou mais. Neste sentido, os especuladores agem como
market makers (formadores de mercado) ou dealers e fornecem liquidez
continuamente, enviando ofertas a mercado contra as ordens que podem ser
executadas, e são identificados informalmente por outros traders pela simples
observação de seu comportamento de negociação. Os especuladores não têm a
obrigação de oferecer liquidez, nem mesmo permanecer presentes em qualquer
posição ou praça de negociação em particular. Kuserk e Locke (1993) documentaram,
em seus estudos, que uma estratégia bem sucedida de especulação envolve
negociação frequente de pequenos volumes, e que a rentabilidade do especulador
 18

vem da diferença do spread de compra e venda e da sua previsão do movimento dos

preços intradiários.

Para Grossman e Miller (1986), o modelo que melhor explica os mercados futuros é
aquele em que o negócio ocorre em dois períodos e o ativo é liquidado no terceiro
período. O que motiva a negociação é sempre o rebalanceamento da carteira do
investidor induzida por choques exógenos de liquidez. A assincronia dos negócios cria
a demanda por imediatismo no período 1, com o desequilíbrio do portfólio no período
2. Assim, a mudança do preço entre os períodos 1 e 2 pode ser considerado o retorno,
para um especulador que está disposto, por um dado preço, em manter portfólio não
balanceado.

Surge ao redor do mundo a análise de dados intradiários com a difusão e avanço

tecnológico da informática. Os dados coletados demonstram a característica de
possuírem altas frequências para a confecção de cálculos de volatilidade. Surge,
então, a contribuição da CVM, em sua Instrução Nº 358, a regulamentação sobre atos
e fatos relevantes que porventura surjam e que afetem de modo ponderável na
cotação e decisões futuras sobre os valores mobiliários. Em seu artigo quinto, dessa
mesma Instrução, menciona que: “A divulgação de ato ou fato relevante deverá
ocorrer, sempre que possível, antes do início ou após o encerramento dos negócios
nas bolsas de valores e entidades do mercado de balcão organizado em que os
valores mobiliários de emissão da companhia sejam admitidos à negociação”.
Portanto, fatos relevantes podem surgir desde o encerramento do pregão até a sua
abertura no dia posterior. Por esse motivo é possível de observar os maiores picos de
volatilidade na abertura do pregão.

Portanto, os efeitos de microestrutura de mercado são importantes de ser analisados

ao se trabalhar com dados de alta frequência para evitar-se correlação serial espúria.
Ao se trabalhar com a frequência de 5 minutos em um dia de 10h00 às 17h00, há 83
retornos de 5 minutos por dia, correspondendo a 1/83 0.0120, sendo pequeno o
suficiente para se ter dados assintoticamente contínuos e grande o suficiente para que
as influências dos ruídos de microestrutura de mercado não sejam significantes,
conforme Andersen et. al. (2001).
 19

Andersen e Bollerslev (1998) diz que é argumentado que o padrão intradiário e os

efeitos de anúncios macroeconômicos são de uma importância econômica menor e
que os dados de alta frequência são de interesse apenas na área de microestrutura
de mercado. Além disso, o autor aponta que os retornos de alta frequência contém
informação de extremo valor para a mensuração da volatilidade no nível diário e os
retornos intradiários revelam que há características de memória longa na dinâmica
dos retornos. Essas características são críticas para gestão de portfólio e precificação
de derivativos. Por essas questões, a informação que os retornos de alta frequência
propiciam são de grande valor para diversos problemas no mercado financeiro, tanto
dentro e fora do escopo de microestrutura de mercado.
 20

3. METODOLOGIA

3.1. Tipo de Pesquisa

Esta pesquisa trata-se de um estudo descritivo que, conforme Gil (1999), visa
estabelecer a relação entre variáveis e descrever as características de uma
população.

Em relação à abordagem do problema, este é um estudo quantitativo, pois faz uso

tanto na quantificação na coleta quanto no tratamento das informações por meio de
técnicas estatísticas (RICHARDSON; PERES,1999).

3.2. Dados e Amostra

Para este estudo, a série utilizada é composta de cotações das empresas Vale S.A.
(VALE3) e Petrobrás PN (PETR4), empresas consideradas “Blue Chips” que têm
geração forte de caixa, boa relação com os acionistas, boa governança corporativa,
alto valor de mercado e alta liquidez no mercado de ações. Além disso, essas duas
ações possuem contratos futuros e são papeis significativos no mercado de opções.

Uma limitação ao estudo foi a dificuldade de se obter dados de alta frequência. Em

28/02/2020, a B3 desativou o acesso público aos esses dados, dentre outros.

As cotações são registradas a cada 15 minutos durante o horário de pregão no período

de 25/06/2015 a 13/05/2018, correspondendo a 709 dias úteis e um total de 19.852
observações intradiárias.

Em um dia padrão, os dados encontram-se organizados em 28 intervalos diários de

15 minutos. No banco de dados original, o número de cotações variava de 20 a 33.
Como foi constatado que a grande maioria dos dias havia 28 observações, com o
objetivo de homogeneizar a distribuição das observações, excluiu-se os dados
relativos aos dias que haviam um número de observações diferentes de 28.
 21

Para estimação e avaliação do padrão sazonal intradiário foi utilizado o período de

25/06/2015 a 26/01/2018, totalizando 638 dias e 17.864 observações. Daqui a diante,
o período de 25/06/2015 a 13/05/2018 será referido como amostra completa e o
período de 25/06/2015 a 26/01/2018 como amostra reduzida.

Foi utilizado os retornos logarítmicos em toda a análise. De acordo com Alexander

(2001), é utilizado retornos por ser estacionária em sua grande parte e tem
característica de retornar para sua média rapidamente, devido à baixa autocorrelação.
Os conceitos e métodos que se aplica para retornos não se aplicam para preços,
como, por exemplo, volatilidade e correlação são conceitos que só se aplicam para
processos estacionários, além de os retornos logarítmicos se aproximarem mais de
uma distribuição normal. Para a amostra completa, seja Pt,0 a primeira cotação das
ações no dia t e seja Rt,j o retorno relativo ao j-ésimo intervalo de quinze minutos do
dia t, onde t = 1,2,3,...,709 e j = 1,2,3,...,28. Para o cálculo do primeiro retorno no dia
t, tem-se Rt,1 = ln(Pt,1 / Pt-1,28), o qual incorpora informações relativas ao intervalo entre
o fechamento do pregão do dia anterior e a abertura do pregão do dia em questão
(overnight) e, por não ser o objetivo do presente estudo avaliar o retorno overnight, foi
desconsiderado nas análises. Neste caso, tem-se Rt,1 = ln(Pt,1 / Pt,0). Para os demais
retornos intra-diários, tem-se Rt,j = ln(Pt,j / Pt-1).

Foi avaliado a importância da sazonalidade intradiária dos retornos das ações,

primeiramente avaliando os dados brutos (desconsiderada a sazonalidade) e
posteriormente repetindo-se o procedimento após a aplicação de método de filtragem.
Para a filtragem da sazonalidade intradiária foi obtivo estimativas do padrão sazonal
da volatilidade ao longo do dia por meio da soma dos quadrados dos retornos, por
fornecer uma estimativa simples de variabilidade e médias calculadas em intervalos
fixos de tempo podem ser usadas para estimar o padrão sazonal, metodologia
proposta por Moreira e Lemgruber (2004). Desta forma, sendo Ij o índice sazonal
relativo ao j-ésimo intervalo de 15 minutos, foram estimados os 28 índices, relativos a
cada um dos 28 intervalos de 15 minutos, pela média dos quadrados dos retornos
verificados em cada intervalo ao longo da amostra reduzida:
638
1
𝐼𝑗 = ∑ 𝑅²𝑘,𝑗 𝑗 = 1,2, … , 28; 𝑘 = 1,2, … ,638 (1)
638
𝑘=1
 22

Uma vez calculadas as estimativas dos índices de sazonalidade, podemos obter a

série de retornos filtrados (“dessazonalizados”) por:
𝑅𝑗
𝑢𝑗 = (2)
√𝐼𝑗
onde Rj é o j-ésimo retorno do intervalo de 15 minutos e Ij o j-ésimo índice de
sazonalidade do intervalo de 15 minutos.

Após estimada a nova série de retornos filtrados uj, foi estimado os modelos ARMA-
GARCH. A previsão final de volatilidade condicional para a série filtrada,
reincorporando o padrão sazonal, a ser avaliada é dada por
ℎ𝑗 = 𝐼𝑗 ℎ′𝑗 (3)
onde h’j representa a variância condicional para a série de retornos filtrados uj.

3.3. Técnicas Econométricas

3.3.1. Testes de Média

Segundo Razali e Wah (2011), em seus estudos de comparação do poder dos testes
de normalidade (Shapiro-Wilk, Anderson-Darling, Lilliefors e Kolmogorov-Smirnov), a
fim de determinar o melhor, concluiu que o teste de Shapiro-Wilk é o teste mais
poderoso, porém, o de Anderson-Darling é bastante comparável a ele. Além disso, os
autores apontam que todos os testes não desempenham bem para amostras
pequenas (tamanho 30 ou menor). Dessa forma, foi utilizado o teste de normalidade
de Anderson-Darling ao invés do Shapiro-Wilk por uma limitação do software utilizado
e pela amostra ter um tamanho expressivo, 17.864 observações na amostra reduzida
intradiária e 638 observações na amostra reduzida diária.

O teste de Ljung-Box é feito para a série de retornos possui uma distribuição

independente, ou seja, não possui correlação serial. O teste de raiz unitária de Dickey-
Fuller Aumentado e de Phillips-Perron é utilizado para testar a hipótese nula de que a
série tem uma tendência estocástica. Posteriormente foi estimada as funções de
autocorrelação e de autocorrelação parcial.
 23

Foi utilizado o Auto-ARIMA para estimar os melhores modelos baseado no critério de

informação de Akaike (AIC) e Bayesiano (BIC). A própria função do software R aponta
o melhor modelo baseado nesses critérios.

3.3.2. Análise da Heterocedasticidade

Existem implicações para as estimações dos modelos quando há a presença de

heterocedasticidade. Sabendo-se que ela varia entre as observações na amostra ou
em pedaços da amostra, é importante atribuir diferentes pesos para as observações.
Heij et al. (2004, p. 347) afirmam que “é melhor atribuir menores pesos para
observações com grande variância e pesos maiores para observações com pequenas
variâncias” (tradução livre).

Foi feito o teste de Portmanteau Q (PQ) e de Multiplicador de Lagrange (LM) para

testar a hipótese nula de que os resíduos do modelo ARIMA estimado são
homoscedásticos. O primeiro teste examina se o quadrado dos resíduos são uma
sequência de ruído branco, similar ao teste Ljung-Box nos resíduos. O segundo teste
é proposto por Engle (1982) que teste uma regressão linear do quadrado dos resíduos
e avalia se o modelo é significativo.

3.3.3. Inferência

Foi utilizado o pacote “rugarch” da linguagem de programação “R” para estimar os

modelos GARCH. Foi estimado para cada uma das amostras não-filtradas, filtradas e
diárias os modelos GARCH(0,1), GARCH(1,1), GARCH(1,2) e GARCH(2,2), e
escolhido o melhor modelo por meio do menor AIC e BIC.

Posteriormente é feito a previsão da série e da volatilidade para os restantes 71 dias

e 1.988 intervalos intradiários. Para a amostra filtrada, foi reincorporada a volatilidade
sazonal por meio da fórmula (3). O MAPE e o RMSE foram utilizados como critérios
de comparação do desempenho de cada modelo, conforme as equações (4) e (5)
 24

𝑁
1 𝐴𝑡 − 𝐹𝑡
𝑀𝐴𝑃𝐸 = ∑ | | (4)
𝑁 𝐴𝑡
𝑡≡1

∑𝑁
𝑡=1(𝐴𝑡 − 𝐹𝑡 )
2
𝑅𝑀𝑆𝐸 = √ (5)
𝑁

onde, At é o valor real da série no tempo t, Ft é o valor projetado no tempo t, N é o

número de valores projetados.
 25

4. RESULTADOS

4.1. Estatísticas Básicas dos Dados

As TAB. 1 e 2 permitem comparar algumas estatísticas descritivas básicas para as

séries de retornos diários e intradiários. É possível observar tanto na TAB. 1 e nos
GRAF. 1 e 2 que a série de retornos da Vale varia ao longo de uma média próxima de
zero, com mediana igual a zero para as séries (b), (c) e (d). É bem claro a formação
de aglomerados (clusters) de volatilidade e aumentos significativos próximo da
observação de número 5.000 para os retornos intradiários e observação de número
200 para retornos diários. Destaque para os índices de assimetria e a curtose dos
retornos, onde são maiores para os intradiários em relação aos diários. Cabe ressaltar
uma redução significativa destes índices após o procedimento de filtragem para a
sazonalidade, com assimetria reduzindo de 0,5413 para -0,1080 e curtose de 25,166
para 7,659.

TABELA 1 - Estatísticas Descritivas Básicas da Série de Retornos da Vale - Períodos de 25/06/2015

a 13/05/2018 (amostra completa - diários e intradiários) e 25/06/2015 a 26/01/2018 (amostra reduzida
- intradiários - não filtrados)

Desvio Curtose
Média Mediana Máximo Mínimo Assimetria
Padrão (excesso)
Diários:
Amostra
0,00156 0,00208 0,12310 -0,12030 0,03268 0,0428 1,391
Completa
(a)
Intradiários:
Amostra
0,00006 0,00000 0,10852 -0,09300 0,00616 0,5458 26,544
Completa
(b)
Intradiários:
Amostra 0,00006 0,00000 0,10852 -0,09300 0,00640 0,5413 25,166
Reduzida (c)
Intradiários:
Amostra
-0,00380 0,00000 9,72804 -12,22986 1,00002 -0,1080 7,659
Reduzida
Filtrada (d)
Fonte: Elaborado pelo autor.
Nota: (a) 709 dados; (b) 19.852 dados; (c) e (d) 17.864 dados.
 26

GRÁFICO 1 - Amostra Completa da Série de GRÁFICO 2 - Amostra Completa da Série de

Retornos Intradiários da Vale Retornos Diários da Vale
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

Algo similar pode se perceber na TAB. 2 e GRAF. 3 e 4 em relação aos retornos da

Petrobrás, variando entorno de uma média zero e um maior índice de assimetria e
curtose para os dados intradiários em relação ao diário, destacando-se novamente a
amostra filtrada para a sazonalidade, onde estes índices reduziram, respectivamente,
de 0,7367 para 0,1844 e de 28,812 para 8,070.

TABELA 2 - Estatísticas Descritivas Básicas da Série de Retornos da Petrobrás - Períodos de

25/06/2015 a 13/05/2018 (amostra completa - diários e intradiários) e 25/06/2015 a 26/01/2018
(amostra reduzida - intradiários - não filtrados e filtrados)

Desvio Curtose
Média Mediana Máximo Mínimo Assimetria
Padrão (excesso)
Diários:
Amostra 0,00108 0,00086 0,14257 -0,11090 0,03173 0,2738 1,858
Completa (a)
Intradiários:
Amostra 0,00006 0,00000 0,11302 -0,08754 0,00595 0,7482 29,411
Completa (b)
Intradiários:
Amostra 0,00004 0,00000 0,11302 -0,08754 0,00612 0,7367 28,812
Reduzida (c)
Intradiários:
Amostra
-0,00976 0,00000 12,62618 -10,74210 0,99998 0,1844 8,070
Reduzida
Filtrada (d)
Fonte: Elaborado pelo autor.
Nota: (a) 709 dados; (b) 19.852 dados; (c) e (d) 17.864 dados.
 27

GRÁFICO 3 - Amostra Completa da Série de GRÁFICO 4 - Amostra Completa da Série de

Retornos Intradiários da Petrobrás Retornos Diários da Petrobrás
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

4.2. Padrão Intradiário

Conforme evidenciado nos GRAF. 5 a 10, nota-se um padrão sazonal para o processo
de volatilidade em formado de “J invertido”, com valores expressivos no início do dia,
decrescendo rapidamente e mantendo-se baixo. O cálculo do padrão sazonal foi feito
por meio da média dos quadrados dos retornos de cada intervalo de 15 minutos.

GRÁFICO 5 - Padrões de Sazonalidade da GRÁFICO 6 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Vale da Segunda-feira – Amostra minutos da Vale da Terça-feira – Amostra
Completa Completa
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 28

GRÁFICO 7 - Padrões de Sazonalidade da GRÁFICO 8 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Vale da Quarta-feira – Amostra minutos da Vale da Quinta-feira – Amostra
Completa Completa
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

GRÁFICO 9 - Padrões de Sazonalidade da GRÁFICO 10 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Vale da Sexta-feira – Amostra minutos da Vale Geral – Amostra Completa
Completa Fonte: Elaborado pelo autor.
Fonte: Elaborado pelo autor.

Para a Petrobrás nos GRAF. 11 a 16, observa-se um leve aumento no final do dia,
diferente do que acontece para a Vale. Dessa forma, é possível denotar a existência
de um padrão de sazonalidade intradiária no processo de volatilidade. Resultado
similar de volatilidade intradiária foi encontrada por Zhang e Dufour (2019). No estudo
de Andersen e Bollerslev (1998) não foi percebido sinais de volatilidade elevada
próximo do fechamento a bolsa de Nova Iorque, o que é também observado para as
ações estudadas.
 29

GRÁFICO 11 - Padrões de Sazonalidade da GRÁFICO 12 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Petrobrás da Segunda-feira – minutos da Petrobrás da Terça-feira – Amostra
Amostra Completa Completa
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

GRÁFICO 13 - Padrões de Sazonalidade da GRÁFICO 14 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Petrobrás da Quarta-feira – Amostra minutos da Petrobrás da Quinta-feira – Amostra
Completa Completa
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 30

GRÁFICO 15 - Padrões de Sazonalidade da GRÁFICO 16 - Padrões de Sazonalidade da

volatilidade dos retornos logarítmicos de 15 volatilidade dos retornos logarítmicos de 15
minutos da Petrobrás da Sexta-feira – Amostra minutos da Petrobrás Geral – Amostra
Completa Completa
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

Nos GRAF. 17 e 18 é possível verificar a série de retornos reduzida antes e após a

aplicação do filtro de sazonalidade da Vale. O filtro é dado pela equação (2).

GRÁFICO 17 – Amostra Reduzida da série de GRÁFICO 18 – Amostra Reduzida da série de

retornos intradiários da Vale antes da filtragem retornos intradiários da Vale após filtragem da
da sazonalidade sazonalidade
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

Nos GRAF. 19 e 20 é verifica-se a série de retornos reduzida antes e após a aplicação

do filtro de sazonalidade para a empresa Petrobrás. O filtro é dado pela equação (2).
 31

GRÁFICO 19 - Amostra Reduzida da série de GRÁFICO 20 - Amostra Reduzida da série de

retornos intradiários da Petrobrás antes da retornos intradiários da Petrobrás após filtragem
filtragem da sazonalidade da sazonalidade
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

4.3. Resultados Testes Estatísticos

A TAB. 3 apresenta os resultados dos testes Anderson-Darling (AD) de normalidade

da série dos retornos, Ljung-Box (LB) para a correlação serial da série de retornos,
Dick-Fuller Aumentado (ADF) e Phillips-Perron (PP) para detecção de raiz unitária e
tendência estocástica e Portmanteau-Q e Multiplicador de Lagrange (PQ-LM) para a
correlação serial dos resíduos do modelo ARMA e detecção de efeito ARCH.

Todas as séries tiveram um p-valor abaixo de 0,1% para o teste AD, rejeitando-se a
hipótese nula de normalidade. A amostra reduzida de alta frequência rejeitaram a
hipótese nula de distribuição independente dos retornos, mostrando não haver
correlação serial, com p-valor de 0,0161 ao nível de significância de 5% para a Vale e
com p-valor de 0,0026 ao nível de significância de 1% para a Petrobrás. Nenhuma
das amostras apresentaram raiz unitária com p-valor abaixo de 0,01 e todas
apresentaram efeitos ARCH, ou seja, seus resíduos são heterocedásticos.
 32

TABELA 3 - P-valores dos testes de Anderson-Darling, Ljung-Box, Dick-Fuller Aumentado, Phillips-

Perron, Portmanteau Q e Multiplicador de Lagrange nas Amostras Reduzidas

Dick Fuller
Anderson Phillips
Empresa Ljung Box Aumentad PQ - LM
Darling Perron
o

Intradiários: Vale 2,20E-16*** 0,0161* <0,01*** <0,01*** 2,20E-16***

Amostra
Reduzida Petrobrás 2,20E-16*** 0,0026** <0,01*** <0,01*** 2,20E-16***

Intradiários: Vale 2,20E-16*** 0,3294 <0,01*** <0,01*** 2,20E-16***

Amostra
Reduzida
Petrobrás 2,20E-16*** 0,1691 <0,01*** <0,01*** 2,20E-16***
Filtrada
Diário: Vale 9,40E-05*** 0,0593 <0,01*** <0,01*** 1,77E-12***
Amostra
Reduzida Petrobrás 3,81E-10*** 0,8520 <0,01*** <0,01*** 2,82E-12***

Fonte: Elaborado pelo autor.

Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.
Os p-valores de 2,2E-16 são menores que esse valor de fato, este valor é o menor valor que o
computador consegue armazenar

4.4. Resultados Modelos ARIMA-GARCH

Os modelos ARIMA(0,0,1), ARIMA(1,0,1), ARIMA(0,01) com médias zero foram os

melhores baseado no critério de informação de Akaike (AIC) e Bayesiano (BIC) para
as amostras reduzidas não filtrada, filtrada e diária, respectivamente, da Vale,
evidenciado nos GRAF. 21 a 23.

GRÁFICO 21 - Resíduos do ARIMA da Série GRÁFICO 22 - Resíduos do ARIMA da Série

Intradiária não-Filtrada da Vale Intradiária Filtrada e Série Diária da Vale
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 33

GRÁFICO 23 - Resíduos do ARIMA da Série Série Diária da Vale

Fonte: Elaborado pelo autor.

Os GRAF. 24 a 29 apresentam as funções de autocorrelação e autocorrelação parcial

de cada uma das amostrar da Vale.

GRÁFICO 24 - Função de Autocorrelação da GRÁFICO 25 - Função de Autocorrelação

série de retornos intradiário Reduzida não Parcial da série de retornos intradiário Reduzida
Filtrada da Vale não Filtrada da Vale
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

GRÁFICO 26 - Função de Autocorrelação da GRÁFICO 27 - Função de Autocorrelação

série de retornos intradiário Reduzida Filtrada Parcial da série de retornos intradiário Reduzida
Vale Filtrada da Vale
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 34

GRÁFICO 28 - Função de Autocorrelação da GRÁFICO 29 - Função de Autocorrelação

série de retornos Reduzida Diária da Vale Parcial da série de retornos Reduzida Diária da
Fonte: Elaborado pelo autor. Vale
Fonte: Elaborado pelo autor.

Os modelos ARIMA(0,0,4), ARIMA(0,0,0), ARIMA(0,0,0) com médias zero foram os

melhores baseado no critério de informação de Akaike (AIC) e Bayesiano (BIC) para
as amostras reduzidas não filtrada, filtrada e diária, respectivamente, da Petrobrás,
como mostra os GRAF. 30 a 32.

GRÁFICO 30 - Resíduos do ARIMA da Série GRÁFICO 31 - Resíduos do ARIMA da Série

Intradiária não-Filtrada da Petrobrás Intradiária Filtrada da Petrobrás
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 35

GRÁFICO 32 - Resíduos do ARIMA da Série Diária da Petrobrás

Fonte: Elaborado pelo autor.

Destaque para a ordem e média zero para todos os parâmetros dos dois últimos
modelos da Petrobrás, o que indica que as séries têm características de ruído branco.
O GRAF. 33 a 38 apresentam as funções de autocorrelação e autocorrelação parcial
de cada uma das amostrar da Petrobrás.

GRÁFICO 33 - Função de Autocorrelação da GRÁFICO 34 - Função de Autocorrelação

série de retornos intradiário Reduzida não Parcial da série de retornos intradiário Reduzida
Filtrada da Petrobrás não Filtrada da Petrobrás
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.
 36

GRÁFICO 35 - Função de Autocorrelação da GRÁFICO 36 - Função de Autocorrelação

série de retornos intradiário Reduzida Filtrada Parcial da série de retornos intradiário Reduzida
da Petrobrás Filtrada da Petrobrás
Fonte: Elaborado pelo autor. Fonte: Elaborado pelo autor.

GRÁFICO 37 - Função de Autocorrelação da GRÁFICO 38 - Função de Autocorrelação

série de Reduzida Diária da Petrobrás Parcial da série de Reduzida Diária da
Fonte: Elaborado pelo autor. Petrobrás
Fonte: Elaborado pelo autor.

As TAB. de 4 a 9 apresentam os parâmetros estimados do modelo GARCH e

destacado de azul os melhores modelos baseados no menor AIC e BIC para cada
amostra. Nota-se que todos tiveram um índice de persistência de volatilidade alto,
composto pela soma de todos os parâmetros significativos, todos acima de 0,95.

Para a amostra com dados intradiários não filtrados da Vale, o melhor modelo foi o
GARCH(2,2) com parâmetros ω não significativo, α1, α2 e β2 significativos a 0,1% e β1
significativo a 5% (TAB. 4).
 37

TABELA 4 - Parâmetros GARCH estimados com dados intradiários da Vale: ARMA(0,1)-GARCH(p,q)

Modelos ω α1 α2 β1 β2 AIC BIC

0.000000 *** 0.994646 ***
GARCH(0,1) -7,7452 -7,7435
(0.000000) (0.000016)
0.000000 *** 0.497850 *** 0.498974 ***
GARCH(0,2) -7,7432 -7,7411
(0.000000) (0.000021) (0.000021)
0.000000 0.009672 *** 0.989123 ***
GARCH(1,1) -7,8638 -7,8616
(0.000000) (0.000430) (0.000057)
0.000000 0.012702 *** 0.469060 *** 0.516930 ***
GARCH(1,2) -7,8645 -7,8619
(0.000000) (0.000798) (0.000006) (0.000004)
0.000000 0.007203 * 0.001105 0.990585 ***
GARCH(2,1) -7,8635 -7,8608
(0.000000) (0.003540) (0.003664) (0.000028)
0.000000 0.003967 *** 0.009480 *** 0.000202 * 0.985321 ***
GARCH(2,2) -7,8715 -7,8684
(0.000000) (0.000358) (0.000519) (0.000079) (0.000019)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.

Para a amostra com dados intradiários filtrados da Vale, o melhor modelo foi o
GARCH(1,2) com parâmetros ω significativo a 1%, α1, β1 e β2 significativos a 0,1%
(TAB. 5).

TABELA 5 - Parâmetros GARCH estimados com dados intradiários filtrados da Vale: ARMA(1,1)-
GARCH(p,q) – (Desvio Padrão entre parênteses)

Modelos ω α1 α2 β1 β2 AIC BIC

0.007470 *** 0.993154 ***
GARCH(0,1) 2,6720 2,6741
(0.000227) (0.000018)
0.007557 *** 0.993003 *** 0.000067 ***
GARCH(0,2) 2,6721 2,6747
(0.000228) (0.000000) (0.000014)
0.001511 0.034791 *** 0.964209 ***
GARCH(1,1) 2,5029 2,5056
(0.000316) (0.000829) (0.000039)
0.001986 ** 0.049448 *** 0.528958 *** 0.420594 ***
GARCH(1,2) 2,5023 2,5054
(0.000612) (0.005794) (0.012114) (0.009372)
0.001509 *** 0.034771 *** 0.000000 0.964229 ***
GARCH(2,1) 2,5031 2,5061
(0.000377) (0.007376) (0.007421) (0.000038)
0.001986 ** 0.049449 *** 0.000000 0.528958 *** 0.420592 ***
GARCH(2,2) 2,5025 2,5059
(0.000650) (0.007720) (0.008436) (0.013145) (0.009500)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.

Para a amostra com dados diários da Vale, o melhor modelo foi o GARCH(1,1) com
parâmetros ω e α1 não significativos, β1 significativo a 0,1% (TAB. 6).
 38

TABELA 6 - Parâmetros GARCH estimados com dados diários da Vale: ARMA(2,2)-GARCH(p,q) –

(Desvio Padrão entre parênteses)

Modelos ω α1 α2 β1 β2 AIC BIC

0.000000 0.998941 ***
GARCH(0,1) -3,9977 -3,9558
(0.000003) (0.000057)
0.000000 0.425284 *** 0.573113 ***
GARCH(0,2) -3,9944 -3,9455
(0.000003) (0.000297) (0.000084)
0.000001 0.038831 0.959321 ***
GARCH(1,1) -4,1153 -4,0664
(0.000012) (0.030616) (0.030729)
0.000001 0.038818 0.959326 *** 0.000033
GARCH(1,2) -4,1122 -4,0563
(0.000016) (0.056840) (0.025295) (0.035710)
0.000001 0.000014 0.042098 0.955794 ***
GARCH(2,1) -4,1134 -4,0575
(0.000005) (0.043962) 0.048410 (0.015315)
0.000001 0.000002 0.042101 0.955800 *** 0.000004
GARCH(2,2) -4,1103 -4,0474
(0.000012) (0.043749) (0.061317) (0.035606) (0.007939)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.

Para a amostra com dados intradiários não filtrados da Petrobrás, o melhor modelo foi
o GARCH(1,2) com parâmetros ω e α1 não significativos, β1 e β2 significativos a 0,1%
(TAB. 7).

TABELA 7 - Parâmetros GARCH estimados com dados intradiários da Petrobrás: ARMA(0,4)-

GARCH(p,q) – (Desvio Padrão entre parênteses)

Modelos ω α1 α2 β1 β2 AIC BIC

0.000000 *** 0.993106 ***
GARCH(0,1) -7,8116 -7,8098
(0.000000) (0.000019)
0.000000 *** 0.493334 *** 0.503137 ***
GARCH(0,2) -7,8100 -7,8078
(0.000000) (0.000032) (0.000032)
0.000000 0.017798 *** 0.980741 ***
GARCH(1,1) -7,9487 -7,9466
(0.000001) (0.004599) 0.00003
0.000000 0.027905 0.629876 *** 0.340754 ***
GARCH(1,2) -7,9496 -7,9470
(0.000004) (0.050424) (0.001938) (0.001675)
0.000000 0.019443 *** 0.000588 0.978822 ***
GARCH(2,1) -7,9488 -7,9461
(0.000000) (0.004351) (0.002960) (0.000079)
0.000000 0.028943 *** 0.002038 0.517519 *** 0.449925 ***
GARCH(2,2) -7,9494 -7,9463
(0.000000) (0.005103) (0.005001) (0.000102) (0.000102)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.

Para a amostra com dados intradiários filtrados da Petrobrás, o melhor modelo foi o
GARCH(1,2) com parâmetros ω significativo a 1% e α1, β1 e β2 significativos a 0,1%
(TAB. 8).
 39

TABELA 8 - Parâmetros GARCH estimados com dados intradiários filtrados da Petrobrás:

ARMA(0,0)-GARCH(p,q) – (Desvio Padrão entre parênteses)

Modelos ω α1 α2 β1 β2 AIC BIC

0.009408 *** 0.991640 ***
GARCH(0,1) 2,6525 2,6542
(0.000324) (0.000023)
0.083704 *** 0.926212 *** 0.000000
GARCH(0,2) 2,6525 2,6547
(0.002407) (0.000053) (0.001750)
0.002933 *** 0.049021 *** 0.949425 ***
GARCH(1,1) 2,4694 2,4715
(0.000529) (0.003038) (0.002934)
0.004109 ** 0.069968 *** 0.479644 *** 0.448145 ***
GARCH(1,2) 2,4682 2,4708
(0.001319) (0.011611) (0.006142) (0.005908)
0.00293 *** 0.04889 *** 0.00000 0.94955 ***
GARCH(2,1) 2,4695 2,4721
(0.000536) (0.007845) (0.008145) (0.002852)
0.004112 *** 0.069961 *** 0.000000 0.479812 *** 0.447979 ***
GARCH(2,2) 2,4683 2,4713
(0.001070) (0.008276) (0.008954) (0.004696) (0.004390)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.

Para a amostra com dados diários da Petrobrás, o melhor modelo foi o GARCH(1,1)
com parâmetros ω não significativo, α1 e β1 significativos a 0,1% (TAB. 9).

TABELA 9 - Parâmetros GARCH estimados com dados diários da Petrobrás: ARMA(0,0)-

GARCH(p,q) – (Desvio Padrão entre parênteses)

Modelos ω α1 α2 β1 β2 AIC BIC

0.000000 0.99858 ***
GARCH(0,1) -4,1489 -4,1210
(0.000001) (0.000171)
0.000000 0.343013 *** 0.654619 ***
GARCH(0,2) -4,1460 -4,1110
(0.000001) (0.000524) (0.000526)
0.000000 0.027934 *** 0.971035 ***
GARCH(1,1) -4,2612 -4,2262
(0.000002) (0.004141) (0.004528)
0.000000 0.044586 0.370253 *** 0.583851 ***
GARCH(1,2) -4,2588 -4,2168
(0.000016) (0.070095) (0.045504) (0.018976)
0.000000 0.027696 0.000224 0.971040 ***
GARCH(2,1) -4,2584 -4,2165
(0.000002) (0.038479) (0.038212) (0.004491)
0.000000 0.044273 0.000630 0.368707 *** 0.585176 ***
GARCH(2,2) -4,2556 -4,2067
(0.000008) (0.039329) (0.047857) (0.047767) (0.039268)
Fonte: Elaborado pelo autor.
Nota: * resultado estatisticamente significativo a 5% de significância; ** resultado estatisticamente
significativo a 1% de significância; *** resultado estatisticamente significativo a 0,1% de significância.
 40

4.5. Avaliação da Previsão

Os resultados de comparação das estimativas feitas com os dados observados são

exibidos nas TAB. 10 e 11 para a Vale e Petrobrás, respectivamente. Para ambas as
empresas, nota-se um melhor resultado para a amostra filtrada para a sazonalidade,
apresentando um MAPE e RMSE menor, ou seja, um menor erro de previsão.

TABELA 10 - Resultado do MAPE e RMSE para a Vale

MAPE RMSE

Intradiários: Amostra Reduzida 9293,6 7,19616

Intradiários: Amostra Reduzida Filtrada 7525,6 7,19575

Diário: Amostra Reduzida 224127,5 35,70992

Fonte: Elaborado pelo autor.
Nota: RMSE multiplicado por 10³

TABELA 11 - Resultado do MAPE e RMSE para a Petrobrás

MAPE RMSE

Intradiários: Amostra Reduzida 14589,1 7,39700

Intradiários: Amostra Reduzida Filtrada 12652,6 7,39716

Diário: Amostra Reduzida 222102,1 38,66290

Fonte: Elaborado pelo autor.
Nota: RMSE multiplicado por 10³

Resultado coerente com o estudo de Christensen, Hounyo e Podolskij (2018) onde os

autores concluem que, embora não explique toda a variação na volatilidade intradiária,
o padrão sazonal captura grande dela.
 41

5. CONSIDERAÇÕES FINAIS

Este presente estudo buscou identificar se há informações relevantes nos dados de

alta frequência que contribuam a melhorar a previsão da volatilidade ao utilizar esses
dados na estimação. Foi utilizado o método de filtragem de sazonalidade abordado
por Moreira e Lemgruber (2004).

Foi encontrado um padrão de sazonalidade intradiária para a volatilidade para ambas

as empresas analisadas onde valores mais altos de volatilidade encontram-se próximo
da abertura do pregão da B3 e logo diminui para patamares menores e mantém-se
estáveis até o fechamento, o chamado de formato de “J invertido”. A filtragem desse
padrão de sazonalidade promoveu melhora na previsão futura da série de retornos,
comprovando ser essencial sua aplicação ao uso do modelo de volatilidade GARCH.
A falta de tratamento prévio do fator sazonal gera distorções na previsão da
volatilidade intradiária. A filtragem mostrou uma redução significativa na curtose da
distribuição os retornos em relação à amostra não filtrada. A persistência da
volatilidade, medida pela soma dos parâmetros do modelo GARCH, mostrou ser alta,
acima de 0,95 para todas as amostras estudadas.

A informação contida em retornos de alta frequência é útil para uma grande gama de
problemas econômico financeiros, como para modelos volatilidade e precificação de
opções, como o modelo de Black-Scholes, cálculo de VaR, cálculo de saldos de
margem em operações no mercado e gestão de risco num geral. O simples uso de
dados intradiários para previsão já mostrou ter um melhor poder preditivo em relação
ao uso de dados diários.

A análise de séries de dados de alta frequência possui eficiência de mercado na forma

fraca, evidenciado por duas amostras da Petrobrás com o modelo ARMA de ordem
zero e média zero, o que mostra ter padrão de ruído branco, coerente com o estudo
de Fama (1970).
 42

O estudo foi restrito a apenas duas empresas devido ao difícil acesso a dados de alta
frequência hoje no mercado, sendo este conteúdo pago. Para estudos futuros, seria
interessante investigar esse fenômeno em uma base de dados mais extensa para um
maior número de empresas listadas na B3 e outras empresas no mercado mundial.
Além disso, pode-se avaliar a volatilidade condicional de alta frequência contra a
variação dos preços de derivativos, utilizando de volatilidade intrínseca.
 43

REFERÊNCIAS

AIGBOVO O. and ISIBOR B. O. Market Microstructure: A Review of Literature

[Journal] // Research Journal of Financial Sustainability Reporting. - 2017. - 2 : Vol.
2. - pp. 117-143.

ALEXANDER C. Market Models A Guide to Financial Data Analysis [Book]. -

[s.l.] : John Wiley & Sons Ltda, The Atrium, Southern Gate, Chichester, 2001.

AMIHUD Y. and MENDELSON H. Dealership Market: Market-Making with

Inventory [Journal] // Journal of Financial Economics. - [s.l.] : North-Holland
Publishing Company, 1980. - 1 : Vol. 8. - pp. 31-53.

ANDERSEN T. G. [et al.] The Distribution of Realized Stock Return Volatility

[Journal] // The Journal of Financial Economics. - [s.l.] : Elsevier, 2001. - 1 : Vol. 61. -
pp. 43-76.

ANDERSEN T. G. and BOLLERSLEV T. Deutsche Mark-Dollar Volatility: Intraday

Activity Patterns, Macroeconomic Announcements, and Longer Run
Dependencies [Journal] // The Journal of Finance. - Fevereiro 1998. - 1 : Vol. LIII. -
pp. 219-265.

ARAÚJO B. V. F., CAMARGOS M. A. DE and PINHO F. M. DE Modelagem da

volatilidade condicional incorporando o período não regular do pregão ao
modelo APARCH [Article] // Revista Contabilidade & Finanças. - mai./ago. 2019. -
pp. 202-215.

BOLLERSLEV T. and WRIGHT J. H. High-Frequency Data, Frequency Domain

Inference, and Volatility Forecasting [Journal] // The Review of Economics and
Statistics. - 2001. - 4 : Vol. 83. - pp. 596-602.

BRIGHAM E. F. and EHRHARDT M. C. Administração Financeira: teoria e prática

[Book]. - São Paulo : Cengage Learning, 2017. - Vol. 3.

BROCK W. and KLEIDON A. W. Periodic market closure and trading volume: A

model of intraday bids and asks [Journal] // Journal of Economic Dynamics and
Control. - 1992. - 16 : Vol. 16. - pp. 451-489.
 44

CHRISTENSEN K., HOUNYO U. and PODOLSKIJ M. Is the diurnal pattern

sufficient to explain intraday variation in volatility? A nonparametric
assessment [Article] // Journal of Econometrics. - Agosto 2018. - 2 : Vol. 205. - pp.
336-362.

COPELAND T. E. and GALAI D. Information Effects on the Bid-Ask Spread

[Journal] // The Journal of Finance. - [s.l.] : Wiley, Dezembro 1983. - 5 : Vol. 38. - pp.
1457-1469.

ENGLE R. F. Autoregressive Conditional Heteroscedasticity with Estimates of

the Variance of United Kingdom Inflation [Journal] // Econometrica. - Julho 1982. -
4 : Vol. 50. - pp. 987-1008.

FAMA E. F. Efficient Capital Markets: A Review of Theory and Empirical Work

[Journal] // The Journal of Finance. - Nova Iorque : Blackwell Publishing for the
American Finance Association, Maio 1970. - 2 : Vol. 25. - pp. 383-417.

GERÊNCIA DE MONITORAMENTO DE GARANTIAS Garantias [Online] = Câmara

B3 - Administração de Garantias // b3.com.br. - Agosto 2020. - Julho 30, 2021. -
http://www.b3.com.br/pt_br/produtos-e-servicos/compensacao-e-
liquidacao/clearing/administracao-de-riscos/garantias/garantias-aceitas/.

GERETY M. S. and MULHERIN J. H. Trading Halts and Market Activity: An

Analysis of Volume at the Open and the Close [Journal] // The Journal of
Finance. - Dezembro 1992. - 5 : Vol. 47. - pp. 1765-1784.

GIL A. C. Como Elaborar Projetos de Pesquisa [Book] / ed. ATLAS S.A.. - São
Paulo : [s.n.], 2002. - 4.

GROSSMAN S. J. and MILLER M. H. Economic Costs and Benefits of the

Proposed One-Minute Time Bracketing Regulation [Journal] // The Journal of
Futures Markets. - 1986. - 1 : Vol. 6. - pp. 141-166.

HEIJ C. [et al.] Econometric Methods with Applications in Business and

Economics [Book]. - New York : Oxford University Press Inc., 2004.

HO T. and STOLL H. R. Optimal Dealer Pricing Under Transactions and Return

Uncertainty [Journal] // Journal of Financial Economics. - [s.l.] : North-Holland
Publishing Company, Março 1981. - Vol. 9. - pp. 47-73.
 45

JORION P. Predicting Volatility in the Foreign Exchange Market [Article] // The

Journal of Finance. - Junho 1995. - 2 : Vol. L. - pp. 507-526.

KUSERK G. J. and LOCKE P. R. Scalper behavior in futures markets: An

empirical examination [Journal] // Journal of Futures Markets. - 1993. - 4 : Vol. 13. -
pp. 409-431.

MANASTER S. and MANN S. C. Life in the Pits: Competitive Market Making and
Inventory Control [Journal] // The Review of Financial Studies. - Julho 1996. - 3 :
Vol. 9. - pp. 953-975.

MATOS J. A. DE and FERNANDES M. Testing the Markov Property with High

Frequency Data [Journal] // Journal of Econometrics. - [s.l.] : Elsevier, Novembro
2007. - 1 : Vol. 141. - pp. 44-64.

MILLER M. H. International Competitiveness of U.S. Futures Exchanges

[Journal] // Journal of Financial Services Research. - Chicago : [s.n.], 1991. - 4 : Vol.
4. - pp. 387-408.

MOREIRA J. M. DE. S. and LEMGRUBER E. F. O Uso de Dados de Alta

Frequência na Estimação da Volatilidade e do Valor em Risco para o
IBOVESPA [Article] // Revista Brasileira de Economia. - Março 2004. - 1 : Vol. 58. -
pp. 99-120.

O'HARA M. Market Microstructure Theory [Book]. - [s.l.] : Blackwell Publishing Ltd,

1995.

RAZALI N. M. and WAH Y. B. Power comparisons of Shapiro-Wild, Kolmogorov-

Smirnov, Lilliefors and Anderson-Darling tests [Journal] // Journal of Statistical
Modeling and Analytics. - Selangor, Malaysia : [s.n.], 2011. - 1 : Vol. 2. - pp. 21-33.

RICHARDSON R. J. Pesquisa Social Métodos e Técnicas [Book] / ed. S.A.

EDITORA ATLAS. - São Paulo : [s.n.], 1999. - 3ª.

SUBRAHMANYAM A. A Theory of Trading in Stock Index Futures [Journal] // The

Review of Financial Studies. - 1991. - 1 : Vol. 4. - pp. 17-51.
 46

ZHANG H. and DUFOUR A. Modeling intraday volatility of European bond

markets: A data filtering application [Article] // International Review of Financial
Analysis. - Maio 2019. - Vol. 63. - pp. 131-146.