Apostila FGV - Econometria

3
1. INTRODUÇÃO
O que é Econometria?
Econometria significa “medida econômica”.
Em um sentido mais amplo, econometria é ciência que

permite verificar, empiricamente, hipóteses
formuladas pela teoria econômica.
Pode ser encarada como uma sub-área

tanto da estatística quanto da economia.
Econometria Financeira
4
Modelo Econômico
Exemplo 1.1 - Seja Y o gasto de um indivíduo com um bem

e seja X a renda deste indivíduo.
A teoria econômica postula uma relação direta entre
Y e X. Ou seja, pressupõe que Y = f(X), sendo f uma
função crescente.
Esta equação é um modelo econômico.
Exemplo 1.2 - Outro modelo econômico.
Teoria: a quantidade demandada Q de um bem normal
possui relação inversa com seu preço P.
O modelo aqui é Q = f(P), sendo f decrescente.
Modelos econômicos orientam escolhas, análises e

políticas econômicas.
Especificar esses modelos de forma realista demanda um

sólido conhecimento da área.
No exemplo 1.1, o modelo proposto é muito ingênuo,

uma vez que, claramente, a renda não é o único fator
que influencia o gasto.
Especificar modelos econômicos teoricamente

fundamentados é função do economista.
5
Modelo Econométrico
Entretanto, para a maioria dos problemas de decisão na

área econômica, não é suficiente saber quais variáveis
estão relacionadas, e/ou o sentido em que se dá esta
relação.
É necessário quantificar esta relação.
Ou, em outras palavras, medir o quanto uma

mudança em uma variável afetaria a outra!
Aqui entra o econometrista!
Para avaliar e mensurar relações entre variáveis

econômicas, é preciso estimar um
modelo econométrico.
Um modelo econométrico incorpora ao modelo

econômico o fato de que relações econômicas,
na prática, não são exatas, havendo sempre
alguma dose de incerteza (fatores que afetam o
comportamento individual de cada agente).
6
Modelo Econômico x Econométrico

Exemplo de modelo econômico:
Y = β0 + β1X.
Exemplo de modelo econométrico:
Y = β0 + β1X + erro.
Este é um modelo de regressão linear, já apresentado

no curso de estatística e introdução à econometria dos
mercados.
Coeficientes dos modelos = parâmetros.

No exemplo 1.1, o parâmetro β1 é chamado propensão
marginal a consumir (o bem).
Os parâmetros econômicos podem ser estimados a partir

de uma amostra de observações das variáveis envolvidas.
No exemplo 1.1, o método usual para

estimar β1 é o dos Mínimos Quadrados.
7
As estimativas dos parâmetros podem ser

utilizadas para responder questões relevantes e
testar hipóteses econômicas.
Por exemplo:
- Um aumento da taxa de juros de fato
contribui para a redução da inflação, como
supõe a teoria monetarista convencional?
- O impacto do preço do tomate sobre a
demanda é proporcionalmente igual, maior ou
menor que a variação no preço?
Agora que sabemos o que é econometria, o que

significa econometria financeira?
R: é a mesma coisa, só que relacionada a hipóteses da

teoria de finanças a respeito de dados financeiros
(preços, retornos, etc.).
Um aspecto particular da econometria financeira é a

importância da previsão (de uma série e/ou de sua
volatilidade).
8
Um interesse óbvio seria a previsão do preço

de um ativo financeiro, ou da variação do preço, isto é,
seu retorno.
A econometria ajuda a compreender de maneira

formal porque isto não é possível (embora seja possível
prever o risco!).
Um passo preliminar é compreender

bem o conceito de retorno financeiro.
Retorno Financeiro
É a variação (relativa ou percentual) do

preço de um ativo entre t-1 e t:
Pt − Pt −1
Rt = .
Pt −1
(para a forma percentual, basta multiplicar

por 100%)
9
Retorno Logarítimico ou Log-Retorno
É a forma mais comum para se calcular o retorno de um

ativo, dada pela fórmula:
 P 
R t = ln t .
 Pt −1 
(para a forma percentual,

basta multiplicar por 100%)
O log-retorno é uma aproximação, baseada no

resultado: x ≅ ln(x+1), quando x assume um valor
pequeno.
Pt − Pt −1 P
Fazendo: x = Rt = = t −1 ,
Pt −1 Pt −1
 P    P 
Tem-se: R t ≅ ln  t − 1 + 1 = ln t .
  Pt −1    Pt −1 
10
Por Que Trabalhar com Log-Retornos?
1) Se a variação de preços entre t-1 e t é baixa (o que

ocorre com dados diários, por exemplo), a aproximação
funciona bem.
2) O log-retorno composto (entre 1 e t):
P 
R t = ln t 
 P1 
pode ser obtido somando-se os retornos simples a cada
período, facilitando a conta.
Prova de 2):
R t + R t −1 + ... + R 3 + R 2 =
 P  P  P  P 
ln t  + ln t −1  + ... + ln 3  + ln 2  =
 Pt −1   Pt − 2   P2   P1 
 P P P P  P 
ln t t −1 ... 3 2  = ln t .
 Pt −1 Pt − 2 P2 P1   P1 
11
3) O ajuste à distribuição Normal é usualmente melhor

que o da forma exata.
O uso da distribuição Normal facilita bastante a

estimação de parâmetros.
Qualquer tentativa de prever retornos no longo prazo

será frustrada, infelizmente...
Porém, os quadrados dos retornos de séries financeiras

costumam apresentar estrutura de dependência, o que
torna possível prever o desvio padrão deles, ou a sua
volatilidade.
Há muita estatística nestas análises.

Passamos então a uma breve revisão de conceitos da
disciplina de estatística.
12
2. REVISÃO DE ESTATÍSTICA
Variância e Desvio Padrão
A variância de um conjunto de dados é uma medida

de dispersão dada pela média dos quadrados dos
desvios em relação à média µ:
n
∑ (x i
− µ) 2
σ2 = i =1
.
n
Exemplo 2.1 – Calcule a variância da série de retornos:
x1 = 2%, x2 = 5% e x3 = 8%.
(converta os valores para 0,02, 0,05 e 0,08)
R: σ2 = 0,0006 ou 0,06%.
13
O desvio padrão é a raiz quadrada da variância:
σ = σ2 .
No exemplo 2.1, o desvio padrão é 0,0245 0u 2,45%.
Se o objetivo final for o desvio padrão, pode- se

trabalhar diretamente com os valores em percentuais
(no caso do exemplo, 2, 5 e 8).
Isto ocorre porque o desvio padrão é expresso na

mesma unidade das observações originais (no caso,
%). Esta é uma das razões pelas quais é mais usual
trabalhar com σ do que com σ2 para representar a
dispersão de uma série.
No contexto de séries financeiras, o desvio padrão é

referido como a volatilidade da série.
14

A curva mais clara (ação B) oscila em torno de
um patamar superior àquele em torno do qual Em compensação, a flutuação dos retornos da
oscilam os retornos da ação A → maior retorno ação B é maior → maior volatilidade.
esperado.
RETORNOS DIÁRIOS DE 2 AÇÕES
12
10
8
6
4 Ação A
2
Ação B
0
1
13
17
21
25
29
33
37
41
45
49
-2
-4
-6
-8
média da
média da DIAS
ação B
ação A
Forma alternativa para o cálculo de σ2:

n
∑x 2
i
σ2 = i =1
− µ2.
n
Uma hipótese usual sobre retornos financeiros é que,
no longo prazo, sua média seja zero.
n
Neste caso, considera-se a seguinte ∑x 2

i
aproximação para a variância: σ2 ≅ i =1
.
n
15
Hipóteses Estatísticas
Uma hipótese estatística é uma afirmação a respeito

de um parâmetro da população.
Exemplo 2.2 - Imagine a seguinte hipótese sobre os

alunos desta turma (supostamente grande): “µ (que
representa a altura média dos alunos da turma toda) é
igual a 175 cm”.
Esta hipótese de igualdade é chamada hipótese nula

e representada por H0.
Ela pode ser investigada a partir de uma

amostra (= subconjunto da população).
16
Se a amostra fornecer evidência contra H0 (por exemplo,

uma média amostral muito grande ou pequena), então
deve-se tomar a decisão de rejeitar esta hipótese.
Neste caso, aceitamos uma hipótese que é chamada de

alternativa, denotada por H1.
H1 contradiz o que se afirma em H0.

No exemplo, teríamos H1: µ ≠ 175.
O Erro Tipo I é aquele que consiste em rejeitar H0,

quando ela é verdadeira.
A probabilidade de cometer este erro é denotada por

α, e se chama nível de significância. Ela é fixada a
priori, em um destes três valores: 0,01, 0,05 ou 0,1.
17
Testes de Hipóteses
O nível de significância mais usual é 0,05.
Há 3 métodos para testar hipóteses: intervalo de

confiança, região crítica e p-valor.
Porém, para testar hipóteses associadas a um

modelo econométrico estimado (por exemplo, uma
regressão linear), a partir da saída de um software
(por exemplo, o Excel), o método mais adequado é
o do p-valor.
Testes de Hipóteses
Para testar hipóteses a partir do p-valor, aplica-se a

seguinte regra de decisão:
Se p-valor ≤ α ⇒ rejeitamos H0
se p-valor > α ⇒ não rejeitamos H0
18
Covariância e Correlação
A covariância é uma medida que fornece o sinal

de uma relação linear entre X e Y.
Fórmula da covariância de uma amostra:
∑ (X i − X )(Yi − Y )
SXY = i =1
.
n −1
Exemplo 2.3 – Seja uma amostra de 3 alunos cujos

números X de faltas a um curso e notas Y obtidas em
uma prova são:
X Y
Aluno 1 4 3
Aluno 2 4 4
Aluno 3 1 8
Calcule a covariância entre as faltas e as notas dos

alunos.
R: SXY = -4,5.
19
SXY > 0: SXY < 0: SXY = 0:
Uma medida da força desta relação é dada pelo

coeficiente de correlação.
Coeficiente de Correlação
O coeficiente de correlação é um número entre -1 e

1, que mede a força da associação linear entre X e
Y.
Fórmula da correlação de uma amostra:
SXY
rXY = .
SX SY desvios
-padrão
20
Interpretação da Correlação
Se a relação linear entre X e Y for positiva (negativa), a

correlação está entre 0 e 1 (-1).
Neste caso, quanto maior a intensidade da

associação, mais próximo ρXY está de 1 (-1).
Por exemplo, um coeficiente de correlação igual a 0,95

(-0,1) indica uma relação linear positiva (negativa) e
forte (fraca) entre X e Y.
Um ponto importante a ser recordado é que uma

correlação alta reflete apenas uma relação
matemática, não significando que necessariamente
uma variável causa a outra.
Exemplo 2.3 - Uma correlação alta entre vendas de

cerveja e suicídios por afogamento deve significar
que as pessoas costumam se afogar porque
“encheram a cara” de cerveja?
21
Distribuição Normal
Exemplo 2.4 - Seja uma v.a. X que siga distribuição

Normal, com média µ = 170 e desvio padrão σ = 5.
Qual a probabilidade de que X esteja situada entre

170 e 172,3 cm?
Solução: Para calcular a probabilidade solicitada,

usaremos a tabela Normal.
A tabela Normal não fornece diretamente as

probabilidades associadas à v.a. X de interesse, mas
sim à v.a. Z, definida a partir da seguinte
transformação de X:
X −µ
Z= .
σ
Esta v.a. é chamada Normal Padrão.
22
P(170 < X < 172,3) =

 170 − µ X − µ 172,3 − µ 
P < < =
 σ σ σ 
 170 − 170 172,3 − 170 
P <Z< =
 5 5 
= P(0 < Z < 0,46).
P(0<Z<0,46) é encontrada na tabela, conforme

ilustrado no slide seguinte.
23
Seja zα o valor de uma variável aleatória Normal

padrão, tal que P(Z ≥ z) = α.
Alguns valores importantes de zα são:

z0,005 = 2,575
z0,01 = 2,33
z0,025 = 1,96
z0,05 = 1,645
z0,1 = 1,28
Vamos exemplificar como achar z0,025
Para encontrar z0,025, deve-se buscar na tabela o valor

k correspondente à probabilidade 0,475:
k
Assim: z0,025 = 1,96.
24
3. REGRESSÃO LINEAR SIMPLES E

MÚLTIPLA
Correlação x Regressão
Quando estudamos a correlação entre duas variáveis,

não pensamos na eventual relação de
causalidade (causa → efeito) entre elas.
Na análise de regressão, isto é importante.
Pressupõe-se que o comportamento de uma das variáveis

(X) possa explicar - ao menos de forma parcial - o
comportamento da outra (Y).
25
A relação de associação entre X e Y pode então ser

representada pela função:
Y = β0 + β1X,
sendo β0 o intercepto e β1 a inclinação.
Se a relação acima fosse perfeita, poderíamos, a partir do

valor de X, determinar o valor exato de Y.
Na prática, entretanto, a relação linear entre X e Y

não será perfeita.
Isto é, se X for a renda de uma família, o gasto com

alimentação Y desta família não será necessariamente
Y = β0 + β1X.
É para isto que serve o termo de erro, que aqui

será designado pela letra ε.
26
Modelo de Regressão Linear
Y = β0 + β1X + ε
Y é a variável dependente
X é a variável explicativa
β0 e β1 são os parâmetros do modelo
ε é o erro, que representa todos os demais fatores que
podem influenciar Y, além de X.
Reta de Regressão (Teórica)
Representa o valor esperado de Y em função de X

(supõe-se que E(ε) = 0):
E(Y) = β0 + β1X
Os parâmetros β0 e β1 precisam ser estimados

(veremos um método para isto).
27
Interpretação do Intercepto β0
Se fizermos X = 0 na reta de regressão:
E(Y) = β0
β0 representa o valor esperado de Y, quando X

assume o valor zero.
Interpretação da Inclinação
β1 é a variação esperada em Y quando X varia uma

unidade.
28
Prova: considere que X aumente uma unidade

(X → X+1), e analisemos o efeito sobre Y.
Seja Y1 o valor de Y em resposta a X:
Y1 = β0 + β1X + ε1,
e seja Y2 o valor de Y em resposta a (X+1):
Y2 = β0 + β1(X+1) + ε2.
Fazendo ∆Y = Y2-Y1
(variação em Y), temos:
∆Y =
[β0 + β1(X+1) + ε2] - (β0 + β1X + ε1) =

β0 + β1X + β1+ ε2 - β0 - β1X - ε1 =
β1 + ε2 - ε1.
29
Mas E(ε1) = E(ε2) = 0, e assim:
E(∆Y) = β1.
Ou seja, β1 é, de fato, a variação esperada em Y,

quando X varia uma unidade.
Reta de Regressão Estimada/Ajustada
As estimativas de β0 e β1 serão utilizadas para obter a

reta estimada ou ajustada:
Ŷ = βˆ 0 + βˆ 1X
estimativa de E(Y) = previsão de Y.
30
Resíduos
Os resíduos da regressão são definidos da

seguinte forma:
{εˆ i = Yi − Ŷi , i = 1, 2, ..., n}
i-ésima Ŷi = βˆ 0 + βˆ 1X i
observação de Y
É imediato notar que, quanto menores os resíduos,

melhor será o modelo.
Esta é a idéia do método dos mínimos quadrados

ordinários (MQO), utilizado para estimar os
coeficientes β0 e β1 do modelo.
31
Estimação dos Coeficientes por MQO
O método dos Mínimos Quadrados Ordinários (MQO)

consiste em obter as estimativas de β0 e β1 que
minimizam a soma dos quadrados dos resíduos:
n
∑ εˆ i2 ,
i =1
o que resulta nas seguintes fórmulas:
Estimativas de MQO de β0 e β1
n
∑(Xi − X)(Yi − Y) SXY ˆ
βˆ1 = i=1 n
= 2
, β0 = Y − βˆ1X.
SX
∑(Xi − X)2
i=1
a estimativa de β1 não é igual à correlação amostral (rXY),

mas tem o mesmo sinal dela
32
Exercício 3.1
Sejam 3 alunos cujos números X de faltas e notas Y na

prova foram:
X Y
Aluno 1 4 3
Aluno 2 4 4
Aluno 3 1 8
Estime um modelo de regressão para explicar Y a

partir de X.
R : Ŷ = 9,5 − 1,5X.
Exemplo 3.1
O seguinte modelo (excel) relaciona Y = gasto com
alimentação e X = renda semanal de uma amostra de 40
famílias:
Estatística de regressão
R múltiplo 0,937608458 Dados no arquivo
R-Quadrado 0,879109621
R-quadrado ajustado 0,875928295 ALIM_RENDA.xlsx
Erro padrão 4,81040437
Observações 40
ANOVA
gl SQ MQ F F de significação
Regressão 1 6394,37439 6394,374 276,3343605 5,02495E-19
Resíduo 38 879,319628 23,13999
Total 39 7273,69402
Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores

Interseção -13,3248381 4,45111079 -2,993598 0,004827374 -22,33564114 -4,314035109
Variável X 1 0,515720938 0,03102397 16,62331 5,02495E-19 0,452916199 0,578525676
33
a) O que a reta de regressão ajustada permite concluir

para famílias que ganham R$ 100,00?
R: O gasto médio com alimentação de famílias com esta
renda, ou o gasto esperado com alimentação para
famílias com esta renda é:
Ŷ = −13,3248 + 0,5157 *100 = 38,24.
b) Se a renda familiar aumenta R$1,00, o que ocorre com

o gasto com alimentação?
R: Espera-se que o gasto com alimentação aumente

R$0,5157, ou: o gasto esperado com alimentação
aumenta R$0,5157.
Obs - se a renda aumenta R$100,00, o gasto esperado com

alimentação aumenta R$51,57.
34
R² ou Coeficiente de Determinação
Uma das quantidades mais importantes na análise de

um modelo de regressão é o R2.
Ele informa qual a proporção da variação total de Y que

o modelo consegue explicar.
Identificando o R2 no exemplo 3.1:
R múltiplo 0,937608458
R2
R-quadrado ajustado 0,875928295 O modelo consegue
Observações 40 explicar 87,91% da
variação de Y (bastante).
ANOVA
Regressão 1 6394,37439 6394,374 276,3343605 5,02495E-19
Resíduo 38 879,319628 23,13999
Total 39 7273,69402
O R 2 éCoeficientes
igualErroao quadrado
padrão Stat t valor-P da95%
correlação
inferiores 95% superiores
Interseção -13,3248381 4,45111079 -2,993598 0,004827374 -22,33564114 -4,314035109
Variável X 1 0,515720938 0,03102397 16,62331 5,02495E-19 0,452916199 2
0,578525676
amostral, denotada por rXY , daí o nome R .
35
Teste de Significância
O teste da significância da estimativa de β1 é:
H0: β1 = 0 x H1: β1 ≠ 0.
Este teste é também chamado de teste de significância da

regressão, pois se β1 = 0:
Y = β0 + ε ⇒ não há relação linear entre Y e X.
Estatística de regressão p-valor do teste de H0: β1 = 0 x H1: β1

R múltiplo
R-Quadrado
0,937608458
0,879109621
≠ 0. Como o p-valor é menor do que
R-quadrado ajustado 0,875928295 α = 0,01 (e, portanto, do que 0,05 e
Observações 40 0,1), rejeita-se H0 aos níveis usuais.
ANOVA
Regressão 1 6394,37439 6394,374 276,3343605 5,02495E-19
Resíduo 38 879,319628 23,13999
Total 39 7273,69402

Interseção -13,3248381 4,45111079 -2,993598 0,004827374 -22,33564114 -4,314035109
Variável X 1 0,515720938 0,03102397 16,62331 5,02495E-19 0,452916199 0,578525676
36
CAPM – Capital Asset Pricing Model
Proposto por William Sharpe, em 1964.
Primeiro, uma definição importante: o prêmio de risco

de um ativo é a diferença entre o valor esperado de seu
retorno Y e o retorno de um investimento sem risco rf:
E (Y) − rf .
RETORNOS DIÁRIOS DE 2 AÇÕES
12
10
8
6
4 Ação A
2
Ação B
0
1
13
17
21
25
29
33
37
41
45
49
-2
-4
-6
-8
média da
média da DIAS
ação B
ação A
37
Seja X o retorno de uma carteira de mercado. O CAPM

estabelece a seguinte relação entre o prêmio de risco
de um ativo e o prêmio de risco do mercado:
retorno livre
de risco
E(Y) − rf = β(E(X) − rf ).
beta do ativo retorno esperado

retorno
do mercado
esperado
do ativo
O beta mede o risco de mercado (ou sistemático) do ativo,

ou seja, a parcela do risco que a diversificação não elimina.
- Se β = 1, o ativo acompanha o mercado.

- Se β > 1, o ativo é muito sensível às variações do mercado
⇒ ativo agressivo.
- Se β < 1, o ativo é pouco sensível às variações do mercado
⇒ ativo defensivo.
38
Exemplo 3.2 - Em certo mercado, a taxa livre de risco é

4%, o prêmio de risco de mercado é 8,6% e as ações das
empresas de determinado setor possuem beta 1,3. Com
base no CAPM, qual o prêmio de risco e o retorno
esperado das ações deste setor?
R: respectivamente 11,18 e 15,18%.
Na prática, o que realmente interessa é o beta.
Para estimar o beta, deve-se representar o CAPM na

sua forma estimável, chamada Modelo de Mercado
(Market Model):
(Y-rf) = α + β(X-rf) + ε.
Como vimos, a teoria indica que α = 0, portanto, em

geral, cairemos em uma regressão pela origem, no
qual β1 é o β.
39
Uma regressão simples dificilmente explicará bem uma

variável econômica ou financeira.
Por exemplo, será que o tamanho da família não interfere
no gasto com alimentação?
A omissão de uma variável explicativa relevante, além de

comprometer o ajuste do modelo, pode conduzir a
estimativas erradas.
Por exemplo, considere a situação do exemplo 2.3:

vendas de cerveja x suicídios por afogamento. Se
“forçarmos a barra” e estimarmos um modelo de
regressão:
a) Qual será o resultado?
b) Qual importante variável terá sido omitida?
c) O que ocorrerá quando essa variável entrar?
Uma situação como essa conduz a estimar um modelo

de regressão linear múltipla.
40
Modelo de Regressão Linear Múltipla
Y = β0 + β1X + β2X2 +...+ βkXk + ε
O que muda na interpretação dos coeficientes?
βj é a variação esperada em Y quando Xj varia uma

unidade, se as demais variáveis explicativas
permanecem constantes.
Exemplo 5.1
Seja o modelo do exemplo 3.1, ao qual agora é

incorporada a variável explicativa, X2 = tamanho da
família.
A reta de regressão estimada foi:
Ŷ = −16,38 + 0,2608X1 + 9,6512X 2 .
O coeficiente de X2 mede o impacto do tamanho da

família sobre o gasto, para famílias que possuam a mesma
renda.
41
Teste F de Significância Conjunta

O teste F para a significância conjunta das estimativas de
β1, β2, ... e βk, consiste nas seguintes hipóteses:
H0: β1 = β2 = ... = βk = 0
x
H1: ao menos um βj é diferente de zero.
No modelo de regressão múltipla, o teste F é mais

confiável do que o teste t, pois é difícil isolar o impacto
individual de cada variável.
Exemplo 3.1 (cont.)

R múltiplo 0,972032693
0,941866343
R-quadrado ajustado P-valor do teste F.
Observações 40
ANOVA
Regressão 2 6872,532024 3436,266012 316,9339143 5,23538E-24
Resíduo 37 401,1619984 10,84221617
Total 39 7273,694022

Interseção -16,38292449 3,081416164 -5,316686749 5,28353E-06 -22,62646061 -10,13938837
Variável X 1 0,260849877 0,043862535 5,946985831 7,40728E-07 0,171976025 0,349723729
Variável X 2 9,651225335 1,453302236 6,640893472 8,57007E-08 6,706558169 12,5958925
Todos os coeficientes são

individualmente significantes.
42
4. PREVISÃO DE SÉRIES TEMPORAIS:

CONCEITOS E MÉTODOS
Previsão de Séries Temporais
Uma série temporal é um conjunto de observações no

tempo: {Y1, Y2, ..., YT}.
A previsão feita no instante t (origem) para k passos à

frente (horizonte) é denotada por:
Ŷt + k |t
Existem diversos métodos para fazer previsões.

A seguir, são apresentados os mais importantes.
43
Método Ingênuo
Consiste em utilizar como previsão a observação mais

recente da série, ou seja:
Ŷt +1|t = Yt
O método ingênuo é muito usado para previsão de

preços no mercado financeiro.
Exemplo 4.1
O número de itens defeituosos em uma linha de

produção foi registrado ao longo de 4 semanas,
resultando na série temporal:
Y1 = 24, Y2 = 8, Y3 = 12 e Y4 = 16.
Determine a previsão 1 passo à frente desta série,

fornecida pelo método ingênuo.
R: 16.
Que crítica óbvia pode ser feita a este método?
44
Método da Média Móvel
Consiste em utilizar como previsão as L observações

mais recentes da série, ou seja:
Yt + Yt −1 + ... + Yt −( L −1)
Ŷt +1|t = ,
L
sendo L o tamanho da janela de previsão.
Exemplo 4.2
Considere a série temporal do exemplo 4.1, repetida

a seguir por conveniência:
Y1 = 24, Y2 = 8, Y3 = 12 e Y4 = 16.
Determine a previsão 1 passo à frente desta série

utilizando o método da média móvel. Considere o
tamanho da janela L = 3.
R: 12.
45
Principal crítica ao método da média móvel:
Atribui pesos iguais a todas as observações que

pertencem à janela.
É intuitivamente mais razoável atribuir maior

importância às informações mais recentes...
Para contornar esse problema, surge o método do

amortecimento exponencial.
Amortecimento Exponencial
É o mais popular dentre os métodos de previsão.
Sua aplicação consiste em conduzir previsões a partir da

seguinte fórmula:
Ŷt +1|t = (1 − λ )Yt + λŶt|t −1 ,
reação a choques persistência
em que λ∈(0,1) é a constante de amortecimento.
46
Obs - por que o método se chama

amortecimento exponencial?
Porque é possível escrever a função de previsão do

amortecimento exponencial como uma soma ponderada
das observações passadas, cujos pesos são
exponencialmente decrescentes:
Ŷt +1|t = (1 − λ )[Yt + λYt −1 + λ2 Yt − 2 + ...].
Quanto maior λ, mais suave é o decaimento.
Problema: a aplicação da fórmula requer o

conhecimento da previsão para t = 1 dado o valor em
t= 0,
Ŷ1|0 .
Hipótese usual:
Ŷ1|0 = Y1.
47
Exemplo 4.3
Considere a série temporal dos exemplos 41 e 4.2,

repetida a seguir por conveniência:
Y1 = 24, Y2 = 8, Y3 = 12 e Y4 = 16.
Determine a previsão 1 passo à frente desta série

utilizando o método do amortecimento exponencial.
Considere a constante de amortecimento λ = 0,25.
R: 15.
Previsão para k passos à frente (k>1)
Para a previsão 2 passos à frente, utiliza-se a previsão

1 passo à frente no lugar de yt+1, e calcula-se a
previsão (em t+1) para t+2.
Para a previsão 3 passos à frente, utiliza-se as

previsões 1 e 2 passos à frente (já obtidas) no lugar
de yt+1 e yt+2, respectivamente, e calcula-se a previsão
(em t+2) para t+3.
E assim por diante...
48
Exemplo 4.4 - Considerando a série e os métodos adotados

nos exemplos 4.1 a 4.3, determine as previsões para t = 6,
com origem em t = 4, ou seja: Ŷ6|4 .
R:
Ŷ5|4 Ŷ6|4
Método Ingênuo 16 16
Método da Média Móvel 12 13,33
Amortecimento Exponencial 15 15
Erros de Previsão
Uma questão importante a ser respondida é: qual

método forneceu as melhores previsões?
A resposta imediata é: aquele que tiver errado

menos em relação aos valores observados.
Define-se então o erro de previsão k passos à frente:
e t + k|t = Ŷt + k|t − Yt + k .
49
Exemplo 4.5 - Considere a série e os métodos adotados

nos exemplos 4.1 a 4.3, e que as observações nos
instantes t = 5 e t = 6 tenham sido: Y5 = 17 e Y6 = 15.
Determine os erros dessas previsões.
R:
e 5|4 e 6|4
Método Ingênuo -1 1
Método da Média Móvel -5 -1,67
Amortecimento Exponencial -2 0
Medidas da Qualidade das Previsões
Se compararmos os modelos partir da média dos erros de

previsão, caímos no problema de que erros positivos e
negativos se compensam. Em particular, o método ingênuo
terá média zero.
Definem-se então as seguintes medidas de qualidade das
previsões
h = horizonte
h
máximo de
Raiz do Erro Quadrático ∑e 2
t + k|t previsão.
Médio de Previsão: RMSE = k =1
.
h h
∑e t + k|t
Erro Médio Absoluto de Previsão: MAE = k =1
.
h
50
Validação e Comparação de Previsões
O problema é que, no momento em que

efetuamos as previsões, não sabemos
(obviamente) quais serão os valores observados.
Na prática, o que se faz é separar um pedaço da

amostra, chamado de período de validação, e
calcular erros de previsão para este período.
Exemplo 4.6
Se t = {5,6} é o período de validação, para o qual as

observações (agora conhecidas a priori) tenham sido
as do exemplo 4.5, qual dos métodos saiu-se melhor
no exemplo 4.4?
R: e 5|4 e 6|4 e 52|4 e 62|4 e5|4 e 6|4 RMSE MAE
Ingênuo -1 1 1 1 1 1 1 1
MM -5 -1,67 25 2,79 5 1,67 3,73 3,33
AE -2 0 4 0 2 0 1,41 1
Conclusão: O MAE aponta empate entre método

ingênuo e AE e o RMSE aponta o método ingênuo.
51
5. MODELOS PARA PREVISÃO DE

SÉRIES TEMPORAIS
Um modelo de séries temporais nada mais é do que uma

equação que, por hipótese, tenha gerado as observações da
série.
O modelo é também chamado processo gerador da série.
52
Passeio Aleatório
O primeiro modelo que veremos é o

passeio aleatório, definido como segue:
Yt = Yt −1 + ε t .
O termo εt acima é igual ao erro do modelo de

regressão, aqui chamado de ruído branco.
Modelo Auto Regressivo (AR)
Outro possível modelo de séries temporais é:
Yt = φ0 + φ1Yt-1 + εt, t = 1, 2, ..., T.
Os parâmetros φ0 e φ1 precisam ser estimados.
Este processo é chamado autoregressivo (a idéia é que ele

pode ser encarado como a regressão da variável Yt em seu
próprio valor defasado Yt-1).
53
Função de Previsão
A função de previsão de um modelo de séries temporais é:
Ŷt + k|t = E (Yt + k | I t )
origem horizonte
em que I t é o conjunto de informação disponível

até o instante t, ou seja, I t = {Yt , Yt −1 ,..., Y1}.
Previsão de um Passeio Aleatório
Função de previsão para o passeio aleatório:
Yt = Yt −1 + ε t ⇒ Ŷt +1|t = E (Yt +1 | I t ) =

E (Yt + ε t +1 | I t ) = E (Yt | I t ) + 0 = Yt .
Conclui-se que usar o método ingênuo equivale a supôr que

a série siga um passeio aleatório.
54
Previsão de Curto Prazo do AR(1)
A função de previsão para o modelo AR(1) é:
Yt = φ0 + φ1Yt −1 + ε t ⇒ Ŷt +1|t = E (Yt +1 | I t )

= E(φ0 + φ1Yt + ε t +1 | I t ) = E (φ0 | I t ) +
φ1E (Yt | I t ) + E (ε t +1 | I t ) = φ0 + φ1Yt .
Essa previsão é chamada de curto prazo, ou ainda: média

condicional do modelo AR(1).
Exercício 5.1
Considere o modelo: Yt = 40 + 0,6Yt-1 + εt.
Se Yt-3 = 35, Yt-2 = 28, Yt-1 = 38 e Yt = 30,

obtenha as previsões para 1 e 2 passos
à frente feitas a partir do instante t.
Re spostas : Ŷt +1|t = 58 e Ŷt +2|t = 74,8.
55
Previsão de Longo Prazo do AR(1)
Pode-se provar que, se um modelo AR(1) é estacionário,

sua previsão quando k → ∞ é:
φ0
Ŷt + k|t k
→
→∞
1 − φ1
Esta previsão é chamada de longo prazo, ou média

incondicional do modelo AR(1).
Qual a previsão de longo prazo de um passeio
aleatório?
Previsão da Cotação de PETR4 para o

Final de 2017: AR(1) x Passeio Aleatório
18
17
16
15
14
13
12
11
25 50 75 100 125 150 175 200 225
PETR4 AR_1 PASSEIO_ALEAT
56
Exercício 5.2
Um modelo AR(1): Yt = 2 + 0,8Yt-1 + εt

foi ajustado a uma série de preços.
a) Se a cotação atual é R$ 7,00, seria vantajoso comprá-la

hoje, como estratégia:
a1) de curto prazo?
a2) de longo prazo?
b) O que mudaria em sua estratégia se o preço seguisse

um passeio aleatório?
Em mercados eficientes, não há oportunidades de

arbitragem, ou seja, de ganhos sem risco.
O único modelo para preços que é compatível com

esta hipótese é o passeio aleatório.
Conclui-se que, em um mercado eficiente, os

preços seguem um passeio aleatório.
Isto significa que a melhor previsão para os

retornos é zero! Esta é a razão pela qual não é
possível prever (bem) retornos financeiros.
57
6. VOLATILIDADE E MÉTODOS
PARA SUA PREVISÃO
Volatilidade - Definição
Volatilidade é um termo bastante utilizado no

mercado financeiro para representar a
incerteza ou a dispersão associada a séries de
preços ou retornos de ativos financeiros.
A volatilidade é usualmente definida como o

desvio padrão das observações de uma série
(embora alguns textos refiram-se à
volatilidade como sendo a variância da série).
58
Volatilidade - Definição
No contexto de séries temporais financeiras,

volatilidade costuma ser usada como sinônimo
de risco. Porém, rigorosamente, métricas de
risco são calculadas a partir da volatilidade.
O exemplo mais popular é o VaR (Value At Risk),

que será introduzido no capítulo 8.
Volatilidade – Aplicação
O conceito de volatilidade só tem aplicação prática

quando avaliado em conjunto com a distribuição de
probabilidade dos dados.
Somente assim é possível determinar a

probabilidade de que ocorram os eventos
específicos que realmente interessam.
(por exemplo, a perda de uma parcela do capital

investido)
59
Exemplo 6.1 - Qual a probabilidade de que se

perca R$ 1 milhão, ou mais, em uma aplicação?
Supondo retornos Normais e com média zero

(hipótese usual para o longo prazo), só
precisamos conhecer a volatilidade para
responder a questão acima.
A suposição de Normalidade é razoável,

principalmente quando se usa log-retornos.
Denotando por X o retorno do fundo, supondo que os

retornos sigam distribuição Normal com média zero
(hipótese usual para retornos), se a volatilidade é σ =
12,5%, tem-se:
P(X ≤ −10) =
 X − µ − 10 − 0 
P ≤ =
 σ 12,5 
P(Z ≤ −0,8) = P(Z ≥ 0,8)
= 0,5 − P(0 < Z < 0,8) = 0,2119.
60
A volatilidade de séries financeiras varia no tempo e

costuma apresentar uma estrutura de
dependência.
Logo, é razoável pensar em efetuar previsão de

volatilidade de retornos financeiros, ao contrário
do que ocorre no caso da média.
61
Aglomerados de Volatilidade
Agrupamentos de valores altos e baixos da

volatilidade, ou seja, uma tendência de que
dispersões baixas sigam dispersões baixas e de que
dispersões altas sigam dispersões altas.
Aglomerados de Volatilidade
Aglomerados de Volatilidade - S&P500
10,00%
8,00%
6,00%
4,00%
2,00%
0,00%
-2,00%
-4,00%
-6,00%
-8,00%
-10,00%
out-01
jan-02
abr-02
jul-02
out-02
jan-03
abr-03
jul-03
out-03
jan-04
abr-04
jul-04
out-04
jan-05
abr-05
jul-05
out-05
jan-06
abr-06
jul-06
out-06
jan-07
abr-07
jul-07
out-07
jan-08
abr-08
jul-08
out-08
jan-09
abr-09
62
Prevendo a Volatilidade
Métodos Usuais para prever a volatilidade:
1. volatilidade histórica via média móvel

2. volatilidade histórica via EWMA
3. volatilidade implícita (não será visto aqui)
Volatilidade Histórica – Média Móvel
Assume-se que a variância possa ser representada

pela média do quadrado dos retornos (o que é
razoável, dado que sua média é, por hipótese,
zero), e toma-se a raiz quadrada para obter o
desvio padrão dos retornos (em geral, no
fechamento):
1 L −1 2
σˆ t +1|t = ∑
L i =0
Yt −i .
63
Volatilidade Histórica – Média Móvel
Volatilidade Histórica PETR4
8.00%
Quanto maior a janela, mais
7.00%
“suave” a volatilidade estimada.
6.00%
5.00% 21 dias
63 dias
4.00%
126 dias
3.00% 352 dias
2.00%
1.00%
0.00%
06
07
08
09
10
11
12
06
07
08
10
11
-0
n-
n-
n-
n-
n-
n-
n-
c-
c-
c-
c-
c-
ec
Ju
Ju
Ju
Ju
Ju
Ju
Ju
De
De
De
De
De
D
Volatilidade Histórica – EWMA
Para tornar a volatilidade mais representativa das

variações recentes, seria mais adequado “amortecer”
os valores antigos e atribuir maior peso às observações
mais recentes.
Isto conduz ao método EWMA, uma forma mais

sofisticada e usual de determinar a volatilidade
histórica.
EWMA = sigla em inglês para Média Móvel com

Amortecimento Exponencial.
64
Para prever a volatilidade, primeiramente são

conduzidas previsões da variância:
σˆ 2t +1|t = (1 − λ) Yt2 + λσˆ 2t|t −1 , 0 < λ < 1.

reação a choques persistência
(em t = 1, faz - se a seguinte hipótese : σˆ 12|0 = Y12 )
A previsão da volatilidade é, então:
σˆ t +1|t = σˆ 2t +1|t .
λ é chamada constante de amortecimento.
Isto fica claro quando se desenvolve a equação para

mostrar que o quadrado dos retornos é “amortecido” à
taxa λ, obtendo-se:
σˆ 2t +1|t = (1 − λ )[Yt2 + λYt2−1 + λ2 Yt2− 2 ...]
Quanto maior λ, mais suave é o decaimento (ou mais

forte é a reação aos choques).
65
EWMA Volatilities of the CAC Index
70
A diferença da série de
60
volatilidades estimadas
50
para λ = 0,84 e para λ
40 = 0,96 é proeminente.
30
20
10
0
jan/95 jul/95 jan/96 jul/96 jan/97 jul/97 jan/98 jul/98 jan/99
Lambda=0.84 Lambda = 0.96
O RiskMetrics sugere λ = 0.94.
λ pode ser obtido via minimização do RMSE das

previsões, usando o quadrado dos retornos da
série como proxy da volatilidade.
Para a maioria dos mercados:

0.75 < λ < 0.98 ⇒ elevada
persistência da volatilidade.
66
7. MODELOS PARA PREVISÃO

DE VOLATILIDADE
Métodos x Modelos
A aplicação dos métodos estudados no capítulo 6

ressente-se de fundamentação estatística ou teórica,
isto é, de um modelo subjacente.
Os modelos de volatilidade dividem-se em duas classes:
- Heterocedasticidade Condicional
(ARCH, GARCH e Extensões)
- Volatilidade Estocástica
67
Modelo ARCH
- Modelos de heterocedasticidade condicional

autoregressiva (e não “autoregressivos com
heterocedasticidade condicional”).
- Introduzidos por Engle (1982), com o objetivo de

estimar a variância da inflação.
Modelo ARCH(p)
Equação:
Yt = µ + ε t , ε t ~ N(0, σ 2t ),
Em geral, supõe-se µ = 0.
Sendo a variância do erro considerada variante no

tempo e dada por uma função linear dos quadrados dos
retornos passados, como segue:
σ 2t = α 0 + α1Yt2−1 + α 2 Yt2− 2 + ... + α p Yt2− p ,

com α0 > 0 e α1,..., αp ≥ 0.
68
Modelo GARCH
Proposto por Bollerslev e Taylor (1986), é uma forma de

generalizar os modelos ARCH.
GARCH = Generalyzed ARCH.
Ao mesmo tempo, consiste em uma formulação

alternativa e parcimoniosa dos modelos ARCH.
Modelo GARCH
Proposto por Bollerslev e Taylor (1986), é uma forma

de generalizar os modelos ARCH.
GARCH = Generalyzed ARCH.
Ao mesmo tempo, consiste em uma formulação

alternativa e parcimoniosa dos modelos ARCH.
69
GARCH(1,1)
A especificação mais comum para séries de retornos

financeiros é a do GARCH(1,1):
σ2t = α 0 + α1Yt2−1 + β1σ 2t −1.
Pode-se mostrar que o modelo GARCH(1,1) equivale

a um ARCH(∞).
IGARCH
Em séries financeiras, é comum obter α1 + β1 próximo de

1.
Quando, no GARCH(1,1), impõe-se a restrição α1 + β1 = 1,

temos o Integrated GARCH ou IGARCH.
O EWMA é um caso particular do IGARCH, em que

α0 = 0.
70
IGARCH
Na prática, o que se faz é estimar um GARCH(1,1), sem

impôr restrições. A soma dos coeficientes costuma ficar
próxima de 1.
(esse argumento, inclusive, é utilizado pelas instituições

financeiras que adotam o EWMA para previsão de
volatilidade, para justificar o uso deste método ao invés
de modelos)
Funções de Previsão
(Modelos ARCH e GARCH)
Previsão da Volatilidade via Modelo ARCH:
σˆ 2t +1|t = α 0 + α1Yt2 ,
σˆ t +1|t = σˆ 2t +1|t .
Previsão da Volatilidade via Modelo GARCH:
σˆ 2t +1|t = α 0 + α1Yt2 + β1σˆ 2t|t −1 ,
σˆ t +1|t = σˆ 2t +1|t .
71
Exercício 7.1
Uma ação apresentou os seguintes retornos nos últimos

2 dias: Y1 = 0,5%, Y2 = 0,2%.
Determine a previsão da volatilidade para amanhã (t = 4)

com base em um GARCH(1,1).
Os parâmetros estimados foram: α1 = 0,04 e α2 = 0,96.
R: 0,2436%.
Modelos de Volatilidade Estocástica
• Variância não é função determinística de retornos

passados. Sua evolução no tempo é governada por um
modelo com termo de erro.
• O modelo seminal nesta classe é o AR(1)-SV (Harvey,

Ruiz e Shephard, 1994), em que o log da variância
segue um modelo AR(1).
• Esses modelos envolvem teoria avançada de

estimação, e não são abordados neste curso.
72
8. INTRODUÇÃO AO VALOR
EM RISCO (VAR)
Valor em Risco (VaR) – Definição
É a perda máxima (em valores monetários ou

em percentual) associada a uma posição
financeira (ex.: posição comprada em uma
carteira de ações), com uma determinada
probabilidade e para um período especificado.
Exemplo 8.1 - Um VaR de R$ 100.000,00, com

probabilidade 5%, para 1 dia significa que a
probabilidade de uma perda maior que R$
100.000,00, no horizonte de 1 dia, é de 5%.
73
Valor em Risco (VaR) – Interpretação
Interpretação: supondo que a posição não se

altere e que a estimativa do VaR permaneça
constante, espera-se que, em apenas 1 a cada 20
dias (5%), a perda supere R$ 100.000,00.
Este exemplo ilustra o VaR em valores monetários.
Outra forma de pensar o VaR é em termos da

variação máxima de preço, isto é, de retornos.
No caso de retornos financeiros, a definição

permanece, trocando R$ 100.000,00 por x%.
Exemplo 8.2 - Um VaR de 10%, com probabilidade 5%,

para 1 dia significa que a probabilidade de um retorno
inferior a -10% em um dia é de 5%.
74
O VaR é uma métrica para exposição ao risco largamente

aceita pelo mercado financeiro.
Foi proposta originalmente pelo banco JP Morgan em

1994, em um famoso documento chamado Risk Metrics.
O VaR não mede o valor máximo que se pode perder, e

sim o valor a partir do qual a probabilidade de perder é
bem pequena.
Valor em Risco (VaR) – Cálculo
Para calcular o VaR, utiliza-se a volatilidade

obtida por meio de algum dos métodos ou
modelos apresentados nos capítulos 6 e 7.
Exemplo 8.3 – Obtenha o VaR de 5% para 1 dia,

associado a um ativo cuja volatilidade dos
retornos, no período, seja 2% e cuja média seja,
por hipótese, igual a zero.
(obs – é necessário supor Normalidade)
75
Solução – temos ~ 0, 2 e queremos

obter tal que: 0,05
Padronizando: 0,05.
Da tabela, , 1,645, e assim:
1,645, ou seja: 3,29.
Solução: sendo X o retorno desse ativo, temos que esta

v.a. segue distribuição Normal com média µ= 0 e
desvio padrão σ = 2.
Para obter o Var, temos que resolver a equação: P(X ≤ -

VaR) = α = 0,05.
Padronizando: P( X ≤ − VaR ) = 0,05
 − VaR − 0 
P Z ≤  = 0,05.
 2 
76
Por definição, sabe-se que P(Z ≥ z0,05) =

0,05. Da tabela, z0,05 é igual a 1,645.
Como a Normal padrão é simétrica em torno

de zero, tem-se que: P(Z ≤ -1,645) = 0,05.
Assim:
− VaR − 0
= −1,645 ⇒ − VaR = −1,645 * 2
2
⇒ − VaR = −3,29 ⇒ VaR = 3,29 .
Interpretação: o VaR de 5% para 1 dia é de 3,29%,

ou seja, a probabilidade de um retorno igual ou
inferior a -3,29% é de 5%.
Para obter o VaR em valores monetários, é

necessário conhecer o montante investido.
Se hoje foram comprados R$ 1.000.000,00 do

ativo, o VaR é R$ 32.900,00 (1.000.000*3,29), isto
é: a probabilidade de perder R$ 32.900,00 ou
mais, de hoje para amanhã, é de 5%.
77
Da resolução do exemplo 8.3, temos que o VaR

pode ser obtido diretamente pela fórmula:
VaR = -µ + zασ,
em que σ é a volatilidade estimada para o período

e zα é tal que P(Z ≥ zα) = α, sendo Z ~ Normal(0,1).
Por exemplo:
Para α = 0,01 ⇒ z0,01 = 2,33. Para α = 0,05 ⇒ z0,05

= 1,645. Para α = 0,1 ⇒ z0,1 = 1,28.
Exercício 10.1
Um investidor assume uma posição de R$

100.000.000,00 comprado em ações da empresa X, cuja
volatilidade diária, estimada a partir de um GARCH(1,1),
foi de 0,4%.
Obtenha o VaR de 1% para 1 ano (252 dias úteis), se a

rentabilidade esperada das ações da empresa X, para
este período, é de 6%.
R: VaR = 8,79% ou 8,79 milhões de reais.

Apostila FGV - Econometria

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila FGV - Econometria

Enviado por

Direitos autorais:

Formatos disponíveis

3

Econometria significa “medida econômica”.

Em um sentido mais amplo, econometria é ciência que

Pode ser encarada como uma sub-área

Exemplo 1.1 - Seja Y o gasto de um indivíduo com um bem

Modelos econômicos orientam escolhas, análises e

Especificar esses modelos de forma realista demanda um

No exemplo 1.1, o modelo proposto é muito ingênuo,

Especificar modelos econômicos teoricamente

Entretanto, para a maioria dos problemas de decisão na

É necessário quantificar esta relação.

Ou, em outras palavras, medir o quanto uma

Aqui entra o econometrista!

Para avaliar e mensurar relações entre variáveis

Um modelo econométrico incorpora ao modelo

Modelo Econômico x Econométrico

Exemplo de modelo econométrico:

Este é um modelo de regressão linear, já apresentado

Coeficientes dos modelos = parâmetros.

Os parâmetros econômicos podem ser estimados a partir

No exemplo 1.1, o método usual para

As estimativas dos parâmetros podem ser

Agora que sabemos o que é econometria, o que

R: é a mesma coisa, só que relacionada a hipóteses da

Um aspecto particular da econometria financeira é a

Um interesse óbvio seria a previsão do preço

A econometria ajuda a compreender de maneira

Um passo preliminar é compreender

É a variação (relativa ou percentual) do

(para a forma percentual, basta multiplicar

Retorno Logarítimico ou Log-Retorno

É a forma mais comum para se calcular o retorno de um

(para a forma percentual,

O log-retorno é uma aproximação, baseada no

Por Que Trabalhar com Log-Retornos?

1) Se a variação de preços entre t-1 e t é baixa (o que

2) O log-retorno composto (entre 1 e t):

Por Que Trabalhar com Log-Retornos?

Por Que Trabalhar com Log-Retornos?

3) O ajuste à distribuição Normal é usualmente melhor

O uso da distribuição Normal facilita bastante a

Qualquer tentativa de prever retornos no longo prazo

Porém, os quadrados dos retornos de séries financeiras

Há muita estatística nestas análises.

Variância e Desvio Padrão

A variância de um conjunto de dados é uma medida

Variância e Desvio Padrão

O desvio padrão é a raiz quadrada da variância:

No exemplo 2.1, o desvio padrão é 0,0245 0u 2,45%.

Se o objetivo final for o desvio padrão, pode- se

Variância e Desvio Padrão

Isto ocorre porque o desvio padrão é expresso na

No contexto de séries financeiras, o desvio padrão é

Variância e Desvio Padrão

Variância e Desvio Padrão

Forma alternativa para o cálculo de σ2:

Neste caso, considera-se a seguinte ∑x 2

Uma hipótese estatística é uma afirmação a respeito

Exemplo 2.2 - Imagine a seguinte hipótese sobre os

Esta hipótese de igualdade é chamada hipótese nula

Ela pode ser investigada a partir de uma

Se a amostra fornecer evidência contra H0 (por exemplo,

Neste caso, aceitamos uma hipótese que é chamada de