Você está na página 1de 4

Modelos Economtricos

para Estimao da Volatilidade Condicional do Retorno de Ativos


Financeiros
Prof. Carlos Alberto Gonalves da Silva
*

Introduo
Os modelos auto-regressivos (heterocedsticos) de estimao de varincia tm origem na
observao do fenmeno de clustering, em que retornos altos tendem a ser seguidos por outros retornos
elevados, fazendo com que a varincia dos retornos apresente grande correlao serial. A fim de
incorporar esse comportamento, Engle (1982) props os modelos ARCH (Autoregressive Conditional
Heterocedasticity). Uma verso generalizada dos modelos ARCH foi proposta por Bollerslev (1986), o
chamado modelo GARCH (General Autoregressive Conditional Heterocedasticity), alm de vrias
extenses consideradas fundamentais e eficientes para caracterizarem as mudanas de varincias nas
sries temporais financeiras.
Os modelos a serem estudados neste trabalho podem ser utilizados, por exemplo, para
estimativa da volatilidade futura de ativos financeiros com propsito tanto especulativo quanto de hedge.
Modelos de Estimao de Volatilidade Condicional
Os modelos mais utilizados para o clculo da volatilidade so: desvio-padro, mdia mvel
simples, alisamento exponencial (EWMA) e modelos da famlia GARCH. A seguir, apresentada uma
abordagem sucinta das caractersticas desses principais modelos.
Desvio-Padro Histrico e Janela de Dados
A primeira medida para se mensurar a volatilidade dos retornos dos ativos realizada pelo
clculo de desvio-padro e pode ser estimada da seguinte expresso:

=
N
i
i
N
r r
1
2
1
) (
o (1)

onde:
o = desvio-padro dos retornos dos ativos
i
r = retorno do ativo i

r = mdia dos retornos do ativo i


N = tamanho da amostra
Segundo Payant (1997), o tamanho da amostra (tambm conhecido como janela) utilizada da
srie histrica afeta a validade da distribuio de probabilidade encontrada.
O clculo do estimador, utilizando toda a amostra, permite pouca adaptabilidade s informaes
mais recentes. Isso devido ao fato de que todas as observaes da amostra recebem o mesmo peso.
Para se resolver esse problema, utiliza-se, em vez de toda a amostra, uma janela mvel com um nmero
fixo de observaes, mesmo se mantendo peso igual para todas observaes utilizadas na janela, pois
consegue alguma flexibilidade, podendo controlar as observaes mais recentes pela escolha do
tamanho da janela.
Como exemplo, em estudos realizados para o clculo de volatilidade para o ndice Bovespa,
com o uso de janelas de 22, 44, 66, 126 e 252 dias teis, se observou que quanto menor for o tamanho
da janela maiores sero os picos de volatilidade. Por outro lado, quanto menor for o tamanho da janela
mais rpida ser a volta da volatilidade aos patamares anteriores.
Mdia Mvel Simples
o mtodo recomendado pelo Bank International Settlements (BIS) para modelos internos
baseados no value at risk. Trata-se de uma mdia que confere pesos iguais a todas as observaes.

*
Doutor em Cincias pela COPPE/UFRJ. Professor Adjunto do Curso de Economia da Faculdade Moraes Junior.
Utiliza-se uma janela mvel ( medida que se inclui um novo dado, elimina-se o mais antigo) com um
nmero fixo de dias: 20 ou 60 dias, por exemplo.
Considerando-se os retornos observados (Rt) nos ltimos M dias, a volatilidade estimada
obtida a partir de uma mdia mvel:

=

=
M
i
i t t
R
M
1
2 2
1
o (2)
No que se refere ao valor de M, quanto maior o horizonte a ser estimado, maior ser a
quantidade de dados que deve ser utilizada > uma alternativa tomar um perodo longo, dividi-lo em
subperodos e realizar um teste de igualdade de varincias. Caso seja rejeitada a hiptese de igualdade,
repete-se o procedimento com o subperodo mais recente, at a obteno de dois subperodos com
volatilidade estvel.
Esse mtodo deficiente tanto por incorporar com atraso choques de mercado, quanto por
causar uma persistncia indevida desses choques nos valores da volatilidade.
Mtodo de Alisamento Exponencial (EWMA)
No clculo da volatilidade pelo mtodo da janela mvel, so atribudos os mesmos pesos para
todos os retornos da srie histrica que compem a amostra, dificultando a detectao, com rapidez, de
mudanas de tendncia de comportamento da volatilidade, uma vez que atribui a mesma importncia
tanto para os retornos mais recentes quanto para os mais antigos.
No modelo EWMA, pode-se detectar com mais rapidez as mudanas nas condies do
mercado. Em vez de aplicar o mesmo peso para todos os dados observados da amostra, como feito no
mtodo da janela mvel, so atribudos, no EWMA, pesos relativamente maiores s observaes mais
recentes. O peso alocado para cada um dos dados da amostra uma funo de uma varivel que se
pode chamar de fator de decaimento.
A expresso para o clculo da volatilidade para o instante t ,utilizando-se o alisamento
exponencial, pode ser representada da seguinte maneira:
2
1
2
1
2
) 1 (

+ =
t t t
r o o (3)
0 s s 1
onde:
2
o = varincia dos retornos no instante t
2
1 t
r = quadrado do retorno observado no instante t-1
= fator de decaimento
O fator determina a taxa em que os pesos das observaes passadas decaem medida que
se tornam mais distantes.
Pode-se observar na equao (3) que o clculo da volatilidade com base no alisamento
exponencial se d atravs da combinao de dois elementos: o primeiro a estimativa da varincia do
dia anterior, que recebe o peso igual a ; e o segundo o quadrado do retorno observado no dia anterior,
que recebe o peso igual a (1-). Assim, quanto menor for o parmetro de decaimento , maior
importncia ser dada s observaes mais recentes.
Segundo Morgan (1994), no modelo EWMA, a volatilidade estimada reage mais rapidamente aos
movimentos extremos dos mercados, uma vez que as observaes mais recentes recebem maior peso.
Aps a ocorrncia desses movimentos, a volatilidade diminui gradualmente medida que os pesos
atribudos a esses movimentos decaem.
Modelo ARCH
Os modelos mais simples no consideravam o fato de a volatilidade variar com o tempo. Engle
(1982) desenvolveu um modelo denominado ARCH (Autoregressive Conditional Heterocedasticity) que
considera ser a varincia heterocedstica, ou seja, no constante ao longo do tempo. Neste modelo, a
varincia condicional uma funo linear do quadrado das inovaes passadas. Assim sendo, o modelo
ARCH (q) pode ser representado da seguinte forma:
t t
c R c + = (o retorno em t igual a uma constante acrescida do erro residual do
modelo em t),
0 ) ( =
t
E c , 1 ) (
2
=
t
E c ,
1
2
1
2
, ) \ (

=
t t t t
I I E o c (informaes disponveis em t-1),
+ =
0
2
o o
t
=

q
i
i t i
1
2
c o , (4)
Para esse modelo ser bem definido e a varincia condicional ser positiva, as restries
paramtricas devem satisfazer 0
0
> o e
i
o > 0, i = 1,2,.......,p
Os Modelos GARCH
Uma importante extenso do modelo ARCH a sua verso generalizada proposta por Bollerslev
(1986), denominada GARCH (Generalized Autoregressive Conditional Heterocedasticity). Neste modelo,
a funo linear da varincia condicional inclui tambm varincias passadas. Assim sendo, a volatilidade
dos retornos depende dos quadrados dos erros anteriores e tambm de sua prpria varincia em
momentos anteriores. A varincia dada da seguinte forma:

=

=

+ + =
p
j
q
j t j
q
i
i t i t
1 1
2
0
2
o | c o o o (5)
onde as restries so dadas por:
i
o >0, i = 1,2,.....q ; |
j
> 0 , j = 1,2,....,p e 1 < +
j i
| o . Assim
sendo,
2
t
o segue um modelo GARCH (p,q), onde q representa a ordem do componente ARCH e p a
ordem do componente GARCH.
O modelo GARCH (1,1) a verso mais simples e mais utilizada em sries financeiras.
Supondo-se que os erros so normalmente distribudos, a varincia dada por:
2
1 1
2
1 1 0
2

+ + =
t t t
o | c o o o , (6)
O coeficiente
1
o mede a extenso em que um choque no retorno hoje afeta a volatilidade do
retorno do dia seguinte. A soma ) (
1 1
| o + revela a medida de persistncia da volatilidade, ou seja, a
taxa que reflete como o impacto de um choque no retorno hoje se propaga ao longo do tempo, sobre a
volatilidade dos retornos futuros. Isso mostra que a alta persistncia o choque enfraquecer lentamente.
Modelo EGARCH
O modelo EGARCH (p,q) ou GARCH Exponencial apresentado por Nelson (1991) descreve as
diferentes respostas da taxa de retorno aos choques positivos e negativos, mas sem a necessidade de
qualquer restrio paramtricas. O modelo formalizado da seguinte maneira:
) ln( ) ln(
2 2
1 0
2
j t j t i t
+ + = o | c o o (7)
A assimetria capturada pelo coeficiente . Se < 0, um choque negativo aumentar a
volatilidade dos retornos. Se > 0, um choque positivo diminuir a volatilidade dos retornos. Se = 0,
haver ausncia de assimetria na volatilidade dos retornos. O coeficiente | indica a persistncia de
choques na volatilidade.
Modelo GJR GARCH
Glosten, Jagannathan e Runkle (1993) apresentaram um modelo denominado como GJR-
GARCH (1,1), dado pela equao:
2
1 1
2
1 1
2
1 1 0
2

+ + + =
t t t t t
d c o | c o o o (8)
onde:
1 t
d varivel dummy, tal que
1 t
d =1, se
1 t
c < 0 e
1 t
d = 0, se
1 t
c > 0. Se = 0, no haver
efeito assimtrico. A assimetria capturada pelo coeficiente que indica a influncia com que os
choques negativos apresentam impactos maiores do que os positivos sobre a volatilidade. O coeficiente
1
| mede a persistncia dos choques nas varincias futuras.
Estimao dos Modelos de Voltilidade
A estimao dos parmetros de todos esses modelos realizada com base na funo de
mxima verossimilhana condicional. Considerando a equao:
t t t
x y | c = , a funo
verossimilhana escrita como:
)
`

=

2
2 2 / 2
) (
2
1
exp
) 2 (
1
t t
n
x y FV |
o to
(9)
Expressando-se a funo (9) em log-verossimilhana, tem-se:

=
2
2
2
) (
2
1
) ln(
2
) 2 ln(
2
) ln(
t t
x y
n n
FV |
o
o t (10)
Concluso
A maioria das sries econmicas e financeiras caracterizam-se pela no- estacionaridade em
mdia, principalmente, por apresentarem movimentos de baixa e elevada volatilidade, o que dificulta ao
analista em prever o seu comportamento futuro. A volatilidade constitui uma caracterstica fundamental
nas aplicaes em Economia e Finanas, como, por exemplo, a anlise das taxas de retorno dos ativos
financeiros, a gesto de risco dos ativos financeiros, a anlise das taxas de cmbio, etc. Da o interesse
dos pesquisadores em encontrarem modelos de volatilidade, para serem utilizados na modelao e
previso da volatilidade de sries financeiras.
BIBLIOGRAFIA
Bollerslev, T. (1986); Generalized Autoregressive Conditional Heterocedasticity , Journal of Econometrics, 31, 307-
327.
Engle, R. F. (1982). Autoregressive Conditional Heterocedasticity with Estimates of the Variance of United Kingdom
Inflation. Econometrica, 50, 987-1008.
Glosten, L., Jagannathan, R., Runkle, D. (1993) On the Relation Between Expected Value and the Volatility of the
Nominal Excess Returns on Stocks. Journal of Finance 48, 1779-1801.
Morgan, RiskMetrics. Tecnhical Document. New York, 1996.
Nelson, D. B. (1991). Conditional Heterocedasticity in Asset Returns: A New Approach. Econometrica, 59, 347-370.