Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 2
Contedo da Aula
Variveis aleatrias
Estimao da volatilidade
Estimao da covarincia
Aula 2
Variveis aleatrias
Embora os preos dos ativos financeiros possam ser observados
no presente e no passado, no possvel observar o que eles
sero no futuro. Os preos dos ativos so variveis aleatrias e
no determinsticas.
Uma varivel aleatria uma funo que associa a cada
resultado de um experimento um nmero real. O conjunto de
todos os resultados possveis de um experimento chamado de
espao amostral. Logo, uma v.a. uma funo do espao
amostral no conjunto dos nmeros reais.
Exemplo: Seja o experimento lanar uma moeda duas vezes.
Suponha que estejamos interessados no nmero de caras.
Aula 2
Variveis aleatrias
Ento podemos definir X(w) da seguinte forma:
X(w) = nmero de caras observadas nos dois lanamentos.
O espao amostral S {CC, CK, KC, KK} onde C = cara e
K = coroa. Assim, X(CC) = 2, X(CK) = X(KC) = 1 e X(KK)
= 0.
Aula 2
Variveis aleatrias
A v.a. X discreta se toma um nmero finito ou numervel de
valores, isto , se existe um conjunto finito ou enumervel de
valores {x1, x2, ... } tal que X(w) {x1, x2, ... } w S. A funo
pX(xi) definida por pX(xi) = P(X = xi), i = 1, 2, ..., chamada
funo de probabilidade de X. A funo de probabilidade
caracteriza a distribuio de X.
Exemplo: Seja o experimento lanar o dado uma nica vez.
Suponha que o dado perfeitamente equilibrado. Defina X(w) =
resultado da face superior, ento temos que P(X = 1) = P(X =
2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = 1/6.
Aula 2
Variveis aleatrias
0,20
0,15
0,10
0,05
0,00
1
Aula 2
f(x)d1P(aXb)f(x)d
X
baX
Variveis aleatrias
Aula 2
Variveis aleatrias
No estaremos mais interessados em saber a probabilidade de
um determinado resultado, mas sim em conhecer a probabilidade
do resultado estar em determinado intervalo. Tentaremos
responder questes do tipo:
Qual a chance da altura de um brasileiro, sorteado ao acaso,
ser maior que 1,50m e menor que 1,70m ?
Qual a chance do preo de uma ao de Petrobras no
fechamento de amanh ser maior que R$ 52,00 ?
Para responder a tais perguntas devemos, primeiramente,
conhecer a fdp da altura dos brasileiros e do preo da ao de
Petrobrs no fechamento de amanh.
Aula 2
P
(1,50H
1,70)h(x)d
1,570
Variveis aleatrias
Suponha que a fdp da altura dos brasileiros seja dada por h(x),
ento, a resposta da segunda pergunta
Aula 2
Distribuio Normal
Retornos S&P 2005-2015
Aula 2
10
E
(X
)
xfp(dx)
ii
X
i
1
X
Variveis aleatrias
Seja X uma v.a. discreta assumindo os valores x1, x2, ..., xn,...,
chamamos de valor esperado ou esperana matemtica ou mdia de
X ao valor
Aula 2
11
Variveis aleatrias
Podemos tambm calcular o valor esperado condicionado a um
conjunto de informaes.
Notao: E(X|F).
Exemplo: Qual o valor esperado do resultado do lanamento de
um dado, sabendo que ele par? E se for mpar?
Obs.: O valor esperado linear, isto , E[aX + b] = aE[X] + b.
Vale tambm que E[X + Y] = E[X] + E[Y].
Aula 2
12
X2E
[X
X
E
()]2
Variveis aleatrias
13
XYXE(XX)YYE(Y)
E
Variveis aleatrias
Aula 2
14
Variveis aleatrias
Aula 2
15
Variveis aleatrias
Alm disso, no mercado financeiro as estimativas de correlao
freqentemente apresentam falta de robustez.
Assim outros mtodos tm surgido com o intuito de capturar a
dependncia. Um dos mais famosos remete ao conceito de
cpulas.
Uma cpula uma maneira geral de se representar uma
distribuio multivariada de tal maneira que vrios tipos de
dependncia possam ser capturados.
Aula 2
16
Variveis aleatrias
cov(aX+c,bY+d) = abcov(X,Y)
cov(X, X) = var(X)
cov(X, Y) = cov(Y, X)
var(X + Y) = var(X) + var(Y) + 2cov(X,Y)
Cov(X, Y) = E[XY] - E[X]E[Y]
Var(X) = E[X2] - E[X]2
Aula 2
18
1
m
r,ondem.
m
n
i
m
2
2nin
i
1
i
Estimao da volatilidade
Aula 2
19
Estimao da volatilidade
Esse estimador no viesado (isto , acerta na mdia) se os
retornos dirios forem iid. Como veremos mais adiante, a
equao acima tambm representa o estimador de mxima
verossimilhana da varincia, apenas substituindo m 1 por
m no denominador, o que faz pouca diferena se m grande
(maior que 30).
Se os retornos fossem realmente iid, o valor de m deveria ser o
maior possvel a fim de minimizar o erro de estimao. No
mercado financeiro a hiptese de retornos iid nem sempre
verdadeira. Assim, ao tomar m muito grande estaramos
introduzindo dados muito antigos cuja realidade no
corresponde mais a atual.
Aula 2
20
volrn
rnt1|F
n1
nt.
Estimao da volatilidade
Aula 2
21
Estimao da volatilidade
No caso de retornos dirios, a estimativa do retorno mdio no
significativamente diferente de zero. Como estamos interessados em
estudar a varincia, vamos considerar de agora em diante que os
retornos dirios tem mdia zero. Pouco esforo necessrio para
generalizar os resultados sem essa hiptese. Alm disso, tomar
desvios em relao ao zero, produz estimativas mais acuradas da
volatilidade (Figlewski, 1997).
A equao anterior pondera igualmente todos os retornos. Uma
forma muito comum de levar em conta o fato de que os retornos
mais recentes deveriam ter uma importncia maior na determinao
da volatilidade futura consiste em considerar um processo ARCH
para a volatilidade (Engle, 1982), dando mais pesos as observaes
mais recentes.
Aula 2
22
w
r
V
w
r,
m
2
2
n
i
n
in2
1im
2
i
n
Estimao da volatilidade
Aula 2
23
m
i
1
2
2
in
1ni
Estimao da volatilidade
24
Estimao da volatilidade
O documento tcnico do RiskMetrics avaliou que entre
diferentes mercados o valor de 0,94 fornecia o menor erro de
previso em relao a varincia realizada. A varincia realizada
em um dia foi calculada como a mdia dos quadrados dos
retornos nos 25 dias subseqentes.
Quando = 1 EWMA = Mtodo Histrico Simples.
Outro mtodo de estimao consiste no uso de mxima
verossimilhana, de modo semelhante ao procedimento usado
nos modelos GARCH.
Quando V 0 temos o modelo IGARCH.
Aula 2
25
(1)
r(1)
2n2nn21i
i11n2n2i1
Estimao da volatilidade
Recursivamente, temos
Aula 2
26
Estimao da volatilidade
Vantagens da metodologia EWMA de estimao da volatilidade:
A volatilidade reage mais rapidamente a choques no
mercado.
Aps
um movimento extremo a volatilidade declina
exponencialmente a medida que o peso da observao do
choque diminui. Em contraste, o uso de mdia mvel simples
leva a mudanas relativamente abruptas no desvio padro,
uma vez que os movimentos extremos saem da amostra
considerada de forma no suavizada.
Aula 2
27
Estimao da volatilidade
0,180%
0,160%
Plat
Assimilao rpida do
movimento
extremo
Volatilidade diria
0,140%
Queda gradual da
volatilidade
0,120%
Queda brusca da
volatilidade
0,100%
0,080%
0,060%
0,040%
23/08/98
24/07/98
24/06/98
25/05/98
25/04/98
26/03/98
24/02/98
25/01/98
26/12/97
26/11/97
27/10/97
27/09/97
28/08/97
29/07/97
29/06/97
30/05/97
30/04/97
31/03/97
30/01/97
0,000%
01/03/97
0,020%
Tempo
Simples - 60 dias
Aula 2
28
Estimao da volatilidade
Uma das deficincias do modelo EWMA refere-se ao fato de que
a estrutura a termo da volatilidade plana, i.e, n + h 1|n 1 = n.
Modelos EWMA no so capazes de capturar clusters
(agrupamento) de volatilidades. De acordo como Mandelbrolt:
Large changes tend to be followed by large changes, of either
sign, and small changes tend to be followed by small changes.
Empiricamente, existe uma correlao positiva entre os
quadrados dos retornos. O termo tcnico desse fenmeno
heterocedasticidade condicional auto-regressiva.
A volatilidade tende a reverter para alguma mdia ao invs de
permanecer constante ou se mover monotonicamente ao longo
do tempo.
Aula 2
29
Estimao da volatilidade
Variao percentual diria do S&P500 2005 - 2015
Aula 2
30
2
2
2
n
n
1
n
1
r
(2
F
,1
~
N
)
0
Estimao da volatilidade
Aula 2
31
Estimao da volatilidade
Exemplo: Suponha = 0,01, = 0,95 e = 0,000001.
Tempo (n 1) Retorno (n 1)
Aula 2
Varincia n
Volatilidade n
0,00011
1,05%
15%
0,0003305
1,82%
0,0003150
1,77%
-10%
0,0004002
2,00%
32
2nh1|n
2n,o
(1
h2)h1
nde
.
Estimao da volatilidade
Aula 2
33
[
,
]
Estimao da volatilidade
Aula 2
34
L
()
1
r
1l2n
2v1ln2
e
x
p
v2r
2
m
i
im
1i2i2
i
1
Estimao da volatilidade
Aula 2
35
2
2
m
L
1
r
1
i4
i1
i2 i
()2
Estimao da volatilidade
36
|
r
ln
ln
2nn1n1n1n21
Estimao da volatilidade
37
2n
rn2
Estimao da volatilidade
Aula 2
38
m
1
1
2
covnnm
r
.
ic
n
1
n
i
2
i
ovn1(1)n121
Estimando covarincias
Para o GARCH(1,1):
Aula 2
39
Estimando covarincias
A especificao do modelo GARCH anterior para a covarincia
a forma mais simples de incorporar os efeitos heterocedsticos.
Essa verso conhecida como vech diagonal. O modelo
bastante restritivo uma vez que as volatilidades passadas no
entram na equao da covarincia atual. Ou seja, o modelo no
captura o aumento da correlao que freqentemente acompanha
o aumento de volatilidades.
A especificao completa de um modelo GARCH multivariado
envolve uma quantidade enorme de parmetros. Isto pode tornar
impossvel a estimao. Por exemplo, a matriz de covarincia de
um modelo GARCH bivariado completo
Aula 2
40
2
2
c
o1v,nn
1,nr12,n2,n1
B
ovn1
123A
,c
1
n
Estimando covarincias
Aula 2
41
H
D
t
tC
Estimando covarincias
42
rcov(nj,nj
jkj
R
n2.Rcjov(nj,k)
jk)
M
Estimando covarincias
Aula 2
43
Leitura
Alexander, C. Modelos de Mercados, 2005.
Captulos 1, 2, 3, 4 e 5.
Hull, J. Options, Futures and Other Derivatives, sixth edition,
2006.
Captulo 17.
Tsay, R. Analysis of Financial Time Series, 2005.
Captulos 1, 2 e 3.
Bollerslev, T. e outros ARCH Modelling in Finance. Journal of
Econometrics, 1992.
Bollerslev, T. Modelling the coherence in short-run nominal
exchange rates. Review of Economics and Statistics, 1990.
Aula 2
44
Leitura
Engle, R. Autoregressive conditional heteroscedasticity with
estimates of the variance of UK inflation. Econometrica, 1982.
Figlewski, S. (1997) Forecasting volatility, Financial Markets,
Institutions and Instruments (New York University Salomon
Center), 6, 1, 188.
Jorion, (2007) Value-at-Risk
Captulo 9.
Aula 2
45
Aula 2
46
68,27%
>
95,46%
99,73%
Aula 2
47
2
f(x)21
2
1
x
exp
.
Aula 2
48
Aula 2
= P[Z z]
-3
0,00135
-2
0,02275
-1
0,158655
0,5
49
Aula 2
50
1
f(x)
2
1
x
2 2
Aula 2
51
t (df = 13)
Simtrica
Caudas gordas
t (df = 5)
0
Aula 2
Z
t
52