Baixe o app para aproveitar ainda mais
Prévia do material em texto
AULA 8 - SÉRIES TEMPORAIS FINANCEIRAS Susan Schommer Econometria III - IE/UFRJ Séries temporais financeiras I Dada a importância da volatilidade do retorno em várias decisões de gestão financeira, houve grandes esforços para fornecer boas estimativas em tempo real e previsões da volatilidade atual e futura. I Uma caracteŕıstica complicadora é que, ao contrário do retorno, as realizações reais da volatilidade do retorno não são diretamente observáveis. I Uma abordagem comum para lidar com a volatilidade do retorno são os modelos de heterocedasticidade condicional - ARCH Volatilidade I A volatilidade é um dos parâmetros de maior relevância no apreçamento de ações. I A volatilidade em séries financeiras não é constante ao longo do tempo, tendo assim um comportamento heterocedástico. I As caracteŕısticas da volatilidade podem ser modeladas por processos heterocedásticos condicionais ARCH (Autoregressive Conditional Heterocedasticity) introduzida por Engle(1982) e sua extensão GARCH (Generalized ARCH) proposto por Bollerslev (1986). Modelos I Nós usamos o modelo ARMA para média condicional I Nós usamos o modelo ARCH para variância condicional I Modelos ARMA e ARCH podem ser usados juntos para descrever ambas média e variância condicional Preço e retorno I Seja pt o preço do ativo financeiro (por exemplo uma ação). Então o retorno é rt = pt − pt−1 pt−1 Variância condicional I Um ativo é arriscado se seu retorno é volátil (mudando muito com o tempo) I Em estat́ıstica usamos variância para medir a volatilidade (dispersão), e então o risco I Estamos mais interessados em variância condicional, denotada por var(rt|rt−1, rt−2, ...) = E(r2t |rt−1, rt−2, ...) porque queremos usar o histórico passado para prever a variação. I A última igualdade é válida se E(rt|rt−1, rt−2, ...) = 0, o que é verdade na maioria dos casos. Agrupamento de volatilidade I Um fato estilizado sobre o mercado financeiro é o “agrupamento de volatilidade”. Ou seja, um peŕıodo volátil tende a ser seguido por outro peŕıodo volátil ou peŕıodos voláteis são geralmente agrupados. I Intuitivamente, o mercado se torna volátil sempre que uma grande not́ıcia vem, e pode levar vários peŕıodos para o mercado digerir as not́ıcias I Estatisticamente, o agrupamento de volatilidade implica variância condicional: grande volatilidade (variância) hoje pode levar a grande volatilidade amanhã. I O processo ARCH tem a propriedade de variáveis com variância condicionais no tempo e, portanto, pode capturar o agrupamento de volatilidade Processo ARCH(1) I Considere uma processo autoregressivo condicional a heterocedasticidade de primeira ordem ARCH(1) yt = σtet em que et é um rúıdo branco com média zero e variância um. σt = √ ω + α1y2t−1 em que yt é o retorno, e é assumido aqui ser um ARCH(1) Processo ARCH(1) tem média zero I A média condicional (dado o passado) de yt é E(yt|yt−1, yt−2, ...) = E(σtet|yt−1, yt−2, ...) = σtE(et|yt−1, rt−2, ...) = σt ∗ 0 = 0 I Então pela lei de expectativa iterada a média não condicional é E(yt) = E[E(yt|yy−1, yy−2, ...)] = E[0] = 0 Tal que o processo ARCH(1) tem média zero. Processo ARCH(1) é não correlacionado I Usando a mesma lei de expectativa iterada podemos mostrar que E(ytyt−1) = E[E(ytyt−1|yt−1, yt−2, ...)] = E[yt−1E(yt|yt−1, yt−2, ...)] = E[yt−1 ∗ 0] = 0 I Então a covariância entre yt e yt−1 é cov(yt, yt−1) = E(ytrt−1)− E(yt)E(yt−1) = 0 De forma similar podemos mostrar que cov(yt, yt−1) = 0, ∀j ≥ 1 I Assim sendo não podemos prever yt usando o histórico. O y2t pode ser previsto I Para ver isso, note que a variância condicional de yt é dada por var(yt|yt−1, yt−2, ...) = E(y2t |yt−1, yt−2, ...) = E(σ2t e 2 t |yt−1, yt−2, ...) = σ2tE(e 2 t |yt−1, yt−2, ...) = σ2t ∗ 1 = σ2t I Tal que σ2t representa a variância condicional, no qual por definição é uma função do seu histórico σ2t = ω + α1y 2 t−1 e assim sendo podemos prever usando y2t−1 Estimação MQO I Note que temos E(y2t |yt−1, yt−2, ...) = ω + α1y2t−1 I Isso implica que nós podemos estimar ω e α1 fazendo a regressão de y2t com o intercepto e y 2 t−1 I Isso implica que y2t segue um processo AR(1). Variância não condicional e estacionariedade I A variância não condicional de yt é obtida via a lei de expectativa iterada var(yt) = E(y 2 t )− [E(yt)]2 = E(y2t ) = E[E(y2t |yt−1, yt−2, ...)] = E[ω + α1y 2 t−1] = ω + α1E[y 2 t−1] I Se o processo é estacionário temos que E(y2t ) = E(y 2 t−1) = σ 2 isso implica que E(y2t ) = ω 1− α1 se 0 < α1 < 1 I Junto com a covariância e média zero, isso prova que o processo ARCH (1) é estacionário. Variâncias condicional e não condicional I Seja σ2t = var(yt). Podemos mostrar que σ2t = ω 1− α1 implica que ω = σ2(1− α1) colocando dentro de σ2t = ω + α1y 2 t−1 temos σ2t = σ 2 + α1(y 2 t−1 − σ2) tal que a variância condicional é uma combinação de variância não condicional, e o desvio do erro quadrado de seu valor médio. Processo ARCH(p) I Nós obtemos o processo ARCH(p) se y2t segue um processo AR(p) σ2t = ω + p∑ i=1 αiy 2 t−i Processo GARCH(1,1) I Podemos ter o caso em que p precise ser muito grande para capturar toda a correlação serial em y2t . I O ARCH generalizado ou GARCH é uma alternativa para ARCH(p) e descrito como σ2t = ω + αy 2 t−1 + βσ 2 t−1 I Um modelo GARCH(p,q) inclui termos p ARCH e q termos GARCH. Estacionariedade GARCH(1,1) I A variância não condicional para o GARCH(1,1) é var(yt) = ω 1− α− β se a seguinte condição de estacionaridade for 0 < α+ β < 1 I Dizemos que o processo GARCH(1,1) é estacionário se a condição acima for satisfeita. Exemplo GARCH(1,1) Considere a série temporal do IBOVESPA mensal para o peŕıodo de agosto de 1994 à agosto de 2019. Vamos calcular a série de retornos e ajustar um modelo GARCH(1,1) para o cálculo da volatilidade. 19 94 .0 8 19 96 .0 6 19 98 .0 4 20 00 .0 2 20 01 .1 2 20 03 .1 0 20 05 .0 8 20 07 .0 6 20 09 .0 4 20 11 .0 2 20 12 .1 2 20 14 .1 0 20 16 .0 8 20 18 .0 6 0 20.000 40.000 60.000 80.000 100.000 120.000 19 94 .0 9 19 96 .0 6 19 98 .0 3 19 99 .1 2 20 01 .0 9 20 03 .0 6 20 05 .0 3 20 06 .1 2 20 08 .0 9 20 10 .0 6 20 12 .0 3 20 13 .1 2 20 15 .0 9 20 17 .0 6 20 19 .0 3 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 Exemplo GARCH(1,1) No RStudio I install.packages(”fGarch”) I library(”fGarch”) I model = garchFit(˜garch(1,1), data = retibovespa, trace = FALSE) I summary(model) title: GARCH Modelling Call: garchFit(formula = ~garch(1, 1), data = retibovespa, trace = FALSE) Mean and Variance Equation: data ~ garch(1, 1) <environment: 0x6b5f070> [data = retibovespa] Conditional Distribution: norm Coefficient(s): mu omega alpha1 beta1 0.01162709 0.00021835 0.10068077 0.85660666 Information Criterion Statistics: AIC BIC SIC HQIC -2.451856 -2.402472 -2.452205 -2.432092 Estimativa do GARCH I O modelo ARCH pode ser estimado pelo método MQO e Máxima Verossimilhança (MV) , enquanto o modelo GARCH tem que ser estimado pelo método MV. I O método MV estima ω, α, β maximizando o produto de todas probabilidades. I Porque o modelo GARCH requer o método MV, você pode obter resultados altamente enganosos quando o algoritmo MV não convergem. I Lição: sempre verifique se a convergência ocorre ou não. I Você pode tentar amostra diferente ou especificação do modelo diferente quando há dificuldade de convergência Estimativa do GARCH I Na construção de modelos ARCH, um primeiro passo é tentar ajustar um modelo ARIMA, para remover a correlação serial na série, se esta existir. I Segue que, quando nos referimos a yt, estamos supondo que a série de retornos é não correlacionada ou então ela é o reśıduo da aplicação de um modelo ARIMA à série original. I Para verificar se a série apresenta heterocedasticidadecondicional, podemos aplicar o teste de Ljung-Box na série y2t . I A identificação da ordem de um modelo GARCH a ser aplicado a uma série temporal real é dif́ıcil, recomenda-se que ajuste vários modelos de baixa ordem e depois escolha o melhor se baseando em vários critérios, como AIC ou BIC, valores de assimetria e curtose, da log-verossimilhança. IGARCH I Na maioria das vezes, aplicando o modelo GARCH (1,1) à série temporal financeira real dará α+ β ≈ 1 I Este fato é chamado de efeito integrado-GARCH ou IGARCH, isto significa que y2t é muito persistente e é quase como um processo (ou raiz unitária) Modelo AR-GARCH I Podemos combinar o AR com GARCH I Por exemplo, considere a combinação AR(1)-GARCH(1,1) yt = µ+ φ1yt−1 + ut ut = σtet σt = √ ω + αu2t−1 + βσ 2 t−1 I Agora permitimos que o retorno seja previśıvel, tanto em ńıvel quanto em quadrados. Modelo ARMA-GARCH I Podemos combinar o ARMA com GARCH I Por exemplo, considere a combinação ARMA(1,1)-GARCH(1,1) yt = µ+ φ1yt−1 + θjut−1 + ut ut = σtet σt = √ ω + αu2t−1 + βσ 2 t−1 I Podemos generalizar p e q ordem
Compartilhar