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:

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

(1)

onde:

= desvio-padro dos retornos dos ativos = mdia dos retornos do ativo i

ri = retorno 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:

t2 =

1 M

R
i =1

2 t i

(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: t2 = t21 + (1 )rt 2 (3) 1
01 onde:

2 = varincia dos retornos no instante t

= fator de decaimento

rt 2 1 = quadrado do retorno observado no instante t-1

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: Rt = c + t (o retorno em t igual a uma constante acrescida do erro residual do modelo em t),

E ( t ) = 0 ,

E ( t2 ) = 1 ,

E ( t2 \ I t 1 ) = t2 , I t 1 (informaes disponveis em t-1),

t2 = 0 +

i =1 i

2 t i

(4)

Para esse modelo ser bem definido e a varincia condicional ser positiva, as restries paramtricas devem satisfazer 0 > 0 e i > 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:

t2 = 0 + i t2i + j tq j
i =1 j =1

(5)

onde as restries so dadas por: i >0, i = 1,2,.....q ;

2 t

> 0 , j = 1,2,....,p e i + j < 1 . Assim

sendo, 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: t2 = 0 + 1 t21 + 1 t21 , (6)

O coeficiente 1 mede a extenso em que um choque no retorno hoje afeta a volatilidade do retorno do dia seguinte. A soma (1 + 1 ) 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( t2 ) = 0 + i t21 + j ln( t2 j ) (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 GJRGARCH (1,1), dado pela equao: t2 = 0 + 1 t21 + 1 t21 + d t 1 t21 (8) = 0, no onde: d t 1 varivel dummy, tal que d t 1 =1, se t 1 < 0 e dt 1 = 0, se t 1 > 0. Se 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 = y t xt , a funo 1 1 exp ( y t xt ) 2 verossimilhana escrita como: FV = (9) 2 n/2 2 (2 ) 2 Expressando-se a funo (9) em log-verossimilhana, tem-se:

n n 1 ln( FV ) = ln(2 ) ln( 2 ) 2 2 2 2

( y

xt ) 2

(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, 307327. 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.