Professional Documents
Culture Documents
e Valor em Risco
Erick Andrade Busato
Dr. Luiz Koodi Hotta
1. Introduo
Segundo Nelsen (1999), acoplamentos podem ser vistos de duas formas:
sob um ponto de vista, acoplamentos so funes que juntam ou acoplam
funes
distribuies
conjuntas
suas
funes
distribuies
marginais.
uma
varivel
aleatria
com
funo
de
F (x) contnua. Ento, para u (0,1) , existe um valor mnimo nico x(u ) , tal que
F ( x(u )) = u . Formalmente,
x(u ) = F 1 (u ) = inf{x / F ( x) u}
(1-1)
P ( F ( X ) u ) = P ( X F 1 (u )) = F ( F 1 (u )) = u
e
1 se u 1
P( F ( X ) u ) =
0 se u < 0
(1-2)
Portanto,
1 se u 1
P ( F ( X ) u ) = u se 0 u 1
0 se u < 0
Conseqentemente,
F(X )
tem
distribuio
uniforme
em
[0,1] ,
i.e.,
P ( F 1 (u ) x) = P(U F ( x)) = F ( x)
P (h(U ) x) = P (U G ( x)) = G ( x) .
P (h(U ) = y k ) = P( p1 + L + p k 1 < U p1 + L + p k ) = p k
Portanto h(U ) uma varivel aleatria discreta com funo distribuio G (x) .
H ( x1 , x2 ,..., xn ) = P( X 1 x1 , X 2 x2 ,..., X n xn )
(1-3)
h( x1 , x2 ,..., xn ) =
n H ( x1 , x2 ,..., xn )
x1x2 ...xn
(1-4)
(1-5)
2. Funes de Acoplamentos
Suponha que se transforme o vetor aleatrio ( X 1 , X 2 ,..., X n ) componente a
componente para que ele tenha distribuies marginais Uniforme(0,1) . Se
Tn : n a n , ( x1 ,..., x n ) a ( FX 1 ( x1 ),..., FX n ( x n ))
(2-1)
H ( x1 , x 2 ,..., x n ) =
= P ( FX 1 ( X 1 ) FX 1 ( x1 ), FX 2 ( X 2 ) FX 2 ( x 2 ),..., FX n ( X n ) FX n ( x n ))
(2-2)
= C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n )
Definio 2.1: Uma funo de acoplamento definida como a funo de
distribuio conjunta
iii) para (a1 ,..., a n ), (b1 ,..., bn ) [0,1] n com a i bi tem-se que
i1 =1
i n =1
... (1)
i1 + i 2 + ... + i n
H ( x1 , x 2 ,..., x n ) = C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n ))
(2-3)
Note que a recproca desse teorema implica que podemos acoplar quaisquer
tipos de distribuies univariadas com qualquer funo de acoplamento, assim
definindo uma distribuio multivariada vlida.
Corolrio 2.1: Seja H (.) uma funo de distribuio conjunta com marginais
(2-4)
Gk ( x) = P( k ( X k ) x) = P( X k k1 ( x)) = Fk ( k1 ( x))
para todo x em , portanto
Uma
vez
que
X 1 ,..., X n
so
contnuas,
C (u) = u i = (u)
(2-5)
i =1
( u ) = min( u 1 , u 2 ,..., u n )
(2-6)
(2-7)
1 u v + C (u, v) 0
C (u , v) u + v 1. Como C (u , v) 0 ,
X =Y
quase certamente) e
e uma varivel
Simetria ( ( X , Y ) = (Y , X )) ;
(ii)
1 ( X ,Y ) 1
(iii)
( X , Y ) = 1 X , Y comonotnicas
( X , Y ) = 1 X , Y contramonotnica
(iv)
(T ( X ), Y ) = ( X , Y ) , com T crescente
(T ( X ), Y ) = ( X , Y ) , com T decrescente
(v)
( X , Y ) = 0 X , Y Independentes.
( x' , y ' ) T so ditos serem concordantes se ( x x' )( y y ' ) > 0 e discordantes caso
( x x' )( y y ' ) < 0 . Ou seja, o par ser concordante se x < x ' e y < y ' ou x > x' e
y > y ' . O par ser discordante se x < x' e y > y ' ou x > x' e y < y ' .
definiremos:
Q = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0)
Q , ento, a medida de concordncia. Pode ser mostrado que:
Q = Q(C , C ' ) = 4
[ 0 ,1]2
Definio 3.5: Uma medida nos reais de dependncia entre duas variveis
aleatrias contnuas X e Y com funo de acoplamento C uma medida de
concordncia se satisfaz as seguintes propriedades:
10
( X , Y ) = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0) ,
onde ( X , Y ) T e ( X ' , Y ' ) T so vetores aleatrios i.i.d.
( X , Y ) = 4
[ 0 ,1]2
S ( X , Y ) = P{( X X ' )(Y Y ' ' ) > 0} P{( X X ' )(Y Y ' ' ) < 0) ,
11
S ( X , Y ) = 3Q(C , ) = 12
[ 0 ,1]2
uvdC (u , v) 3 = 12
[ 0 ,1]2
C (u , v)dudv 3 , onde a
cpula independente.
3.3.3. Dependncia nas Caudas
O conceito de dependncia nas caudas relacionado com a quantidade de
dependncia na cauda do quadrante direito superior ou na cauda do quadrante
esquerdo inferior de uma distribuio bivariada, como por exemplo, a distribuio do
vetor aleatrio ( X , Y ) T .
( X , Y ) T definido como:
lim P{Y > F21 ( ) / X > F11 ( )} = U ,
12
lim
exista, ento C
1 2 C ( , )
= U
1
lim+
C ( , )
= L
medidas de
13
, e denotamos por X ~ En (, , ) .
4.1.1. Acoplamentos Gaussianos
Definio 4.2: Seja uma matriz simtrica, positiva definida, com diag( )=1 e
seja a distribuio normal
(4-1)
Onde t
(4-2)
uma funo
[ 1] : [0, ]
[0,1] , dada por:
14
[ 1]
1 (t ) se 0 t (0)
=
0 se (0) t
(4-3)
t se 0 t (0)
[ 1] ( (u )) =
(0) se (0) t
(4-4)
(4-5)
C = 1 + 4
(t )
dt .
' (t )
(4-6)
15
dk
(1)
g (t ) 0
dt k
k
(4-7)
(4-8)
Famlia
Geradora (t )
Independncia
log(t )
u1u 2 ...u n
Frank
t 1
, 0
log
1
n ( uk 1)
1
k =1
log 1 +
log( )
( 1) n 1
Gumbel-Hougaard
( log(t )) , 0
exp k =1 ( log(u k ))
Cook-Johnson
t 1, > 1
Joe
log[1 (1 t ) ], 1
1 1 k =1 1 (1 u k )
Gumbel-Barnett
1 /
u n + 1
k =1 k
n
{
[
exp{ [1
1 /
n
k =1
]}
1/
(1 log(u k )
]}
16
Varivel Coluna
Baixa
Alta
a
b
a+b
Baixa
c
d
c+d
Alta
a+c
b+d
n
Tabela 4.2 Uma tabela de contingncia 2 2
Varivel
Linha
( x, y ) =
H ( x, y )[1 F1 ( x) F2 ( y ) + H ( x, y )]
[ F1 ( x) H ( x, y )][ F2 ( y ) H ( x, y )]
(4-9)
17
=C
H (u , v)[1 u v + C (u , v)]
[u C (u , v )][v C (u , v)]
(4-10)
C (u, v) =
uv para = 1
para 1 (4-11)
Que definida para > 0 , e satisfaz as condies que definem uma funo
de acoplamento. Assim H ( x, y ) = C ( F ( x), G ( y )) a funo distribuio conjunta
entre x e y . Temos ainda que lim C = W e lim C = M .
0
H ( x1 ,..., x n ) = C ( F1 ( x1 ;1 ),..., Fn ( x n ;n ); )
(5-1)
18
h( x1 , x 2 ,..., x n ) = c( F1 ( x1 ), F2 ( x 2 ),..., Fn ( x n )) f i ( xi )
(5-2)
i =1
c(u1 ,..., u n ) =
n C (u1 ,..., u n )
u1 .u 2 ...u n
(5-3)
= (1 , 2 ,..., n , ) .
5.2. Mtodo de Mxima Verossimilhana Exata
Suponha que temos uma amostra de tamanho T de um vetor aleatrio ndimensional {( x1,t ,..., x n ,t )}Tt=1 . Seja = (1 , 2 ,..., n , ) um vetor de parmetros
onde i so os parmetros da distribuio marginal Fi , i = 1,2,...n , e o vetor de
parmetros da funo de acoplamento C .
l ( ) = ln c( F1 ( x1,t ;1 ),..., Fn ( x n ,t ;n ); ) + ln f i ( xi ,t ;i )
t =1
(5-4)
t =1 i =1
= arg max l ( )
(5-5)
19
i = arg max ln f i ( xi ,t ;i )
(5-6)
t =1
(5-7)
t =1
Definio 5.1: Seja Y1 ,..., Yn uma amostra aleatria da varivel Y , que tem
distribuiao F . A funo distribuio emprica de Y dada por
Fn ( y ) =
1
n
1{Y (, y]}
i =1
(5-8)
t = 1,2,...T ,
probabilidades,
temos:
U = FX1 ( X ) ~ U (0,1) ,
fazemos
ento
20
(5-9)
t =1
Acoplamentos Empricos
Definio 5.2: Seja uma amostra {( x1,t ,..., x n ,t )}Tt=1 = x t . O acoplamento emprico
dado por:
t 1 T
t t
C 1 , 2 ,..., n = 1{x1,t x1 (t1 ), x 2,t x 2 (t 2 ),..., x n ,t x n (t n )} (5-10)
T T t =1
T T
onde xi (t j ) , i = 1,..., n , j = 1,..., n so estatsticas de ordem e 1 t1 , t 2 ,..., t n T . Ou
seja, o acoplamento emprico a proporo da amostra que satisfazem
(5-11)
(5-12)
2
t 2
t i + 1
t t
t i + 1 t 2 i2 + 1
,
,..., n n
c 1 , 2 ,..., n = L (1) i1 +i2 +...+in C 1 1
(5-13)
T i1 =1 in =1
T
T
T
T T
21
s =
12 T T t1 t 2
C ,
T 2 1 t1 =1 t2 =1 T T
t1 t 2
2
T
(5-14)
k =
2T T T t1 1 t2 1 t1 t 2
c ,
T 1 t1 = 2 t2 = 2 p =1 q =1 T T
p q t1 q p t 2
.c , c , .c ,
T T T T T T
(5-15)
(5-16)
(onde VC calculado como no item (iii) da definio 2.2). Ento para qualquer
t [0,1] ,
K C (t ) = t
(t )
' (t )
(5-17)
22
K C (t ) pode ser interpretada como a medida abaixo da curva de nvel C(u,v)=t. Uma
estimao no-paramtrica de (5-17) dada por:
1 T
K C (t ) = 1{i t} ,
T i =1
onde i =
(5-18)
1 T
1{x1, j x1,i ; x2, j x2,i ;...; xn, j xn,i } , para i = 1,..., T .
T 1 j =1
d 2 ( K , K ) = K ( z ) K ( z ) dz
2
(5-19)
T
T
t
t
t
t
d n C , C k = L C 1 ,..., n C k 1 ,..., n
T
T
T
t1 =1 tn =1 T
(5-20)
Esta distncia pode tambm ser utilizada para estimar o vetor de parmetros
de um acoplamento dado C (u, ) da seguinte forma:
23
(5-21)
(5-22)
24
ento calcule recursivamente u m = C m1/ 1,...,m 1 (u1 ,..., u m 1 , v m ) para m = 2,..., n . Deste
modo teremos que o vetor (u1 ,..., u n ) gerado uma observao do vetor
+ AZ ~ N n ( , R ) .
A matriz A pode ser encontrada atravs da decomposio de Cholesky da
matriz R . Temos ento o seguinte algoritmo:
25
C RGa ;
6. Transforme o vetor uniforme (u1 ,..., u n ) T no vetor desejado ( x1 ,..., x n ) T , utilizando
as inversas xi = Fi 1 (u1 ) para i = 1,2,..., n .
6.4. Acoplamentos t-Student
O algoritmo para gerar observaes de um acoplamento t denotado por C t ,
apresentado a seguir:
1. Encontre a decomposio de Cholesky A da matriz R ;
2. Simule n variveis normal-padro independentes z = ( z1 ,..., z n ) T ;
3. Simule uma varivel s de uma distribuio v2 , independente de z ;
4. Faa y = Az ;
5. Faa x =
v
s
y;
C t , ;
8. Transforme o vetor uniforme (u1 ,..., u n ) T no vetor desejado ( x1 ,..., x n ) T , utilizando
as inversas xi = Fi 1 (u1 ) para i = 1,2,..., n .
6.5. Acoplamentos Arquimedianos
No caso de acoplamentos Arquimedianos, temos dois resultados que iro
nos auxiliar na construo de um algoritmo de simulao. O primeiro deles um
26
corolrio do teorema 5.1, cuja prova pode ser encontrada em Nelsen(1999), (p.
104).
C um acoplamento arquimediano gerado por . Ento a funo KC dada por (517) a funo de distribuio da varivel aleatria C(U ,V ) .
(U )
e T = C (U , V ) dada por
[(U ) + (V )]
27
C (u1 , u 2 , u 3 ) = (u1 + u 2 + u 3 ) 1 /
c(u1 , u 2 , u 3 ) =
3 1
3 C (u1 , u 2 , u 3 )
= ( + 1)(2 + 1)(u1 + u 2 + u 3 ) (u1u 2 u 3 ) 1
u1u 2 u 3
Algoritmo 1:
1. Gere 4 variveis u1 , u 2 , u 3 , v Uniforme(0,1) independentes;
2. Aceitar os valores gerados se v c(u1 , u 2 , u 3 ) . Caso contrrio, retornar ao passo
1;
3. O vetor (u1 , u 2 , u 3 ) uma observao gerada da funo de acoplamento C ;
4. Transforme o vetor uniforme (u1 , u 2 , u 3 ) no vetor desejado ( x1 , x 2 , x3 ) , utilizando
as inversas xi = 1 (u i ) para i = 1,2,3 , Onde a funo normal padro
univariada.
28
1
N3
N3
1
0
N2
-1
-1
-1
-2
-2
-2
-3
-2
-1
-3
-2
-1
N1
-2
-1
N2
N1
Grfico 6.1: 1000 observaes geradas pelo algoritmo 1, com marginais normais-padro,
= 1.
N3
-2
-2
-2
-1
-1
-1
N3
N2
-1
N1
-2
-1
1
N2
-1
N1
Grfico 6.2: 1000 observaes geradas pelo algoritmo 1, com marginais normais-padro,
= 5.
Note que quando aumentamos o parmetro , a dependncia na cauda inferior
aumenta. Quando , o acoplamento de Cook-Johnson se aproxima da
dependncia perfeita positiva.
X 1 ~ Normal (0,1)
X 2 ~ Exponencial (1)
X 3 ~ Weibull (2,2)
29
4
X3
X3
X2
-2
-1
-2
-1
X2
X1
X1
Grfico 6.3: 1000 observaes geradas pelo algoritmo 1, com marginais X1:Normal-Padro,
X2:Exponencial(1), X3: Weibull(2,2), = 5 .
0,85
1
R=
0,85 1 ,
Algoritmo 2:
v
s
y;
30
8
6
4
0
g2
rgamma(1000, 3, 1)
10
12
10
10
g1
10
12
rgamma(1000, 3, 1)
Grfico 6.4 I e II: 1000 observaes geradas pelo algoritmo 2, com marginais
g1:Gamma(3,1), g2:Gamma(3,1), no primeiro grfico, e 1000 observaes geradas
de 2 distribuies Gamma(3,1) independentes.
31
Xi
1 : retorno do portflio no perodo [i 1;1] . Assim
X i 1
32
Definimos ento :
VaR(absoluto) = R* W
VaR(relativo) = R* W + W
Estas medidas esto definidas a 100 (1-c)% de confiana.
Graficamente, temos:
p=
F
direito do suporte de F (x) , denotado por x F , e definido por xu
. Para todo x < x F temos que:
F
33
M n para obter uma distribuio limite no degenerada. Esse resultado dado pelo
seguinte teorema:
Teorema 8.1. (Fisher-Tippet). Seja ( X n ) uma seqncia de variveis aleatrias
i.i.d. Se existirem seqncias de constantes normalizadoras c n > 0 e d n , e uma
distribuio no degenerada H tal que,
M n dn d
H (8-4)
cn
d
0,
x0
exp{ x },
x > 0, > 0
Frchet: H 2, ( x) =
exp{( x) }
Weibull: H 2, ( x) =
1,
(8-6)
x 0, > 0
(8-7)
x > 0,
x dn
F n ( x ) H
cn
0, n (8-8)
34
Para alguma H .
Definio 8.1. (Domnio de atrao).
exp{(1 + y ) } se 0
(8-9)
H ( y) =
exp{ exp{ y}} se = 0
1
i =1 ( X i >u )
1 F (u + y )
, y 0 (8-10)
1 F (u )
35
F (u + xa(u )) (1 + x)
lim
=
u xF
F (u )
e x
se 0
se = 0
(8-11)
se 0
se = 0
(8-12)
Teorema 8.2. Seja X 1 , X 2 ,... uma seqncia de variveis aleatrias i.i.d. com
Distribuio F ( x) , e suponha que F MDA( H ) , H ( y ) dada em (8-9). Ento,
para u suficientemente grande, a distribuio de Y = X u condicional a X > u ,
aproximadamente,
1 (1 + x)
P ( y ) =
1 e x
se 0
se = 0
(8-13)
Onde y 0 se 0 , e 0 y 1 / se < 0 .
A famlia definida em (8-13), chamada de famlia de Pareto generalizada
(padro), onde
F MDA( H ) ,
temos
lim nF (c n x + d n ) = ln H ( x) ,
n
para
constantes
36
9. Modelos de Volatilidade
Suponha uma srie de retornos X t . Essa srie pode ser modelada como um
nvel t mais uma perturbao t . Podemos considerar que existe uma relao
aditiva entre os componentes, e que a perturbao o produto de dois processos
independentes. Dessa forma, temos:
X t = t + t
t = t t
[9-1]
modelo
GARCH
(Generalized
Autoregressive
Conditional
t = t t
p
i =1
j =1
2 t = 0 + i 2 t 1 + j 2 t j
[9-2]
max( p , q )
(
i =1
+ i ) < 1
37
Var ( t ) =
i =1
j =1
0
p
i =1
j =1
1 ( i + j )
[9-3]
t 2 = 0 + ( 1 + 1 ) 2 t 1 + L + ( p + p ) 2 t p + t 1 t 1 L q t q
onde t = t t um rudo branco. Ento, que 2 t ~ ARMA( p, q ) . No caso do
modelo GARCH(1,1), a autocorrelao desse processo ARMA(1,1) tem decaimento
segundo o valor 1 + 1 , que chamado de persistncia do processo.
10. Aplicao 1
10.1. Introduo
Historicamente, perodos de crise econmica que afetaram alguns pases
tiveram fortes impactos nas economias latino-americanas. Podemos observar esses
efeitos ao analisar perodos de crise em diversos pases, comparados com
variaes das bolsas de valores latino-americana (podemos citar a crise mexicana
de 1982, a asitica em 1997, a russa em 1998, a brasileira em 1999, entre muitas
outras).
Essa co-movimentao pode ou no ter causa definida (um estudo dessas
causas (caso existam) poderia ser efetuado, sendo chamado de estudo
fundamentalista (ver Calvo et al. (1996)), mas no ser abordado neste projeto). Se
no houver causas definidas, ou se no puderem ser observadas, essa comovimentao chamada, por diversos autores, de contgios (ver Forbes &
Rigobon (2000)).
O objetivo desta aplicao ser estudar a dependncia (estocstica) entre os
mercados nos perodos de grandes variaes de alta e baixa (co-movimentao e
contgios), utilizando o conceito de funes de acoplamento e dependncia nas
caudas, sendo essa abordagem verossmil, j que, para entendermos a interao
entre os pares de mercados, necessitamos conhecer sua funo de distribuio
38
39
C ( , )
1 2 C n ( , )
= U ,
1
0 .3
0 .1
0 .2
U.BVPMRV[1 50 0:n]
0.6
0.4
0.0
0 .0
0.2
U.BVPMRV
0.8
0 .4
1.0
0.0
0.2
0.4
0.6
alpha
0.8
1.0
0.75
0.80
0.85
0.90
0.95
1.00
alpha[1500:n]
Grfico 10.1 Grfico da dependncia na cauda superior estimada de forma emprica para
o par IBOVESPA MERVAL. O segundo grfico mostra uma ampliao na regio prxima
1. O intervalo de confiana de 80% foi obtido atravs do mtodo Bootstrap.
40
0.0
0.0
0.2
0.2
0.4
L.BVPMRV[0:500]
0.6
0.4
L.BVPMRV
0.8
0.6
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.05
alpha
0.10
0.15
0.20
0.25
alpha[0:500]
Grfico 10.2 Grfico da dependncia na cauda inferior estimada de forma emprica para o
par IBOVESPA MERVAL. O segundo grfico mostra uma ampliao na regio prxima
0. O intervalo de confiana de 80% foi obtido atravs do mtodo Bootstrap.
Cauda Inferior
0.3363 [0.2727 , 0.3909]
0.3473 [0.2947 , 0.4105]
0.1650 [0.1262 , 0.2233]
0.3000 [0.2666 , 0.3777]
0.2200 [0.1800 , 0.2800]
0.2368 [0.2000 , 0.2736]
Cauda Superior
0.2325 [0.1937 , 0.2945]
0.2333 [0.1777 , 0.3000]
0.1171 [0.0810 , 0.1531]
0.2325 [0.1937 , 0.2945]
0.1397 [0.1103 , 0.1911]
0.1130 [0.0869 , 0.1565]
Tabela 10.1: ndices de Dependncia nas Caudas para todos os pares possveis de ndices,
com seus respectivos intervalos de confiana (80%).
41
IBOVESPA MERVAL
IBOVESPA - RTSI
IPC MERVAL
IPC RTSI
RTSI - MERVAL
Cpula
Cauda Inferior
Cauda Superior
BB1
0.2576
0.1875
BB3
1.0000
0.2414
T-Student
0.1969
0.1969
BB1
0.2816
0.2065
BB3
1.0000
0.2514
BB7
0.3319
0.2502
T-Student
0.2114
0.2114
BB3
1.0000
0.1555
T-Student
0.0441
0.0441
BB1
0.2458
0.1620
BB3
1.0000
0.2317
BB7
0.2868
0.1990
T-Student
0.1441
0.1441
BB3
1.0000
0.1630
T-Student
0.0853
0.0853
BB3
1.0000
0.1473
T-Student
0.0392
0.0392
42
verossimilhana
(foram
calculadas
as
cpulas
Normal,
Frank,
Cpula
BB1
BB3
T-Student
BB1
BB3
BB7
T-Student
BB3
T-Student
BB1
BB3
BB7
T-Student
BB3
T-Student
BB3
T-Student
p/ VaR 0.05
0.041158 (1)
0.039414 (3)
0.039762 (2)
0.056218 (2)
0.056716 (3)
0.008457 (*)
0.054726 (1)
0.032868 (2)
0.044574 (1)
0.072942 (3)
0.072942 (2)
0.016264 (*)
0.071956 (1)
0.048315 (2)
0.050531 (1)
0.039694 (2)
0.043765 (1)
p/ VaR 0.01
0.009068 (1)
0.006975 (3)
0.008022 (2)
0.012935 (2)
0.012935 (3)
0.009452 (*)
0.011940 (1)
0.007654 (2)
0.010355 (1)
0.018728 (3)
0.017249 (2)
0.018235 (*)
0.016264 (1)
0.010638 (2)
0.010638 (1)
0.010178 (1)
0.008651 (2)
AIC
-360.87 (3)
-502.11 (2)
-685.58 (1)
-285.16 (3)
-389.79 (2)
-284.36 (*)
-517.52 (1)
-120.34 (2)
-221.61 (1)
-231.48 (3)
-327.90 (2)
-231.90 (*)
-419.67 (1)
-138.26 (2)
-275.48 (1)
-93.620 (2)
-179.51 (1)
Tabela 10.3: Discriminao entre as cpulas. Entre parnteses est a ordem de escolha
das cpulas. (*) indica que houve um erro durante a estimao do valor.
10.6. Concluses
1. Por existirem infinitas cpulas que podem ser desenvolvidas, a seleo se torna
pouco conclusiva, fazendo-se necessrios novos estudos sobre a escolha das
cpulas que iremos comparar em nosso estudo.
43
44
45
46
Series : RET.TEL
0.0
-0.05
0.2
ACF
0.4
Partial ACF
0.0
0.6
0.05
0.8
1.0
Series : RET.TEL
10
15
Lag
20
25
30
10
15
Lag
20
25
30
0.0
0.2
0.4
ACF
0.6
0.8
1.0
10
15
20
25
30
Lag
Telemar ON.
Note que a persistncia do modelo bem evidente, indicando que podemos
utilizar um modelo GARCH para modelar a volatilidade. Selecionado o modelo
ARMA(1,0)-GARCH(1,1), calculamos os Q-Q plots para os resduos finais, a fim de
47
QQ-Plot
QQ-Plot
455
1429
4
1428
Standardized Residuals
Standardized Residuals
-2
-2
1
1
-4
-2
-4
-2
Quantiles of t distribution
Grfico 11.3: Q-Q Plot dos resduos do modelo ARMA-GARCH utilizando Distribuies
Normal e T-Student.
Note, pelo grfico 11.3, que os resduos possuem caudas mais pesadas que
a normal, e um pouco mais pesadas que a t. Optaremos, aqui pela distribuio tstudent. Finalmente, obtemos, ento, os seguintes resultados para o modelo de
TELEMAR ON:
Tabela 11.1: Estimativas dos parmetros e diagnsticos para o modelo ARMAGARCH de Telemar ON:
48
11.4. Resultados
Analogamente ao apresentado na seo 11.3.1, calculamos os modelos
ARMA-GARCH para todos os ativos sendo estudados, nos perodos completo, A e
B. Os resultados das estimativas dos parmetros so apresentados nas tabelas
11.5 a 11.11 (ver apndice B).
Nessas tabelas, podemos notar as diferenas nos formulaes e nos
parmetros dos modelos ARMA-GARCH para os perodos completo, A e B.
Podemos observar que, em geral, os modelos para o perodo B possui persistncias
ligeiramente maiores do que o perodo A, e que os parmetros, mesmo quando os
modelos possuem a mesma formulao nos perodos A e B, so diferentes,
indicando que os perodos A e B possuem diferenas notveis. Vemos tambm que,
em geral, o perodo completo possui uma formulao muitas vezes diferente da
formulao para os perodos A e B.
Outra caracterstica interessante que, muitas vezes, pode ser utilizada uma
distribuio normal para as inovaes, a maioria delas no perodo B, indicando
caudas menos pesadas nesse perodo (volatilidade mais baixa).
A seguir, a partir dos resduos dos modelos estimados acima, obtemos, para
os pares propostos, as dependncias nas caudas de forma emprica. A tabela 11.2
mostra essas dependncias, nos perodos completo, A e B. Nessa tabela, notamos
que, em geral, as dependncias na cauda inferior, referentes s perdas, so
maiores do que as dependncias na cauda superior (ganhos), indicando maior
concordncia entre as perdas das empresas, do que entre os ganhos.
Analisando, de uma forma geral, as dependncias nos perodos A e B,
podemos observar que, para a maioria dos pares, foram maiores no perodo A do
que no perodo B. Essa mudana na dependncia, entre um perodo e o outro, pode
ter relao com a mudana poltica que ocorreu no incio do ano de 2003, quando
assumiram os novos presidente e ministrios.
Veja tambm que a dependncia na cauda superior entre uma empresa de
telecomunicaes (no caso a Telemar) e uma empresa de minerao (Petrobrs),
no perodo B foi estimada como zero, indicando que essas empresas tiveram pouca
concordncia nos ganhos, nesse perodo. Podemos observar tambm um aumento
da dependncia na cauda inferior do perodo A para o perodo B.
49
Tabela 11.2: Dependncias nas Caudas Empricas para todos os pares de ativos sendo
estudados, no perodo completo e nos perodos A e B.
Perodo Completo
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3199 [0,2560 ; 0,3880]
IBVxEMB
0,2236 [0,1561 ; 0,3143]
IBVxITA
0,3027 [0,2449 ; 0,3851]
IBVxPET
0,3407 [0,2562 ; 0,4438]
IBVxTEL
0,3307 [0,2549 ; 0,4348]
IBVxVAL
0,2194 [0,1342 ; 0,3057]
TELxPET
0,2054 [0,1447 ; 0,2756]
TELxBRA
0,2535 [0,2004 ; 0,3231]
PETxBRA
0,1221 [0,0646 ; 0,2074]
TELxEMB
0,1908 [0,1332 ; 0,2603]
PETxVAL
0,1975 [0,1498 ; 0,2498]
BRAxITA
0,2318 [0,1665 ; 0,3094]
Inferior
0,5033
0,4396
0,4618
0,4541
0,5102
0,3033
0,2854
0,3672
0,2660
0,3583
0,2097
0,4576
IC (80%)
[0,4415 ; 0,5705]
[0,3694 ; 0,5106]
[0,3849 ; 0,5499]
[0,4038 ; 0,5217]
[0,2959 ; 0,6928]
[0,3476 ; 0,3617]
[0,1359 ; 0,3652]
[0,3027 ; 0,4294]
[0,1979 ; 0,3390]
[0,2757 ; 0,4400]
[0,1359 ; 0,2960]
[0,3836 ; 0,5250]
Inferior
0,4299
0,3739
0,5020
0,4188
0,6535
0,3382
0,2834
0,3926
0,2997
0,3748
0,2929
0,5329
IC (80%)
[0,2810 ; 0,5832]
[0,2864 ; 0,4898]
[0,4090 ; 0,6136]
[0,3359 ; 0,4864]
[0,5832 ; 0,7298]
[0,2575 ; 0,4207]
[0,2195 ; 0,3816]
[0,3286 ; 0,4835]
[0,2178 ; 0,3848]
[0,2928 ; 0,4692]
[0,2373 ; 0,3513]
[0,4450 ; 0,6054]
Inferior
0,4424
0,5195
0,3457
0,5245
0,2312
0,2683
0,3681
0,3854
0,3028
0,4606
0,2196
0,3895
IC (80%)
[0,3633 ; 0,5133]
[0,4528 ; 0,6010]
[0,2621 ; 0,4844]
[0,4404 ; 0,6135]
[0,5557 ; 0,7086]
[0,2188 ; 0,3372]
[0,2919 ; 0,4449]
[0,3041 ; 0,4579]
[0,2240 ; 0,3659]
[0,3884 ; 0,5470]
[0,1505 ; 0,2873]
[0,3242 ; 0,4842]
Perodo A
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3150 [0,2260 ; 0,4106]
IBVxEMB
0,3417 [0,2477 ; 0,4852]
IBVxITA
0,3586 [0,2726 ; 0,4704]
IBVxPET
0,4390 [0,2985 ; 0,5446]
IBVxTEL
0,4326 [0,3157 ; 0,5819]
IBVxVAL
0,2260 [0,1658 ; 0,3379]
TELxPET
0,2698 [0,1898 ; 0,3671]
TELxBRA
0,2691 [0,2075 ; 0,3641]
PETxBRA
0,1416 [0,0905 ; 0,2235]
TELxEMB
0,3333 [0,2257 ; 0,4129]
PETxVAL
0,1840 [0,1359 ; 0,2600]
BRAxITA
0,2337 [0,1687 ; 0,3333]
Perodo B
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3752 [0,3032 ; 0,4559]
IBVxEMB
0,1224 [0,0583 ; 0,2524]
IBVxITA
0,2207 [0,1188 ; 0,3812]
IBVxPET
0,3961 [0,3147 ; 0,4835]
IBVxTEL
0,2727 [0,1777 ; 0,4188]
IBVxVAL
0,2119 [0,1477 ; 0,2774]
TELxPET
0,0000 [0,0000 ; 0,3710]
TELxBRA
0,1710 [0,0859 ; 0,2781]
PETxBRA
0,2901 [0,2204 ; 0,3542]
TELxEMB
0,2425 [0,1816 ; 0,3194]
PETxVAL
0,2210 [0,1492 ; 0,2991]
BRAxITA
0,3370 [0,2738 ; 0,4356]
50
Data
0,6
0,5
0,4
0,3
0,2
C7
1 2 3
TEL
1 2 3
PET
1 2 3
VAL
1 2 3
BRA
1 2 3
ITA
1 2 3
EMB
Grfico 11.4: Dependncias na Cauda Inferior nos Perodos Completo, A e B, para os ativos
que compem, no total, 31,18% do ndice IBOVESPA, sendo Telemar (TEL) 9,08%,
Petrobrs (PET) 7,92%, Vale do Rio Doce (VAL) 6,96%, Bradesco (BRA) 3,26%, Ita S/A
(ITA) 2,5% e Embratel (EMB) 2,44%.
51
Informao de Akaike), para cada par/perodo mostrado nas tabelas 11.12, 11.13
e 11.14, no apndice B.
Tabela 11.3: Dependncia nas Caudas no paramtrica, e estimadas atravs do Mtodo de
Mxima Verossimilhana Cannica, atravs das Cpulas BB1, BB7 e T-Student, para os
pares relacionados com o ndice IBOVESPA. Os valores em negrito so referentes s
melhores opes de cpulas em termos do AIC , para cada perodo.
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
Perodo Completo
Superior Inferior
0,3528 0,4570
0,4054 0,5183
0,1465 0,1465
0,3199 0,5033
0,4053 0,4457
0,4400 0,5261
0,2836 0,2836
0,2236 0,4396
0,3405 0,4495
0,3842 0,5117
0,0544 0,0544
0,3027 0,4618
0,3327 0,4543
0,3811 0,5136
0,2218 0,2218
0,3407 0,4541
0,6030 0,6442
0,6500 0,7131
0,4251 0,4251
0,3307 0,5102
0,2109 0,1822
0,2358 0,2486
0,0680 0,0680
0,2194 0,3033
Perodo A
Superior Inferior
0,3200 0,5078
0,3593 0,5548
0,0845 0,0845
0,3150 0,4299
0,4414 0,3872
0,4782 0,4923
0,3309 0,3309
0,3417 0,3739
0,3372 0,4965
0,3661 0,5516
0,0646 0,0646
0,3586 0,5020
0,2767 0,4350
0,3204 0,4853
0,1812 0,1812
0,4390 0,4188
0,5941 0,6589
0,6294 0,7205
0,4867 0,4867
0,4326 0,6535
0,1985 0,1577
0,2209 0,2227
0,0432 0,0432
0,2260 0,3382
Perodo B
Superior Inferior
0,3463 0,4068
0,3822 0,4788
0,0647 0,0647
0,3752 0,4424
0,3000 0,5305
0,3085 0,5750
0,1746 0,1746
0,1224 0,5195
0,3086 0,3871
0,3392 0,4533
0,0397 0,0397
0,2207 0,3457
0,3725 0,5006
0,4190 0,5601
0,0722 0,0722
0,3961 0,5245
0,5372 0,6653
0,5767 0,7154
0,2122 0,2122
0,2727 0,2312
0,1748 0,2714
0,1824 0,3204
0,0620 0,0620
0,2119 0,2683
52
J para os pares IBV x ITA e IBV x VAL, as dependncias foram estimadas bem
abaixo dos valores empricos, indicando que, provavelmente, a cpula selecionada
no a mais adequada para estudar os referidos pares. Podemos notar, tambm,
que, para os pares/perodos em que selecionamos a cpula BB1, as dependncias
so bem prximas s estimadas empiricamente. O critrio AIC no selecionou, para
nenhum par/perodo, a cpula BB7, porm a diferena entre os AIC das cpulas
BB1 e BB7, para a maioria dos pares, so pequenas.
Tabela 11.4: Dependncia nas Caudas no paramtrica, e estimadas atravs do Mtodo de
Mxima Verossimilhana Cannica, atravs das Cpulas BB1, BB7 e T-Student, para os
pares relativos aos setores. Os valores em negrito so referentes s melhores opes de
cpulas em termos do AIC , para cada perodo.
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
Perodo Completo
Superior Inferior
0,2385 0,2973
0,2704 0,3580
0,1489 0,1489
0,2054 0,2854
0,2751 0,3297
0,3234 0,3930
0,1714 0,1714
0,2535 0,3672
0,1544 0,2081
0,1759 0,2526
0,0579 0,0579
0,1221 0,2660
0,3187 0,3699
0,3363 0,4481
0,2172 0,2172
0,1908 0,3583
0,1271 0,1643
0,1365 0,2055
0,0222 0,0222
0,1975 0,2097
0,3527 0,4037
0,4065 0,4734
0,2389 0,2389
0,2318 0,4576
Perodo A
Superior Inferior
0,1877 0,3131
0,2135 0,3581
0,1400 0,1400
0,2698 0,2834
0,2800 0,3597
0,3201 0,4201
0,1669 0,1669
0,2691 0,3926
0,1209 0,2275
0,1339 0,2620
0,0416 0,0416
0,1416 0,2997
0,3554 0,3265
0,3743 0,4251
0,2498 0,2498
0,3333 0,3748
0,0836 0,1705
0,0846 0,1985
0,0217 0,0217
0,1840 0,2929
0,2799 0,4565
0,3306 0,5008
0,1838 0,1838
0,2337 0,5329
Perodo B
Superior Inferior
0,2629 0,3048
0,2856 0,3730
0,0228 0,0228
0,0000 0,3681
0,2384 0,2958
0,2761 0,3560
0,0720 0,0720
0,1710 0,3854
0,1585 0,2037
0,1699 0,2523
0,0083 0,0083
0,2901 0,3028
0,2199 0,4380
0,2047 0,4841
0,1138 0,1138
0,2425 0,4606
0,1423 0,1991
0,1495 0,2449
0,0069 0,0069
0,2210 0,2196
0,4001 0,3287
0,4327 0,4345
0,1871 0,1871
0,3370 0,3895
Com exceo do par TEL x EMB, no houve consenso na seleo de cpulas pelo
critrio AIC para os pares, principalmente entre os perodos A e B. Embora essa
falta de consenso dificulte a anlise das dependncias, podemos observar que, no
53
informaes
esprias
que
poderiam
influenciar
no
clculo
das
dependncias (na estimao das dependncias nas caudas emprica, o grfico das
dependncias se mostra mais estvel, quando os dados so filtrados). Pode ser
observado que existiram diferenas, muitas vezes significativas entre as estimativas
dos modelos nos perodos A e B, reforando a hiptese de diferena entre esses
perodos.
54
12. Agradecimentos
Agradeo ao caro professor orientador Dr. Luiz Koodi Hotta, por sua
pacincia e seu apoio; a FAPESP, pelo suporte financeiro, sendo que, sem esse,
este projeto seria invivel; e a todos os outros professores do departamento.
13. Referncias Bibliogrficas
Akaike, H, Information theory and an extension of the maximum likelihood principle
Em Second International Symposium on Information Theory, Budapest: Akademiai
Kiado, p.267-281, (1973)
Bauwens, L., Laurent, S. and Rombouts, J., Multivariate GARCH models: A
survey. CORE Discussion Paper 31, (2003)
Bollerslev, T.: Generalized autoregressive conditional heteroskedasticity, Journal
of Econometrics 31, 307-327, (1986)
Bouy, E., Durrleman, V., Nikeghbali, A., Riboulet, G., Roncalli, T., Copulas for
Finance: A Reading Guide and Some Applications, Groupe de Recherche
Oprationnelle Crdit Lyonnais, Paris, (2000)
Caillault, C. e GUEGAN, D. Empirical Estimation of Tail Dependence Using
Copulas. Application to Asian Markets. Note de Recherche IDHE-MORA n. 5,
(2003).
Calvo, S. e C. Reinhart. Capital flow to latin american: is there evidence of
contagion effect? em Guillermo Calvo, Morris Goldstein, e Eduard Hochreiter,
Private Capital Flow to Emerging Markets after the Mexican crisis. Washington,
D.C: Institute for International Economics, (1996).
P. Deheuvels. La fonction de dpendance empirique es ss proprits um test
non paramtrique dindpendence. Academic Royale de Belgique Bulletin de la
classe ds sciences 5. Srie, 65:274:292, (1979).
Dos Anjos, U. U., Ferreira, F. H., Kolev, N. V., Mendes, B. V. M., Modelando
Dependncias via Cpulas, Minicurso do 16 SINAPE, Caxambu, MG, 2004.
55
56
Apndice A
Programas Geradores para a Cpula de Cook-Johnson (Software R)
Caso 1:
teta=1 #ou 5
p<-1
n<-1
U<-matrix(0,1000,1)
V<-matrix(0,1000,1)
W<-matrix(0,1000,1)
u<-matrix(0,1000,1)
v<-matrix(0)
w<-matrix(0)
t<-matrix(0)
while (p <= 1000){
u[n]<-runif(1)
v[n]<-runif(1)
w[n]<-runif(1)
t[n]<-runif(1)
if (t[n] <= ((teta + 1) * (2*teta + 1) * ((u[n]^(-teta) +
v[n]^(-teta) + w[n]^(-teta))^((-3*teta -1)/teta)) *
(u[n]*v[n]*w[n])^(-teta -1))){
U[p]<-u[n]
V[p]<-v[n]
W[p]<-w[n]
p<-p+1}
n<-n+1}
N1<-qnorm(U)
N2<-qnorm(V)
N3<-qnorm(W)
Caso 2:
teta=5
p<-1
n<-1
U<-matrix(0,1000,1)
V<-matrix(0,1000,1)
W<-matrix(0,1000,1)
u<-matrix(0,1000,1)
v<-matrix(0)
w<-matrix(0)
t<-matrix(0)
while (p <= 1000){
u[n]<-runif(1)
v[n]<-runif(1)
w[n]<-runif(1)
t[n]<-runif(1)
if (t[n] <= ((teta + 1) * (2*teta + 1) * ((u[n]^(-teta) +
v[n]^(-teta) + w[n]^(-teta))^((-3*teta -1)/teta)) *
(u[n]*v[n]*w[n])^(-teta -1))){
U[p]<-u[n]
V[p]<-v[n]
57
W[p]<-w[n]
p<-p+1}
n<-n+1}
X1<-qnorm(U)
X2<-qexp(V,1)
X3<-qweibull(W,2,2)
58
Apndice B Tabelas
Tabela 11.5: Modelos ARMA-GARCH para o ndice IBOVESPA
Perodo Completo
AR(1) GARCH(1,1)
t: 26.3795 g.l.
Valor
p-valor
C 0,0008 0.0377
AR(1) 0.0383 0.0881
A 0.0000 0.0329
ARCH(1) 0.0412 0.0000
GARCH(1) 0.9399 0.0000
Persistncia: 0.9811
ndice IBOVESPA
Perodo A
Perodo B
GARCH(1,1)
t: 21.9590 g.l.
GARCH(1,1)
t: 28.8515 g.l.
Valor p-valor
C 0.0018 0.0019
A 0.0000 0.1543
ARCH(1) 0.0271 0.0274
GARCH(1) 0.9560
0.0000
Persistncia:0.9831
Valor p-valor
C -0.0008 0.1413
A 0.0000 0.0728
ARCH(1) 0.0542 0.0106
GARCH(1) 0.8814 0.0000
Persistncia: 0.9356
Perodo Completo
AR(1) GARCH(1,1)
t: 21.9322 g.l.
Valor p-valor
C 0.0002 0.3208
AR(1) 0.0708 0.0049
A 0.0000 0.0149
ARCH(1) 0.0680 0.0000
GARCH(1) 0.9171 0.0000
Persistncia: 0.9851
Telemar ON
Perodo A
AR(1) - GARCH(1,1)
t: 18.6397 g.l.
Valor p-valor
C -0.0008 0.2154
AR(1) 0.0906 0.0114
A 0.0000 0.0462
ARCH(1) 0.0812 0.0015
GARCH(1) 0.8748 0.0000
Persistncia: 0.9560
Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0007 0.1476
A 0.0000 0.0934
ARCH(1) 0.0386 0.0063
GARCH(1) 0.9447 0.0000
Persistncia: 0.9833
Perodo Completo
AR(1) GARCH(1,2)
t: 9.83253 g.l.
Valor p-valor
C -0.0011 0.1161
AR(1) 0.0556 0.0212
A 0.0000 0.0063
ARCH(1) 0.1136 0.0000
GARCH(1) 0.2949 0.0830
GARCH(2) 0.5401 0.0030
Persistncia: 0.9486
Embratel ON
Perodo A
AR(1) - GARCH(1,1)
t: 8.242168 g.l.
Valor p-valor
C -0.0040 0.0036
AR(1) 0.0734 0.0226
A 0.0000 0.0430
ARCH(1) 0.0616 0.0005
GARCH(1) 0.9120 0.0000
Persistncia: 0.9736
Perodo B
AR(1) - GARCH(1,1)
t: 10.76686 g.l.
Valor p-valor
C 0.0010 0.1915
AR(1) 0.0293 0.2287
A 0.0001 0.0152
ARCH(1) 0.1401 0.0004
GARCH(1) 0.7457
0.0000
Persistncia: 0.8858
59
Perodo Completo
AR(1) GARCH(1,1)
t: 8.675692 g.l.
Valor p-valor
C 0.0013 0.0041
AR(1) 0.1157 0.0000
A 0.0000 0.0057
ARCH(1) 0.0812 0.0000
GARCH(1) 0.8596 0.0000
Persistncia: 0.9408
Petrobrs ON
Perodo A
MA(1) - GARCH(1,1)
t: 7.022493 g.l.
Valor p-valor
C 0.0004 0.2918
MA(1) 0.1559 0.0000
A 0.0000 0.0184
ARCH(1) 0.1266 0.0026
GARCH(1) 0.7574 0.0000
Persistncia: 0.8840
Perodo B
MA(1) - GARCH(1,1)
t: 15.96334 g.l.
Valor p-valor
C 0.0021 0.0016
MA(1) 0.1089 0.0021
A 0.0000 0.0688
ARCH(1) 0.0541 0.0051
GARCH(1) 0.8963
0.0000
Persistncia: 0.9504
Perodo Completo
MA(1) GARCH(1,1)
t: 10.22202 g.l.
Valor p-valor
C 0.0015 0.0033
MA(1) 0.0935 0.0003
A 0.0000 0.0049
ARCH(1) 0.0842 0.0000
GARCH(1) 0.8469 0.0000
Persistncia: 0.9311
Perodo B
MA(1) - GARCH(1,1)
normal
Valor p-valor
C 0.0019 0.0080
MA(1) 0.1082 0.0029
A 0.0000 0.0650
ARCH(1) 0.0531 0.0101
GARCH(1) 0.9149
0.0000
Persistncia: 0.9680
Perodo Completo
AR(1) GARCH(1,1)
t: 10.82635 g.l.
Valor p-valor
C 0.0010 0.0301
AR(1) 0.0668 0.0061
A 0.0000 0.0016
ARCH(1) 0.0991 0.0000
GARCH(1) 0.8456 0.0000
Persistncia: 0.9447
Bradesco ON
Perodo A
AR(1) - GARCH(1,1)
t: 10.18658 g.l.
Valor p-valor
C 0.0001 0.4493
AR(1) 0.0993 0.0043
A 0.0000 0.0290
ARCH(1) 0.0936 0.0013
GARCH(1) 0.8476 0.0000
Persistncia: 0.9412
Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0020 0.0026
A 0.0000 0.0127
ARCH(1) 0.0965 0.0042
GARCH(1) 0.7002
0.0000
Persistncia: 0.7967
60
Ita S/A ON
Perodo A
Perodo Completo
GARCH(1,1)
t: 28.1213 g.l.
Valor p-valor
C 0.0014 0.0034
A 0.0000 0.0086
ARCH(1) 0.0574 0.0000
GARCH(1) 0.9062 0.0000
Persistncia: 0.9636
GARCH(1,1)
normal
Valor p-valor
C 0.0003 0.3432
A 0.0000 0.0230
ARCH(1) 0.0755 0.0005
GARCH(1) 0.8738 0.0000
Persistncia: 0.9493
Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0021 0.0011
A 0.0000 0.1748
ARCH(1) 0.0282 0.0858
GARCH(1) 0.9254
0.0000
Persistncia: 0.9536
Tabela 11.12: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo completo. Os valores em negrito so referentes cpulas que melhor se ajustaram
aos dados.
Perodo Completo
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA
BB1
-875,761
-932,751
-850,124
-831,201
-1947,869
-324,154
-464,878
-563,338
-282,179
-648,645
-213,931
-788,098
BB7
-857,781
-893,260
-830,692
-817,205
-1849,129
-316,282
-455,911
-556,427
-278,400
-621,021
-209,595
-770,372
T-Student
-872,810
-967,198
-864,118
-822,655
-1987,005
-329,758
-466,206
-561,013
-275,418
-681,054
-215,253
-795,411
Tabela 11.13: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo A. Os valores em negrito so referentes cpulas que melhor se ajustaram aos
dados.
Perodo A
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA
BB1
-449,091
-460,262
-455,399
-349,415
-953,666
-145,806
-205,840
-297,778
-131,603
-327,402
-91,017
-372,302
BB7
-438,223
-436,131
-442,438
-345,440
-895,076
-142,424
-203,155
-291,238
-130,150
-309,411
-89,702
-367,662
T-Student
-449,685
-492,393
-468,338
-343,493
-988,786
-150,479
-202,971
-301,639
-125,475
-355,621
-89,939
-367,343
61
Tabela 11.14: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo B. Os valores em negrito so referentes cpulas que melhor se ajustaram aos
dados.
Perodo B
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA
BB1
-399,753
-456,511
-356,786
-520,901
-924,562
-181,035
-261,687
-254,482
-146,299
-309,237
-130,096
-399,082
BB7
-386,616
-442,121
-345,223
-508,951
-877,576
-176,191
-252,485
-251,020
-142,733
-299,533
-126,826
-376,758
T-Student
-409,956
-452,957
-374,175
-520,888
-958,102
-181,774
-271,388
-244,220
-151,563
-309,853
-132,088
-418,097
62