Professional Documents
Culture Documents
os retornos IBovespa
Sandra C. Oliveira
Universidade Estadual Paulista UNESP/Campus de Tup Tup-SP
sandra@tupa.unesp.br
Marinho G. Andrade
Universidade de So Paulo USP/ICMC So Carlos-SP
marinho@icmc.usp.br
Resumo
1. Introduo
O modelo de regresso, proposto por Engle (1982), com uma mdia no-nula e expresso
como uma combinao linear de variveis exgenas, tem uma estrutura que pode ser resumida
como:
yt = x t + z t (1)
y t | t 1 ~ P(x t , ht ) (2)
q
ht = 0 + j z t2 j (3)
j =1
z t = yt x t (4)
em que y t representa uma srie de retornos, P() uma distribuio paramtrica, usualmente a
Normal ou t de student, x t representa um vetor de variveis exgenas que pode incluir valores de
j 0, j = 1,..., q . Alm disso, o processo y t tem varincia finita e, portanto, tem covarincia
p q
estacionria se, e somente se, todas as razes dos polinmios 1 i l i e 1 j l j estiverem
i =1 j =1
fora do crculo de raio unitrio (ENGLE, 1982: Teorema 2). Quando estas condies so satisfeitas,
0 p
pode ser mostrado que a varincia incondicional de y t dada por: 1 i i ,
q
1 j
i =1
j =1
i
em que i = , sendo 0 = V ( y t ) = E ( y t2 ) e i = E ( y t y t i ) , i = 1,..., p . Portanto, a condio
0
q p
suficiente para que o processo tenha covarincia estacionria que j < 1 e
j =1
i =1
i <1.
sendo = ( 0 , 1 ,..., q ) e = ( 1 ,..., p ) . Assumindo que t tem uma distribuio t de student
tv
padronizada, tal que t v ~ t de student com v graus de liberdade, isto , t = , temos que a
v (v 2 )
Se no modelo de regresso proposto por Engle (1982), definido pelas expresses (1)-(4),
considerarmos = 0 , ento, temos uma nova estrutura, resumida como:
yt = zt (8)
z t | t 1 ~ P(0, ht ) (9)
q
ht = 0 + j z t2 j (10)
j =1
em que z t representa uma srie de retornos, P() uma distribuio paramtrica, e t 1 representa
o conjunto de informaes disponveis at o instante t 1 . Uma interpretao para o modelo
definido em (8)-(10) que os retornos na regresso linear seguem um processo ARCH(q).
Da mesma forma, para que o modelo (8)-(10) seja plausvel ( ht > 0 para todo t), devemos
ter 0 > 0 e j 0 para j = 1,..., q . Alm disso, o processo z t tem varincia finita e, portanto, tem
q
covarincia estacionria se, e somente se, todas as razes do polinmio 1 j l j estiverem fora
j =1
do crculo de raio unitrio. Assim, pode ser mostrado que a varincia incondicional de z t dada por
q
q
0 1 j , cuja condio para que o processo tenha covarincia estacionria j < 1.
j =1 j =1
sendo = ( 0 , 1 ,..., q ) e para algum v.
Assim, as funes de verossimilhana descritas em (6), (7), (11) e (12) podem ser
maximizadas com respeito aos respectivos parmetros desconhecidos.
O modelo de regresso proposto por Engle (1982), e generalizado por Bollerslev (1986),
com mdia nula e expresso como uma combinao linear de variveis exgenas, tem uma estrutura
que pode ser resumida como:
yt = zt (13)
z t | t 1 ~ P(0, ht ) (14)
q r
ht = 0 + j z t2 j + i ht i (15)
j =1 i =1
em que zt representa uma srie de retornos, P() uma distribuio paramtrica e t 1 representa
q r
varincia incondicional de z t dada por 0 1 j j , cuja condio para que o
j =1 i =1
q r
processo tenha covarincia estacionria j j < 1.
j =1 i =1
(16) e (17) podem ser maximizadas com respeito aos respectivos parmetros desconhecidos.
3. Inferncia Bayesiana
modelo de regresso linear normal. Consideramos ainda uma reparametrizao definida por
(OLIVEIRA, 2005):
j a j
j = log
j = 0,1,2,..., q (20)
b j j
Os valores de a j e b j podem ser escolhidos com base em alguma informao obtida por
meio de estudos anteriores sobre a srie analisada. Esta reparametrizao conduz escolha de uma
transformao que mapeia os intervalos (,+) no domnio (a j , b j ) e vice-versa. Assim, pode-se
1 2
( ) , - < j < , j = 0,1,..., q
k ( ) (21)
0 , caso contrrio
q
bje j + a j
)
sendo = (0 , 1 ,..., q , k ( ) = 0 1 j e j =
, j = 0,1,..., q
j =1 1+ e j
De forma similar, uma distribuio a priori para os parmetros de processos GARCH(q,r),
j a j
baseada na proposta de Geweke (1989) e na reparametrizao j = log , sendo
b
j j
1 2
( ) , - < j < , j = 0,1,..., q + r
k ( ) (22)
0 , caso contrrio
q r
onde = ( 0 , 1 ,..., q +r ) e k ( ) = 0 1 j + j .
j =1 i =1
Assim, escrevendo a volatilidade ht em funo dos parmetros dos modelos, devidamente
Modelo AR(p)-ARCH(q)
Distribuio normal 1
12
T
1
1/ 2
( y x )2 2
para t (M1)
( | Y ) exp t t
k ( ) t = p + q +1 ht ( ) 2ht ( )
( v +1 )
12 1/ 2
Distribuio t de student 1 T
((v + 1) / 2 ) 1 ( y x )2 2
( | Y ) 1 + t t
para t (M2) k ht ht (v 2 )
( ) t = p + q +1 (v / 2 ) (v 2 ) ( ) ( )
Modelo ARCH(q)
12 1/ 2
Distribuio normal 1 T
1 z t
2
para t (M3)
( | Z ) exp
k ( ) t = q +1 ht ( ) 2ht ( )
( v +1 )
12 1/ 2
Distribuio t de student 1 1
((v + 1) / 2) zt2
T 2
( | Z ) 1 +
para t (M4) k ht ht (v 2)
( ) t = q +1 (v / 2 ) (v 2 ) ( ) ( )
Modelo GARCH(q,r)
12 1/ 2
Distribuio normal 1 (T q r ) T
1 z t
2
para t (M5)
( | Z ) (2 )
2 exp
k ( ) t = q + r +1 ht ( ) 2ht ( )
( v +1 )
12 1/ 2
Distribuio t de student 1 T
((v + 1) / 2 ) 1 zt2 2
( | Z ) 1 +
para t (M6) k (v / 2 ) (v 2) ht ht (v 2 )
( ) t = q + r +1 ( ) ( )
Passo 2: Mover a cadeia para um novo valor de ' gerado da densidade q( (l 1) , ') .
Passo 3: Gerar u da distribuio uniforme (0,1) .
Passo 4: Aceitar o valor gerado ' se
( ( ')q ' , (l 1)
)
u p (l 1) , ' = min1,
( )
(l 1)
, q (l 1) , ' ( ) ( )
caso contrrio, ficar com (l ) = (l 1) .
Passo 5: Incrementar l e voltar ao passo 2.
Assim, para l suficientemente grande, (l ) uma amostra da distribuio a posteriori ( ) .
[ ]
Para o caso vetorial = 0 1 K q , teremos uma densidade de transio dada por q( , ') e uma
( )
probabilidade de aceitao dada por p (l 1) , ' , e devemos proceder da mesma forma.
Existem vrios critrios que podem ser usados para a seleo de modelos, sob um contexto
Bayesiano. Neste trabalho usamos o critrio baseado na densidade preditiva ordenada CPO),
construdo a partir da distribuio de yT + m , condicionada aos dados Y , e aos parmetros de cada
modelo considerado. O CPO consiste em escolher o modelo l que apresentar o maior valor de c(l )
(quantidade obtida por meio da estimativa de Monte Carlo da densidade preditiva). Maiores
detalhes podem ser encontrados em Carlin & Chib (1995).
4. Aplicaes
26
0.15
24
0.1
22
0.05
20
retorno
preo
18 0
16
-0.05
14
-0.1
12
-0.15
10
8 -0.2
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700
tempo tempo
M1 M2
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00061 0,00005 0,00052;0,00070 0,00070 0,00003 0,00060;0,00071
1 0,16350 0,01113 0,14187;0,18514 0,21672 0,00591 0,20524;0,22858
2 0,06065 0,01139 0,03885;0,08257 0,05228 0,00205 0,04818;0,05624
3 0,33162 0,02134 0,28888;0,37152 0,34961 0,00926 0,33156;0,36665
Tabela 3: Estimativas Bayesianas dos modelos AR-ARCH M3 e M4.
M3 M4
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00048 0,00003 0,00042;0,00056 0,00050 0,00003 0,00044;0,00056
1 0,21579 0,04142 0,13543;0,29508 0,18757 0,00567 0,17646;0,19868
2 0,08565 0,02706 0,03649;0,14026 0,06340 0,00331 0,05691;0,06988
3 0,41482 0,04587 0,32397;0,49956 0,38771 0,00900 0,37007;0,40535
1 -0,09571 0,02879 -0,15259;-0,03821 -0,10020 0,00577 -0,11151;-0,08889
2 -0,01679 0,02853 -0,07421;0,03983 -0,02365 0,00542 -0,03427;-0,01303
3 -0,13483 0,02876 -0,19079;-0,07799 -0,12111 0,00531 -0,13152;-0,11070
4 -0,16456 0,02804 -0,21835;-0,10972 -0,15437 0,00522 -0,16460;-0,14414
5 -0,14604 0,02958 -0,20397;-0,08949 -0,13210 0,00689 -0,14560;-0,11860
6 -0,08765 0,02993 -0,14678;-0,02814 -0,07353 0,00695 -0,08715;-0,05991
M5 M6
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00007 1,5e-009 0,000069;0,000071 0,00007 1,4e-009 0,000069;0,000071
1 0,15010 6,7e-004 0,14870;0,15140 0,15035 6,5e-004 0,14920;0,15100
1 0,75050 1,3e-003 0,74790;0,75290 0,75027 1,2e-003 0,74850;0,75250
De acordo com os valores obtidos pelo CPO pelo ajuste dos modelos propostos, conclumos
que o modelo que melhor se adequou aos dados da srie IBovespa foi o processo GARCH(1,1) com
distribuio t de student para t , ou seja, o modelo M6, conforme Tabela 5 a seguir.
Modelo CPO
M1 1,163e+018
M2 1,190e+018
M3 1,155e+019
M4 1,264e+019
M5 1,173e+019
M6 1,859e+019
A Figura 3 mostra a volatilidade estimada a partir das estimativas obtidas pela abordagem
Bayesiana com distribuio a priori no informativa, por meio do processo GARCH(1,1) com
distribuio t de student para t ,. Podemos observar que, no perodo estudado, houve alguns fatos
que provocaram alteraes (picos) no comportamento da volatilidade, os quais o modelo ajustado
identificou: Moratria da Rssia, em Agosto de 1998; Crise na sia, em Outubro de 1998; e a
Desvalorizao do Real, em Janeiro de 1999.
Figura 3: Volatilidade Estimada - Srie IBovespa: Modelo M6 .
5. Consideraes Finais
Apesar de ser uma representao bastante simplificada do processo gerador de dados dos
retornos condicionais, a distribuio normal amplamente utilizada na estimao de modelos de
volatilidade. Porm, em algumas situaes mais apropriado assumir que t tem distribuio t de
student, como pde ser observado neste caso.
Os resultados deste trabalho mostraram que, de um modo geral, a abordagem Bayesiana
proposta fornece estimativas satisfatrias. Alm disso, consideramos uma reparametrizao dos
modelos estudados e adotamos distribuio a priori no-informativa, conseguindo uma
convergncia mais rpida do processo de inferncia de parmetros de modelos da famlia ARCH
com mtodos MCMC.
Referncias
BOX, G. E.; TIAO, G. C. Bayesian Inference in Statistical Analysis. Addison-Wesley, New York,
1973.
CARLIN, B.; CHIB, S. Bayesian Model Choice via Markov Chain Monte Carlo Methods. Journal
of the Royal Statistical Society, Vol. 57, pp. 473-484, 1995.
GEWEKE, J. Exact Predictive Densities for Linear Models with ARCH Disturbances. Journal of
Econometrics, Vol. 40, pp. 63-86, 1989.