Professional Documents
Culture Documents
https://rpubs.com/hudsonchavs/timeseries1
Hudson Chaves Costa - IBMEC/MG
Este material tem como objetivo contribuir para o entendimento sobre séries temporais univariadas, focando
nas características de dados financeiros e suas propriedades. Para tanto, vamos análisar dois tipos de séries
temporais financeiras: preços e retornos. Para cada tipo de série, estudaremos o seguinte:
Após entender os pontos acima, iniciamos a definição formal de serie temporal univariada, processo
estocástico e estacionariedade de um série temporal univariada. Assim, entenderemos o motivo pelo qual
a série temporal dos retornos é usada nos modelos de séries temporais univariadas ao invés da série temporal
dos preços.
São aqueles em que o intervalo de tempo (ΔtΔt) entre observações consecutivas é constante. Por exemplo, os dias,
semanas e meses. Para facilitar o entendimento, mostramos abaixo uma tabela com dados igualmente espaçados
para a ação GOOGL da Alphabet Inc (Holding de empresas do Google).
Show entries
Search:
Sabemos que dados financeiros podem ser observados em instantes de tempo irregularmente espaçados, como os
dados intradiários de ativos negociados em bolsa de valores ou mercadorias, ou taxas de câmbio.
Neste caso, os intervalos entre observações são variáveis aleatórias e podemos ter observações coincidindo num
mesmo instante de tempo ou em intervalos distintos. Este tipo de dado é chamado de alta frequência.
Abaixo, exemplo de dado intradiário para a ação GOOG da Alphabet Inc em cada minuto. Neste caso, não
conseguimos visualizar a existência de observações coincidindo no mesmo instante de tempo ou em intervalos
distintos em função do sistema coletar apenas uma transação por minuto, mas esperamos que durante o dia tal
característica seja apresentada para este tipo de ativo.
Show entries
Search:
Já é bem documentado na literatura que séries temporais apresentam certas características, como:
tendência;
sazonalidade;
pontos influentes (atípicos, também chamados de outliers);
heterocedasticidade condicional (variância condicional não é constante);
não-linearidade
De um modo geral, podemos dizer que uma série é não-linear quando responde de maneira diferente a choques
grandes ou pequenos, ou ainda, a choques negativos ou positivos. Por exemplo, a queda do IBOVESPA pode
ocasionar maior volatilidade no mercado do que a alta.
Abaixo, exemplo de série temporal (dados do total de passageiros aéreos nos EUA entre 1949 e 1960)
com tendência e sazonalidade.
Abaixo, mostramos exemplos de como obter o retorno de ativos. Para tanto, deixe PtPt ser o preço de um ativo em
um dado período tt.
RETORNO SIMPLES
Assumindo que o ativo não paga dividendos, o retorno simples é o retorno obtido ao se manter o ativo adquirido
em (t−1)(t−1) até tt, ou seja:
Rt=PtPt−1−1=Pt−Pt−1Pt−1Rt=PtPt−1−1=Pt−Pt−1Pt−1
Para demonstração, usaremos a tabela abaixo que nos mostra dados da ação da Microsoft Corporation. Temos
que o retorno de manter a ação de 13/02/18 até 14/02/2018
é Rt=90.81/89.83−1≈0.0109Rt=90.81/89.83−1≈0.0109 de modo que o retorno simples correspondente é
de 1.09%1.09%.
Show entries
Search:
Rt=Pt+DtPt−1−1Rt=Pt+DtPt−1−1
Além disso, caso o objetivo seja um retorno acima do ativo livre de risco, o retorno simples se torna um retorno
em excesso, conforme abaixo:
Zt=Rt−R0tZt=Rt−R0t
onde R0tR0t é o retorno do ativo livre de risco. Outra alternativa é trabalhar com o logaritmo para obter o retorno
entre dois períodos subsequentes (para períodos distantes o logaritmo não será uma boa aproximação do real
retorno). Usar o logaritmo suavizará a série temporal dos retornos. Para tanto, podemos fazer uso do seguinte:
Rt=ln(PtPt−1)=ln(Pt)−ln(Pt−1)Rt=ln(PtPt−1)=ln(Pt)−ln(Pt−1)
No gráfico abaixo, comparamos a diferença entre usar o retorno simples (em azul) e o retorno em logaritmo (em
vermelho) para gerar a série temporal do retorno da ação IBM (nternational Business Machines) entre 01/01/2000 e
16/02/2018.
Suponha agora que o ativo é mantido por kk períodos entre as datas t−kt−k e tt. Desta forma, o retorno bruto simples
nos k períodos será:
1+Rt[k]=PtPt−k=PtPt−1×Pt−1Pt−2×...×Pt−k+1Pt−k1+Rt[k]=PtPt−k=PtPt−1×Pt−1Pt−2×...×Pt−k+1Pt−k
Assim, o retorno simples em k períodos é apenas o produto dos retornos simples para os k períodos envolvidos.
Além disso, o retorno líquido nos k períodos será Rt[k]=PtPt−k−1=Pt−Pt−kPt−kRt[k]=PtPt−k−1=Pt−Pt−kPt−k.
Para ilustrar, considere novamente os dados da ação da Microsoft Corporation da tabela anterior. Se avaliarmos
de 12/02/2018 até 14/02/2018 temos que o retorno no período foi
de 1+Rt[3]=90.81/89.13≈1,018841+Rt[3]=90.81/89.13≈1,01884 de modo que o retorno simples no período foi
de 1.884%1.884%.
Cada observação é tratada como uma variável aleatória com uma distribuição de probabilidade;
Uma coleção de variáveis aleatórias ordenadas no tempo é chamada de processo estocástico;
Hipótese: Se a distribuição de ytyt é a mesma para todos os valores de tt, então dizemos que a série é
estacionária. Esta é a definição de estacionariedade forte.
4. DEFINIÇÃO DE ESTACIONARIEDADE
Uma série temporal é dita estacionária se ela se desenvolve no tempo aleatoriamente ao redor de uma média
constante, refletindo alguma forma de equilíbrio estável. Formalmente, temos que uma série temporal de retornos
de um ativo financeiro será fracamente estacionária se:
E[rt]=μE[rt]=μ,
Var(rt)=γ0Var(rt)=γ0
Cov(rt,rt−l)=γlCov(rt,rt−l)=γl
onde μμ e γ0γ0 são constantes e γlγl é função de uma defasagem ll qualquer, mas não do tempo tt. Abaixo, para
cada condição apresentada um gráfico com séries que atendem e que violam tais condições.
Média:
Variância:
Covariância:
REFERÊNCIAS
Bueno, Rodrigo De Losso da Silveira. 2011. Econometria de Séries Temporais. Cengage Learning.
Campbell, John Y, Andrew Wen-Chuan Lo, and Archie Craig MacKinlay. 1997. The Econometrics of Financial
Markets. Princeton (NJ) Princeton University Press.
Enders, Walter. 2015. Applied Econometric Time Series. John Wiley & Sons.
Morettin, Pedro Alberto. 2008. Econometria Financeira Um Curso Em Séries Temporais Financeiras. Edgard Blucher.
Tsay, Ruey S. 2014. An Introduction to Analysis of Financial Data with R. John Wiley & Sons.