Séries Temporais Univariadas

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:

 Preços de ativos financeiros

o Tipos de dados: igualmente espaçados e irregularmente espaçados
o Propriedades da série temporal dos preços
 Retornos de ativos financeiros
o Formas de calcular o retorno entre dois períodos consecutivos (tt e t−1t−1) bem como para um
intervalo de kk períodos (tt e t−kt−k).
o Propriedades da série temporal dos retornos (fatos estilizados)

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.

1. PREÇOS DE ATIVOS FINANCEIROS

São dados que representam o valor pago por um ativo financeiro (ação, opção, título, …) em um determinando
instante do tempo. Em função de termos várias possibilidades para a períodicidade (minuto, hora, dia, semana, mes,
semestre, …) desta transação é preciso entender os diversos tipos de dados e suas propriedades.

 DADOS IGUALMENTE ESPAÇADOS

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:

data abertura alta baixa fechamento volume

2018-07-02 1115.35 1142.99 1106.6 1142.11 1160800

2018-07-03 1149.42 1149.91 1114.43 1116.28 822400

2018-07-05 1124.6 1144.14 1123.12 1141.29 1429700

2018-07-06 1141.77 1156.2 1137.24 1155.08 1091000

2018-07-09 1160 1167.93 1157.23 1167.28 1079200

2018-07-10 1169.99 1173.5 1162.56 1167.14 1066700

2018-07-11 1155.62 1180.44 1155.37 1171.46 1662600

2018-07-12 1174.86 1201.99 1173.1 1201.26 2207400

2018-07-13 1202.8 1210.44 1195.29 1204.42 1630600

 data abertura alta baixa fechamento volume

2018-07-16 1203.81 1208.71 1193.4 1196.51 1339200

Showing 1 to 10 of 32 entries
Previous1234Next
O preço de abertura é determinado pelo chamado leilão de pré-abertura que acontece 15 minutos antes do início
do pregão (9h:45min). Neste leilão, todas as ordens de compra e venda de ações que já foram enviadas para a bolsa
(antes da abertura), entram no leilão. O sistema da bolsa identifica as faixas de preços com maiores volumes de
negociação. O preço que tiver maior número de compras e vendas de ações, será o preço de abertura do ativo neste
dia. Durante o leilão nenhum negócio é fechado, mesmo que os valores de compra e venda coincidam.
Ao final do leilão (10hs que é o início do pregão eletrônico), as negociações seguem até as 16hs:55min. Neste
horário, inicia-se outro leilão (chamado de call de fechamento). O processo é parecido com o leilão de pré-abertura,
porém o preço mais negociado na compra e na venda de um ativo, determinará o preço de fechamento daquela
ação.
Já o preço de fechamento ajustado acontece quando uma ação, dentro de qualquer dia de negociação, tem o seu
preço alterado para incluir quaisquer distribuições de proventos que ocorreram em qualquer momento antes da
abertura do dia seguinte. Como utilidade prática, o preço de fechamento ajustado é uma ferramenta muito útil para
examinar os resultados históricos de uma empresa, pois ele oferece aos analistas uma imagem precisa do valor
patrimonial da empresa além do preço de mercado.

 DADOS IRREGULARMENTE ESPAÇADOS

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:

data abertura alta baixa fechamento

2018-08-16T18:20:00Z 1213.33 1213.61 1213 1213.33

2018-08-16T18:21:00Z 1213.09 1213.6 1212.79 1213.4

2018-08-16T18:22:00Z 1213.61 1213.61 1213.03 1213.59

2018-08-16T18:23:00Z 1213.59 1213.59 1213.1 1213.31

2018-08-16T18:24:00Z 1213.32 1213.37 1212.7 1212.7

2018-08-16T18:25:00Z 1212.81 1213.5 1212.23 1213.1

2018-08-16T18:26:00Z 1212.75 1213.04 1212.17 1212.5

2018-08-16T18:27:00Z 1212.51 1212.59 1211.73 1211.98

2018-08-16T18:28:00Z 1211.86 1212.16 1211 1211.31

2018-08-16T18:29:00Z 1211.45 1211.45 1209.55 1209.89

Showing 1 to 10 of 100 entries
Previous12345…10Next
Para a disciplina em estudo, vamos usar séries temporais originadas por dados regularmente espaçados.
Porém, existem outros campos da Econometria de Séries Temporais que concentram-se na análise de séries
temporais originadas de dados irregularmente espaçados.

 CARACTERÍSTICAS DE SÉRIES TEMPORAIS

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.

Zoom1m3m6mYTD1yAllFromJan 1, 1949ToDec 1, 1960Passageiros Aéreos / MêsPassageiros aéreos nos EUA

entre 1949 e
19601949195019511952195319541955195619571958195919601950195219541956195819600100200300400500
600700
O gráfico abaixo decompõe a série temporal do total de passageiros aéreos nos EUA entre 1949 e 1960 facilitando
a visualização dos componentes de sazonalidade e tendência.
dataseasonaltrendremainder19501952195419561958196005001000-10001000250500750-1000100

2. RETORNOS DE ATIVOS FINANCEIROS

Muitos estudos financeiros fazem uso de retornos de ativos ao invés dos seus preços. Segundo (Campbell, Lo,
and MacKinlay 1997), isso acontece porque as séries de retornos são mais fáceis de manusear do que as séries de
preços em função de possuírem propriedades estatísticas mais atrantes (como estacionariedade). Porém, existem
muitas formas de mensurar o retorno de um ativo.

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:

data abertura alta baixa fechamento volume

2018-02-07 90.49 91.77 89.2 89.61 41107600

2018-02-08 89.71 89.88 84.76 85.01 55628700

 data abertura alta baixa fechamento volume

2018-02-09 86.3 88.93 83.83 88.18 63499100

2018-02-12 88.74 89.78 87.93 89.13 35720300

2018-02-13 88.93 90 87.8 89.83 26407700

2018-02-14 88.51 90.99 88.41 90.81 34960900

Showing 1 to 6 of 6 entries
Previous1Next
Caso o ativo pague dividendos, o retorno simples é:

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.

Zoom1m3m6mYTD1yAllFromJan 3, 2000ToFeb 15, 2018Comparação entre retorno discreto e em log da IBMDados

extraídos usando o pacote quantmod do R200220042006200820102012201420162018200520102015-0.04-
0.0200.020.040.06

 RETORNO SIMPLES ENTRE MULTIPERÍODOS

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%.

 CARACTERÍSTICAS DA SÉRIE TEMPORAL DOS RETORNOS (FATOS ESTILIZADOS)

Os retornos financeiros apresentam características peculiares diferentemente de muitas séries temporais.

Retornos raramente apresentam tendências ou sazonalidades, com exceção eventualmente de retornos
intradiários. Além disso, séries de taxas de câmbio e séries de taxas de juros podem apresentar tendências que
variam no tempo. Por outro lado, é comumente encontrado em séries de retornos as seguintes características:

 estacionariedade: as propriedades estatísticas das séries são invariantes ao longo do tempo;

 fraca dependência linear e não linear: a série normalmente é pouco ou não correlacionada, mas a série do
quadrado das observações é autocorrelacionada;
 caudas pesadas na distribuição e excesso de curtose: a série geralmente não são Gaussianas;
 comportamento heterocedástico condicional.
O comportamento heterocedástico reúne características como aglomerados de volatilidade e efeitos alavanca, que
aponta para o efeito de choque. Choques negativos normalmente afetam a volatilidade condicional em maior
magnitude do que choques positivos, ou seja, uma queda no retorno implica uma volatilidade condicional alta.
Vamos analisar a série temporal do Standard & Poor’s 500. Temos dois gráficos sendo o primeiro o fechamento do
preço da índice para todos os dias com negociação entre 01/01/2000 e 16/02/2018 enquanto no segundo
apresentamos o retorno simples obtido conforme metodololgia exposta anteriormente.

Zoom1m3m6mYTD1yAllFromJan 3, 2000ToFeb 15, 2018Fechamento S&P 500Dados extraídos usando o pacote

quantmod do R20022004200620082010201220142016201820052010201550010001500200025003000
Notamos que os fatos estilizados apontados anteriormente estão presentes na série de retornos do S&P 500 dado
que há aparente estacionariedade, média ao redor de zero e agrupamentos de volatilidade. Períodos de alta
volatilidade coincidem com épocas nas quais ocorreram crises em diversos países que influenciaram o mercado
financeiro.

Zoom1m3m6mYTD1yAllFromJan 3, 2000ToFeb 15, 2018Retorno S&P 500Dados extraídos usando o pacote

quantmod do R200220042006200820102012201420162018200520102015-0.06-0.04-0.0200.020.04

3. DEFINIÇÃO DE SÉRIE TEMPORAL E SUA RELAÇÃO COM PROCESSO

ESTOCÁSTICO
Uma série temporal é uma sequência de observações {yt}{yt} indexadas pela data de cada observação (minuto,
hora, dia, semana, mês, trimestre, semestre, ano, …).
{yt}∞t=−∞={...,yt−1,y0,y1,y2,...,yt,...}{yt}t=−∞∞={...,yt−1,y0,y1,y2,...,yt,...}

 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.