Modelos GARCH em ações financeiras: um estudo de caso

Paulo Siga Thomaz; Viviane Leite Dias de Mattos; Luiz Ricardo Nakamura; Andréa Cristina Konrath; Gérson dos Santos Nunes

doi:10.5585/exactaep.v18n3.10921

Autores

Paulo Siga Thomaz Universidade Federal do Rio Grande - FURG
Viviane Leite Dias de Mattos Universidade Federal do Rio Grande - FURG
Luiz Ricardo Nakamura Universidade Federal de Santa Catarina - UFSC
Andréa Cristina Konrath Universidade Federal de Santa Catarina - UFSC
Gérson dos Santos Nunes Universidade Federal do Rio Grande - FURG

DOI:

https://doi.org/10.5585/exactaep.v18n3.10921

Palavras-chave:

ABEV3, Heteroscedasticidade condicional, Séries financeiras, Volatilidade.

Resumo

Este artigo tem por objetivo detalhar o protocolo de aplicação e avaliação dos modelos autorregressivos de heteroscedasticidade condicional generalizados (GARCH), com ênfase em especificar adequadamente a distribuição de probabilidade para os resíduos e o critério de avaliação da previsão. Com este intuito, aplicam-se modelos GARCH com distribuição normal e t de Student na modelagem da volatilidade da série de retornos das ações ABEV3. O melhor modelo seguindo a distribuição normal e o melhor seguindo a distribuição t de Student são executados para a previsão, em que os resultados são comparados com a volatilidade realizada, calculada a partir de retornos intradiários, e com os retornos absolutos. Os resultados evidenciam que o modelo GARCH(1,1) seguindo a distribuição t de Student possui a melhor performance, tanto no ajuste como na previsão. Além disso, os modelos possuem resultados significativamente melhores quando avaliados pelo critério da volatilidade realizada.

Downloads

Não há dados estatísticos.

Biografia do Autor

Paulo Siga Thomaz, Universidade Federal do Rio Grande - FURG

Engenheiro Civil - Universidade Federal do Rio Grande (FURG)

Mestrando no Programa de Pós-Graduação em Modelagem Computacional (FURG)

Atua principalmente na área de gestão de qualidade e séries temporais

Viviane Leite Dias de Mattos, Universidade Federal do Rio Grande - FURG

Possui graduação em Engenharia Civil pela Universidade Católica de Pelotas (1978), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (1997) e doutorado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2004). Atualmente é professor adjunto da Universidade Federal do Rio Grande. Tem experiência na área de Engenharia de Produção, com ênfase em Garantia de Controle de Qualidade, atuando principalmente nos seguintes temas: séries temporais, qualidade, probabilidade e estatística, controle de processos e projeto de experimentos.

Luiz Ricardo Nakamura, Universidade Federal de Santa Catarina - UFSC

Possui graduação em Estatística pela Universidade Estadual Paulista "Júlio de Mesquita Filho" (2009), mestrado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2011) e doutorado em Ciências (Estatística e Experimentação Agronômica) pela Universidade de São Paulo (2016), com período sanduíche na London Metropolitan University (Londres, Reino Unido). Atualmente é Professor Adjunto A do Departamento de Informática e Estatística da Universidade Federal de Santa Catarina. Pesquisador dos grupos GAMLSS (www.gamlss.org), "Grupo de Análise e Modelagem Estatística - GAME" e "Agronegócio, Políticas Públicas e Desenvolvimento Regional - APP&DR". Tem experiência na área de Probabilidade e Estatística, com ênfase em Probabilidade e Estatística Aplicadas, atuando principalmente nos seguintes temas: modelos aditivos generalizados para locação, escala e forma (GAMLSS), modelos semiparamétricos, modelagem estatística, análise multivariada e inferência bayesiana

Andréa Cristina Konrath, Universidade Federal de Santa Catarina - UFSC

Possui graduação em Matemática Aplicada e Computacional pela Universidade de Santa Cruz do Sul (2000), mestrado em Engenharia de Produção pela Universidade Federal de Santa Catarina (2002) e doutorado em Engenharia Mecânica pela Universidade Federal de Santa Catarina (2008). Trabalhou como docente na área de Estatística na Universidade do Vale do Itajaí, (UNIVALI), no período de março de 2007 a janeiro de 2009, e no Instituto de Matemática, Estatística e Física da Universidade Federal do Rio Grande (FURG), no período de fevereiro de 2009 a julho de 2011, também na área de Estatística. Desde agosto de 2011 é professora adjunta na Universidade Federal de Santa Catarina (UFSC), pertencendo ao Departamento de Informática e Estatística, na qual ministra disciplinas de Estatística na graduação e pós-graduação. Tem experiência na área de Probabilidade e Estatística, com ênfase em Controle Estatístico de Qualidade, atuando principalmente nos seguintes temas: Controle Estatístico de Processo, Métodos Estatísticos, Previsão, Simulação e Metrologia

Gérson dos Santos Nunes, Universidade Federal do Rio Grande - FURG

Engenheiro Elétrico - Universidade Federal de Pelotas (UFPEL)

Mestrando no Programa de Pós-Graduação em Modelagem Computacional (FURG)

Atua principalmente na área de demanda de energia e séries temporais

Referências

Akaike, H. (1973). Information Theory and an Extension of the Maximum Likelihood Principle. 2ndProceedings of the International Symposium on Information Theory, Budapeste, Hungria, 267-281, 2.

Alexandrino, F.Q.L., Santos dos, R.A.B. dos, Angulo-Meza, L., & Bordeaux-Rego, R. (2017). Utilização da análise envoltória de dados (DEA) na composição de carteira de investimento diversificada e eficiente. Revista Produção Online, 17(2), 507-532.

Andersen, T.G., & Bollerslev, T. (1998). Answering the skeptics: Yes, standard volatility models do provide accurate forecasts. International Economic Review, 39, 885-905.

Angélico, D.G., & Oliveira de, S.C. (2016). Modelo ARMA-GARCH e precedência temporal entre índices acionários. GEPROS. Gestão da Produção, Operações e Sistemas, 11(1), 97-112.

Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81, 635-654.

Bollerslev, T. (1986). Generalized Autoregressive Conditional Heteroskedascitcity. Journal of Econometrics, 31, 307-372.

Box, G.E.P., & Jenkins, G. (1970). Time Series Analysis, Forecasting and Control. San Francisco: Holden-Day, San Francisco.

Coelho, L. S. dos, Santos, A. A. P., & Costa, N.C.A. (2008). Podemos prever a taxa de cambiocâmbio brasileira? Evidência empírica utilizando inteligência computacional e modelos econométricos. Gestão & Produção, 15(3), 635-647.

Cumby, R., Figlewski, S., & Hasbrouck, J. (1993). Forecasting volatility and correlations with EGARCH Models. Journal of Derivatives, 1(2), 51-63.

Dickey, D.A., & Fuller, W.A. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49, 1057-1073.

Diebold, F.X., & Mariano, R.S. (1995). Comparing predictive accuracy. Journal of Business and Economic Statistics, 13, 253-263.

Engle, R.F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflations. Econometrica, 50, 987-1007.

Engle, R.F., & Patton, J.A. (2001). What good is a volatility model? Quantitative Finance, 1, 237-245, 2001.

Fernandez, C., & Stell, M. (1998). On Bayesian modelling of fat tails and skewness. Journal of the American Statistical Association, 93, 359-371.

Garman, M.B., & Klass, M.J. (1980). On the estimation of security price volatility from historical data. Journal of Business, 535, :67-78.

INFOMONEY. (2018). Histórico de cotações. Recuperado em 03 julho, 2018, de https://www.infomoney.com.br/mercados/ferramentas/historico-de-cotacoes.

Jarque, C.M., & Bera, A. K. (1987). A Test for Normality of Observations and Regression Residuals. International Statistical Review, 55(2), 163-172.

Jiang, W., Ruan, Q., Li, J., & Li, Y. (2018). Modelling returns volatility: realized GARCH incorporating realized risk measure. Physica A: Statistical Mechanics and Its Applications, 500, 249-258.

Jorion, P. (1995). Predicting Volatility in the Foreign Exchange Market. Journal of Finance, 50, 507-528.

Lai, Y.-S. (2018). Evaluating the hedging performance of multivariate GARCH models. Asian Pacific Management Review, 24(1), 1-1086-95.

Lama, A., Jha, G. K., Paulo, R. K., & Gurung, B. (2015). Modelling and Forecasting of Price Volatility: An Application of GARCH and EGARCH models. Agricultural Economics Research Review, 28(1), 73-82.

Lim, C. M., & Sek, S. K. (2013). Comparing the performances of GARCH-type models in capturing the stock market volatility in Malaysia. International Conference of Applied Economics (ICOAE). Procedia Economics and Finance, 5, 478-487.

Ljung, G. M., & Box, G.E.P. (1978). On a Measure of Lack of Fit in Time Series Models. Biometrika, 65(2), 297-303.,

Luo, L., Pairote, S., & Chatpatanasiri, R. (2017). Garch-type forecasting models for volatility of stock market and MCS test. Communications in Statistics – Simulation and Computation, 46(7), 5303-5312.

Markowitz, H. (1952). Portfolio selection. The Journal of Finance, 5, 77-91.

Mhmoud, A. S., & Dawalbait, F. M. (2015). Estimating and forecasting stock market volatility using GARCH Models: Empirical Evidence from Saudi Arabia. International Journal of Engineering Research & Technology, 4(2):464-471.

Mincer, J., & Zarnowitz, V. (1969). The Evaluation of Economic Forecasts. In Mincer, J. (Ed.). Economic Forecasts and Expectations (pp. 3-46). Nova Iorque: National Bureau of Economic Research.

Morettin, P.A. (2011). Econometria Financeira – Um curso em séries temporais financeiras. (2. a Eded.). São Paulo: Blucher.

Nelson, D. B. (1991). Conditional Heteroscedasticity in asset returns. Econometrica, 59, 347-370.

Ng, S., & Perron, P. (2001). Lag Length selection and the construction of unit root tests with good size and power. Econometrica: Journal of the Econometric Society, 6, 1519-1554.

Oliveira, A. M. B. de, & Araújo, A. M. (2018). Investigação sobre persistência na variância e quebras estruturais nas series de preços da manga e uva exportadas da Bahia, Brasil. Exacta-EP, 16(1), 33-42.

Oliveira, M.H.F, & Rebelatto, D.A.N. (2011). Os fundos de investimentos em ações no mercado financeiro brasileiro: os gestores e administradores são capazes de superar o índice BOVESPA? Revista Produção Online, 11(1), 76-95.

R Core Team. (2018). R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, AustriaÁustria: R Core Team. Recuperado em 10 abril de 2018, de http://www.R-project.org/.

Reis, D.L.P.E. dos, Mattos, R.S., Perobelli, F.F.C., & Corrêa, W.R. (2013). Options Pricing for Petrobras Share: A Comparison between Realized Volatility and Conditional Heteroskedastic Estimations. In: First International Workshop in Financial Econometrics, Natal, Rio Grande do Norte, BrazilBrasil, 1.

Santos, D. G. dos., & Ziegelmann, F. A. (2012) Estimação e previsão de volatilidade em períodos de crise: um estudo comparando modelos GARCH e modelos aditivos semiparamétricos. Revista Brasileira de Finanças, 10(1):49-70.

Schmidt, C.A.J, & Lima, M. A. M. (2004). A demanda por energia elétrica no Brasil. Revista Brasileira de Economia, 58, 67-98.

Schwarz, G. (1978) Estimating the dimension of a model. The Annals of Statistics, 6(2):461-464.

Simões, M. D., Klotzle, M. C., Pinto, A. C. F., & Levrini, G. (2012). Uma avaliação da volatilidade dos preços da soja no Mercado internacional com dados de alta frequência. Gestão & Produção, 19(1): 219-231.

Tsay, R. S. (2002). Analysis of Financial Time Series: Financial Econometrics. Wiley, Nova Iorque.

Yip, H., Fan, H., & Chaing, Y (2013). Predicting the maintenance cost of construction equipment: Comparison between general regression neural network and Box-Jenkins time series models. Automation in Construction, 38:30-38.