Econometria para Series Financeiras

Fernando Antonio Lucena Aiube

Pontifcia Universidade Catolica do Rio de Janeiro
Departamento de Engenharia Industrial
aiube@ind.puc-rio.br
Maio 2007
ii
Introducao
A teoria de Financas tem se desenvolvido muito na ultimas decadas. O
desenvolvimento de metodologias de aprecamento de derivativos fez com que
muita atencao fosse dedicada `a estimacao da volatilidade dos ativos sub-
jacentes. Este parametro, que nao diretamente observavel, e fundamental
para as metodologias de aprecamento. Por conseguinte muita pesquisa foi
empreendida sobre os dados empricos dos ativos nanceiros. Isto fez sur-
gir a econometria para series nanceiras, uma nova disciplina que agrega as
analises empricas das series nanceiras e os testes econometricos de validacao
dos modelos desenvolvidos em Financas.
Este trabalho apresenta alguns conceitos fundamentais para analise das series
de dados nanceiros. Inicialmente sao apresentados conceitos fundamentais
das series de tempo sob a otima da metodologia Box e Jenkins. Posterior-
mente, sao analisadas as series de retornos e nalmente sao tratados alguns
dos modelos de volatilidade condicional. Ao nal reunimos uma extensa lista
de trabalhos que discorrem sobre os temas aqui abordados e certamente sao
uteis para o suporte ao estudo e pesquisa nesta area.
O curso e acompanhado de varios exerccios para a xacao de conceitos e
simultaneamente sao realizados exerccios praticos usando softwares onde os
testes estatsticos estao implementados. Como exerccio nal o aluno devera
apresentar um modelo que descreva o comportamento de uma serie nan-
ceira, baseado em dados historicos da mesma, devendo ser acompanhado dos
testes empricos de acordo com a metodologia apresentada durante o curso.
Comentarios e sugestoes serao bem recebidos.
Sumario
1 Conceitos basicos de series temporais 1
1.1 Conceitos fundamentais . . . . . . . . . . . . . . . . . . . . . 1
1.2 Formulacao dos modelos Box-Jenkins . . . . . . . . . . . . . . 6
1.3 Identicacao dos modelos . . . . . . . . . . . . . . . . . . . . . 9
1.4 Funcao impulso resposta . . . . . . . . . . . . . . . . . . . . . 10
1.5 Estrategia para especicacao dos modelos . . . . . . . . . . . . 11
1.6 Previsao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Series nanceiras - retornos 15
2.1 Serie de retornos . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Fatos estilizados . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Distribuicao dos retornos . . . . . . . . . . . . . . . . . . . . . 17
2.4 Previsibilidade dos retornos . . . . . . . . . . . . . . . . . . . 17
2.4.1 Modelo RW1 . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Modelo RW2 . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3 Modelo martingal . . . . . . . . . . . . . . . . . . . . . 19
2.4.4 Modelo RW3 . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Teste de normalidade . . . . . . . . . . . . . . . . . . . . . . . 20
2.6 Teste de estacionariedade . . . . . . . . . . . . . . . . . . . . . 21
2.7 Teste para autocorrelacao . . . . . . . . . . . . . . . . . . . . 23
2.8 Teste de independencia . . . . . . . . . . . . . . . . . . . . . . 24
2.9 Teste para dependencia nao linear . . . . . . . . . . . . . . . . 26
3 Volatilidade condicional 31
3.1 Modelos de volatilidade condicional lineares . . . . . . . . . . 32
3.1.1 Modelo ARCH . . . . . . . . . . . . . . . . . . . . . . 32
3.1.2 Modelo GARCH . . . . . . . . . . . . . . . . . . . . . 35
3.1.3 Estimacao do modelo GARCH(1,1) . . . . . . . . . . . 36
3.1.4 Previsao da volatilidade condicional . . . . . . . . . . . 38
3.1.5 Modelo IGARCH . . . . . . . . . . . . . . . . . . . . . 39
3.1.6 Modelo GARCH-M . . . . . . . . . . . . . . . . . . . . 39
iii
iv SUM

ARIO
3.2 Modelos de volatilidade condicional nao lineares . . . . . . . . 40
3.2.1 Modelo EGARCH . . . . . . . . . . . . . . . . . . . . . 40
3.2.2 Modelo TARCH . . . . . . . . . . . . . . . . . . . . . . 41
3.2.3 Modelo QGARCH . . . . . . . . . . . . . . . . . . . . 41
3.3 Teste para GARCH linear . . . . . . . . . . . . . . . . . . . . 42
3.4 Teste para GARCH nao linear . . . . . . . . . . . . . . . . . . 43
3.5 Testes de adequacao do modelo . . . . . . . . . . . . . . . . . 44
3.6 Volatilidade estocastica . . . . . . . . . . . . . . . . . . . . . . 45
Captulo 1
Conceitos basicos de series
temporais
Neste primeiro captulo apresentamos os conceitos fundamentais de series
temporais segundo a modelagem Box-Jenkins. O captulo seguinte inicia a
abordagem de series temporais aplicadas a Financas.
1.1 Conceitos fundamentais
Denicao: Serie temporal e qualquer conjunto de observacoes ordenado no
tempo. A abordagem da analise pode ser no domnio do tempo com modelos
parametricos ou no domnio da freq uencia com modelos nao parametricos.
As series temporais podem ser classicadas em:
(i) Discretas - quando o conjunto de observacoes for nito ou innito enu-
meravel;
(ii) Contnuas - quando o conjunto for innito nao enumeravel;
(iii) Estocasticas - quando houver um componente aleatorio;
(iv) Determinstica - quando nao houver componente aleatorio e o modelo
puder ser denido por funcoes determinsticas;
(v) Multivariadas - quando a serie temporal e representada por um vetor;
(vi) Multidimensional - quanto t assume dimensao superior a 1.
Denicao: Um processo estocastico X e uma colecao de variaveis aleatorias
(X
t
, t T) = (X
t
(), t T, )
1
2 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
denidas em algum espaco .
Por exemplo, se a variavel X
t
representa a taxa de cambio que esta sendo
negociada determinada moeda em um mercado, o valor de X esta associado
tanto ao instante de tempo t quanto a possveis realizacoes . Assim, para
um instante de tempo t xo a variavel aleatoria e:
X
t
= X
t
(),
Para um determinado estado da natureza, , a variavel aleatoria e uma
funcao do tempo:
X
t
= X
t
(), t T
A funcao e denominada realizacao, trajetoria ou caminho do processo de X.
Denicao: Autocovariancia
k
-

E a covariancia entre duas variaveis da
serie defasadas por k intervalos de tempo, isto e:

k
= Cov (y
t
, y
t+k
) = E [(y
t
) (y
t+k
)] (1.1)
onde e a media = E (y
t
). Para uma amostra y
1
, y
2
, . . . , y
N
, temos o
estimador de
k
:

k
=
1
N
Nk

t=1
(y
t
y) (y
t+k
y) (1.2)
onde y =
1
N

N
t=1
y
t
e
k
e um estimador nao tendencioso de (1.1).
Denicao: Funcao de autocorrelacao (FAC) e denida por

k
=

k

0
=
Cov (y
t
, y
t+k
)
V ar (y
t
)
. (1.3)
onde
0
e a variancia da serie. O estimador de
k
e

k
=

k

0
(1.4)
Para testar a hipotese conjunta de que todos os
k
sao simultaneamente iguais
a zero pode-se usar a estatstica Q desenvolvida por Box e Pierce, denida
por:
Q(m) = N
m

k=1

2
k
( ) (1.5)
onde N e o tamanho da amostra e m a defasagem (ou lag) considerado. A
estatstica Q em grandes amostras e distribudo como uma qui-quadrado com
1.1. CONCEITOS FUNDAMENTAIS 3
m graus de liberdade.
Outro teste usual para vericar a signicancia de
k
e o teste de Ljung-Box
(LB). A estatstica LB e dada por:
LB(m) = N (N + 2)
m

k=1

2
k
( )
N k
(1.6)
que se distribui como uma qui-quadrado com m graus de liberdade em
grandes amostras. A estatstica LB possui mais poder estatstico para amostras
pequenas que a estatstica Q.
Denicao: A funcao de auto-correlacao parcial (FACP) e a correlacao entre
as variaveis y
t
e y
t+k
dado que sao conhecidos y
t+1
,y
t+2
,. . . , y
t+k1
.
A FACP para um processo estacionario com media zero pode ser obtido
a partir da regressao
y
t+k
=
k1
y
t+k1
+
k2
y
t+k2
+. . . +
kk
y
t
+
t+k
Multiplicando ambos os lados por y
t+kj
e calculando o valor esperado e
dividindo pela variancia, tem-se

j
=
k1

j1
+
k2

j2
+. . . +
kk

kj
Entao para j = 1, 2, . . . , k, temos:

1
=
k1

0
+
k2

1
+. . . +
kk

k1

2
=
k1

1
+
k2

0
+. . . +
kk

k2
.
.
.

k
=
k1

k1
+
k2

k2
+. . . +
kk

0
(1.7)
Para k = 1

11
=
1
Para k = 2
1
=
21
+
22

1
e
2
=
21

1
+
22
Ou podemos escrever a ultima equacao em notacao matricial:
_

1

2
_
=
_
1
1

1
1
_ _

21

22
_
4 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
cuja solucao para o estimador
22
e dada pela regra de Cramer:

22
=

1
1

1

2

1
1

1
1

Para k = 3 temos as equacoes:

1
=
31
+
32

1
+
33

2
=
31

1
+
32
+
33

3
=
31
+
32

1
+
33
Em notacao matricial temos:
_
_

3
_
_
=
_
_
1
1

2

1
1 1

2

1
1
_
_
_
_

31

32

33
_
_
cuja solucao para o estimador

33
e dada por:

33
=

1
1

1

1
1
2

2

1

3

1
1

2

1
1
1

2

1
1

E assim sucessivamente.
Denicao: Seja {
t
} uma seq uencia de variaveis aleatorias independentes
e identicamente distribudas (iid) com variancia
2

. Esta seq uencia e de-

nominada rudo branco (RB). Assim temos
t
iid tal que E (
t
) = 0;
V ar (
t
) =
2

; Cov (
t
,
t+k
) =
k
= 0 k = 0;
k
= 1 se k = 0,
k
= 0 se
k = 0.
Denicao: Considere
t
um rudo branco, seja
y
t
= y
t1
+
t
(1.8)
O processo descrito pro y
t
e denido como sendo um passeio aleatorio (ran-
dom walk).
1.1. CONCEITOS FUNDAMENTAIS 5
Exerccio 1: Seja y
t
um passeio aleatorio como denido na equacao (1.8).
Calcule E (y
t
), V ar (y
t
),Cov (y
t
, y
s
).
Em series temporais e usual trabalhar com operadores que defasam a variavel.
Denimos entao o operador lag L como um operador linear tal que:
L
i
y
t
= y
ti
(1.9)
Sao validas as seguintes propriedades do operador L:
(i) O lag de uma constante e a propria constante Lc = c
(ii) O operador lag segue a propriedade distributiva em relacao `a soma
(L
i
+L
j
) y
t
= L
i
y
t
+L
j
y
t
= y
ti
+y
tj
(iii)

E valida a propriedade associativa da multiplicacao L
i
L
j
y
t
= L
i
(L
j
y
t
) =
L
i
(y
tj
) = y
tij
. Ou ainda L
i
L
j
y
t
= L
i+j
y
t
= y
tij
(iv) Potencias negativas de L signicam um operador de avanco, L
i
y
t
=
L
j
y
t
fazendo j = i. Entao L
i
y
t
= L
j
y
t
= y
tj
= y
t+i
(v) Se |a| < 1 a soma innita (1 +aL +a
2
L
2
+. . .) y
t
=
y
t
1aL
(vi) Se |a| > 1 a soma innita
_
1 + (aL)
1
+ (aL)
2
+. . .
_
y
t
=
aL
1aL
y
t
Exerccio 2: Mostre a validade das propriedades (v) e (vi) acima do opera-
dor L.
Denicao: Quando o processo estocastico que gerou a serie de observacoes
e invariante no tempo diz-se que e estacionario. Um processo e estritamente
estacionario se as distribuicoes de y
t
e y
t+k
sao identicas (ou seja, a funcao
densidade e a mesma). Um processo e estacionario de segunda ordem se a
media e a variancia de y
t
sao identicas para qualquer t e covariancia e funcao
apenas da defasagem.
A motivacao para o estudo de series temporais e denir o processo gerador
de dados, fazer previsoes futuras da serie, identicar ciclos, tendencias ou
sazonalidades de forma que a decisao que envolve a variavel em questao seja
a mais acurada possvel.
6 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
1.2 Formulacao dos modelos Box-Jenkins
A metodologia Box e Jenkins e a interpretacao e analise de uma serie tem-
poral como sendo oriunda de uma realizacao de um processo estocastico. O
objetivo e inferir sobre o processo gerador de dados. Busca-se identica-
lo baseado nas informacoes contidas na serie levando-se em consideracao a
parcimonia do modelo, ou seja, tratando o modelo com o menor n umero de
parametros possvel. A estrategia envolve a repeticao do processo de inden-
cacao ate encontrar o modelo que seja mais satisfatorio.
Os modelos Box-Jenkins sao tais que a serie y
t
e escrito como

p
(L) y
t
=
q
(L)
t
(1.10)
onde L e o operador lag, e sao polinominos de graus p e q, respectiva-
mente e
t
e RB(0,
2

). Mais apropriadamente

p
(L) = 1
1
L
2
L
2
. . .
p
L
p
(1.11)

q
(L) = 1
1
L
2
L
2
. . .
p
L
p
(1.12)
O polinomio
p
(L) dene a parte auto-regressiva (AR) do modelo enquanto
o polinomio
q
(L) dene a parte denominada media movel (MA). Assim,
o modelo em (1.10) e denominado ARMA(p, q). Por exemplo, o modelo
ARMA(2, 3) e escrito como;

2
(L) y
t
=
3
(L)
t
_
1
1
L
2
L
2
_
y
t
=
_
1
1
L
2
L
2

3
L
3
_

t
y
t

1
y
t1

2
y
t2
=
t

1

t1

2

t2

3

t3
y
t
=
1
y
t1
+
2
y
t2

1

t1

2

t2

3

t3
+
t
No caso em que
q
(L) = 1 temos o modelo ARMA(p, 0) ou melhor AR(p).
Da mesma forma, para o caso em que
p
(L) = 1 temos o modelo ARMA(0, q)
ou simplesmente MA(q).
A condicao de estacionariedade de um modelo AR(p) deve ser tal que as
razes do polinomio
p
(L) = 0 devem estar fora do crculo unitario. Para os
modelos MA(q) a estacionariedade e trivial. Para um modelo ARMA(p, q)
as condicoes de estacionariedade sao aquelas de um modelo AR(p).
A condicao de inversibilidade de um modelo AR(p) e trivial. Para um
modelo MA(q) a inversibilidade ocorre sempre que as razes do polinomio
1.2. FORMULAC

AO DOS MODELOS BOX-JENKINS 7

q
(B) = 0 estiverem fora do crculo unitario. Ja um modelo ARMA(p, q)
tem a inversibilidade sob as mesmas condicoes de um MA(q).
Pode-se resumir no quadro abaixo o comportamento dos modelos com relacao
a estacionariedade e inversiblidade.
Modelo Condicoes

p
(L) y
t
=
t

p
(L) = 0 razes fora do crculo unitario
estacionario e trivialmente inversvel.
y
t
=
q
(L)
t

q
(L) = 0 razes fora do crculo unitario
inversvel e trivialmente estacionario.

p
(L) y
t
=
q
(L)
t

p
(L) . . . razes fora do cculo unitario estacionario.

q
(L) . . . razes fora do crculo unitario inversvel.
Exerccio 3: Considere o modelo AR(1): y
t
= y
t1
+
t
, onde || < 1 e

t
RB(0,
2

).
(i) o modelo e estacionario?
(ii) o modelo e inversvel?
(iii) calcule a media = E (y
t
)
(iv) calcule
0
,
1
, . . . ,
k
e
0
,
1
, . . . ,
k
(v) escreva o modelo sob a forma inversa.
Exerccio 4: Considere o modelo AR(1): y
t
= +y
t1
+
t
onde || < 1 e

t
RB(0,
2

).
(i) calule a media = E (y
t
)
(ii) calcule a variancia
0
= V ar (y
t
)
(iii) calcule as covariancias
1
, . . . ,
k
Exerccio 5: Considere o modelo MA(1): y
t
=
t
+
t1
, onde
t
RB(0,
2

).
(i) calcule a media = E (y
t
)
(ii) calcule a variancia
0
= V ar (y
t
)
8 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
(iii) calcule a FAC
(iv) o modelo e inversvel?
Exerccio 6: Suponha que a receita das vendas de petroleo R
t
seja modelada
pelo seguinte processo estocastico R
t
= + R
t1
+
t
onde
t
N(0,
2
).
O que dizer da tendencia da receita? Se o processo fosse modelado por
R
t
= +R
t1
+
t
onde || < 1, voce mudaria a sua resposta?
Exerccio 7: Considere o modelo MA(1): y
t
=
t

t1
.
(i) calcule a media = E (y
t
)
(ii) calcule a variancia
0
= V ar (y
t
)
(iii) calcule a FAC
Exerccio 8: Considere o modelo
y
t
= 0, 8y
t1
0, 3
t1
+
t
(i) verique se e estacionario e inversvel
(ii) calcule a media e a variancia
(iii) calcule a FAC
(iv) escreva o modelo como um MA()
Na pratica os processos sobre os quais fazemos inferencia atraves de uma
serie temporal, sao geralmente nao estacionarios. Trataremos dos processos
nao estacionarios homogeneos, ou seja, processos cuja a diferenciacao produz
processos estacionarios. A diferenciacao e denida por y
t
= y
t
y
t1
=
(1 L) y
t
.
Seja entao Z
t
um processo nao estacionario e y
t
um processo estacionario
obtido de Z
t
por diferenciacao sucessivas. Inversamente, pode-se dizer que
Z
t
e obtido a partir de y
t
por integracao. Tem-se que

d
Z
t
= y
t
(1.13)
1.3. IDENTIFICAC

AO DOS MODELOS 9
onde d representa o n umero de diferenciacoes. O processo estacionario y
t
pode ser representado por um modelo ARMA(p, q), logo
p
(L) y
t
=
q
(L)
t
,
ou entao

p
(L)
d
Z
t
=
q
(L)
t
(1.14)
Dizemos que o modelo Z
t
e auto-regressivo-integrado-medias moveis, ou
ARIMA(p, d, q).
Exerccio 9: Considere o modelo y
t
= 1, 5y
t1
0.5y
t2
+
t
+ 0, 6
t1
.
(i) identique o modelo
(ii) escreva o modelo como um AR().
1.3 Identicacao dos modelos
Para os modelos ARMA(p, q) a estrategia de idencacao da ordem p e q mais
apropriada e atraves da funcao de auto-correlacao parcial FACP. Desta forma
busca-se a idencacao do modelo comparando-se a FAC e FACP teoricas com
aquelas oriundas do modelo.
As series temporais que apresentam comportamento nao estacionarios sao
diferenciadas ate que seja identicada a estacionariedade. Os testes de esta-
cionariedade, comumente referidos como testes da raz unitaria, serao apre-
sentados em detalhes no proximo captulo. Os diversos padroes teoricos para
as FAC e FACP sao apresentados pelo software EVIEWS, junto com o cor-
relograma das series calculadas a partir dos dados. No caso de um ou mais
modelos serem selecionados, baseados nos criterios da FAC e FACP, pode-se
investigar qual o modelo apresenta melhor ajuste dentro da amostra. Infe-
lizmente a medida R
2
nao e util para os modelos de series temporais lineares
por estar relacionado somente aos valores dos parametros. Os criterios de
selecao mais apropriados sao os criterios de informacao de Akaike (1974) e
Schwarz(1978). O criterio de Akaike e referido como AIC (Akaike Information
Criteria). O criterio de Schwarz e referido como BIC (Bayesian Information
Criteria). Estes criterios comparam o ajuste dentro da amostra, que e me-
dido pela variancia dos resduos, contra o n umero de parametros estimados.
O criterio de Akaike e
AIC (k) = N ln
2
+ 2k (1.15)
ond e k = p +q +1,
2
=
1
N

N
t=1

2
t
, sendo
t
os resduos do modelo ARMA.
Os valores de p e q que minimizam AIC (k) sao as ordens apropriadas do
10 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
modelo ARMA.
O cirterio de Schwarz, ou ainda o criterio BIC e calculado por
BIC (k) = N ln
2
+k ln N (1.16)
Como ln N > 2 para N > 8, o criterio BIC penaliza mais fortemente que
o criterio AIC a introducao adicional de parametros. Portanto, usando o
criterio BIC o modelo selecionado tende a ser mais parciomonioso que aquele
orindo do criterio AIC.
1.4 Funcao impulso resposta
A analise da estacionariedade de uma serie pode ser feita pelos teste Dickey-
Fuller (DF) e Augmented Dickey-Fuller (ADF) que serao detalhados no
proximo captulo. Vale ressaltar entretanto que atraves de tecnicas de sim-
ulacao pode-se vericar os efeitos que os choques causam em um modelo.
Tomemos o caso do modelo AR(p):
y
t
=
1
y
t1
+
2
y
t2
+. . . +
t
t = 1, 2, . . . , N (1.17)
Fazendo-se substituicoes recursivas otem-se para y
t
y
t
=
p

i=1
y
1i
+
t1

i=0
c
i

ti
(1.18)
onde a seq uencia de c
1
, . . . , c
t1
e obtida por
c
i
=
min(i,p)

j=1

j
c
ij
i = 1, . . . , t 1 (1.19)
A seq uencia c
k
e denominada de funcao impulso reposta. Outra maneira de
denir a funcao impulso resposta e por
IRF (k, ) = E [y
t+k
|
t
= ,
t+1
= . . .
t+k
= 0]
E [y
t+k
|
t
=
t+1
= . . .
t+k
= 0] (1.20)
Isto e a funcao IRF (k, ) mede o efeito de um choque em t em relacao
`a situacao de nao existencia do choque. Quando os choques sao transientes
o efeito do choque em t nos futuros valores de y
t
desfaz-se rapidamente.
Em um processo AR(p) a presenca dos choques transientes ocorre se razes
1.5. ESTRAT

EGIA PARA ESPECIFICAC

AO DOS MODELOS 11
caractersticas estao fora do crculo unitario, ou seja, se o processo for esta-
cionario. Para as situacoes onde observa-se que o efeito do choque nao se
desfaz, dizemos que o choque apresenta presistencia. O software EVIEWS
apresenta gracamente o efeito dos choques nas futuras observaoes da serie.
Desta forma, a identicacao visual torna claro o entendimento do conceito
de estacionariedade.
Exerccio 10: Mostre que a funcao impulso resposta para o modelo AR(p)
e dada por IRF (k, ) = c
k
.
1.5 Estrategia para especicacao dos mode-
los
A modelagem de series temporais por modelos lineares ARMA deve seguir
as seguintes etapas:
(i) calculo de algumas estatsticas basicas para serie temporal;
(ii) comparar o valor de tais estatsticas com valores teoricos caso estes
sejam adequados;
(iii) estimar os parametros para o modelo sugerido no passo anterior, ob-
servando caso necessario, os criterios AIC e BIC;
(iv) avaliar o modelo usando as medidas diagnosticas;
(v) caso nao esteja adequado reespecicar o modelo;
(vi) usar o modelo para descrever a variavel e fazer previsoes.
Como dito na secao anterior os modelos ARIMA requerem previamente a
identicacao do parametro d (ordem de diferenciacao) atraves de testes de
estacionariedade.
Exerccio 11: Considere os dados da serie temporal do arquivo teste.xls.
Analise o modelo segundo os criterios denidos na estrategia de especicacao
denida anteriormente.
12 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
1.6 Previsao
Seja agora a situacao em que foi realizada a estimacao do modelo e feitos
os testes de adequacao do mesmo. Desejamos realizar previsoes para os
valores das series y
t
. Considere que estamos no instante t (na origem) e
desejamos fazer previsoes perodos `a frente. Esta previsao e denominada
y
t
() = E
t
(y
t
()). Vale ressaltar que E
t
(
t+
) = 0 para 1. Aqui tratare-
mos da previsao com erro quadratico mnimo. Para maiores detalhes veja
Morettin e Toloi (2004).
Seja o modelo MA-1 dado por
y
t
= + (1 L)
t
(1.21)
onde
t
NID(0,
2

). O valor de y
t
passos `a frente e
y
t
() = +
t+

t+1
(1.22)
Tomando o valor esperado dadas as informacoes ate o instante t, temos
y
t
() = +E
t
(
t+
) E
t
(
t+1
) (1.23)
Considere = 1 para prever 1 passo `a frente, entao camos com
y
t
(1) = +E
t
(
t+1
) E
t
(
t
) = + 0
t
onde
t
= y
t
y
t1
(1)
Para = 2, faremos a previsao 2 passos `a frente:
y
t
(2) = + 0 0 =
E para > 2 a situacao acima repete-se. Deste modo podemos escrever:
y
t
() =
_

1
(y
t
y
t1
(1)) para < 2
para 2
A variancia do erro de previsao e dada por
V ar (e
t
()) = E
t
_
e
2
t
()
_
onde e
t
() = y
t
() y
t
().
A variancia do erro para = 1 e dada por
V ar (e
t
(1)) = E
t
_
e
2
t
(1)
_
1.6. PREVIS

AO 13
onde e
t
(1) = y
t
(1) y
t
(1). Ainda temos que
y
t
(1) = +
t+1

t
e y
t
(1) =
t
Logo temos e
t
(1) =
t+1
, portanto V ar (e
t
(1)) =
2

A variancia do erro para 2 e

V ar (e
t
()) = E
t
_
(y
t
() y
t
())
2

Mas temos que y

t
() = +
t+

t+1
e y
t
(2) = . Logo teremos
y
t
(2) y
t
(2) =
t+

t+1
Consequentemente a variancia sera
V ar (e
t
()) = E
t
_
(
t+

t+1
)
2

V ar (e
t
()) = E
t
_

t+2
+
2

t+1
2
t+2

t+1

+
2

=
_
1 +
2
_

Exerccio 12: Seja o modelo AR-1

(1 L) y
t
= +
t
onde
t
NID(0,
2

). Calcule as previsoes para = 1, = 2 e = passos

`a frente. Calcule as respectivas variancias dos erros de previsao.
14 CAP

ITULO 1. CONCEITOS B

ASICOS DE S

ERIES TEMPORAIS
Captulo 2
Series nanceiras - retornos
Este captulo analisa o comportamento das series nanceiras. A questao da
previsibilidade e tratada sob os diversos modelos de passeio aleatorio (ran-
dom walk) conforme a classicacao de Campbell, Lo e MacKinlay (1997).
Posteriormente analisamos os diversos testes nas series nanceiras identi-
cando a dependencia linear. A dependencia nao linear e tratada no captulo
seguinte.
2.1 Serie de retornos
A maior parte dos estudos nanceiros concentra-se na analise da serie de
retornos ao inves do uso da serie de precos. A razao desta preferencia, con-
forme Campbell et al (1997), esta relacionada a dois fatos. Em primeiro
lugar o retorno de um ativo nanceiro contem as informacoes que atendem
aos interesses dos investidores. Em segundo lugar a serie de retornos possui
propriedades estatisticamente mais atrativas que a serie de precos.
O retorno de um ativo entre os instantes de tempo entre t 1 e t e dado por
R
t
=
P
t
P
t1
P
t1
(2.1)
Ou ainda podemos escrever
R
t
=
P
t
P
t1
1 1 +R
t
=
P
t
P
t1
O retorno em k perodos entre os intervalos t k e t e dado por
R
t
(k) =
P
t
P
tk
P
tk
1 +R
t
(k) =
P
t
P
tk
=
P
t
P
t1

P
t1
P
t2
. . .
P
tk+1
P
tk
15
16 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

Ou ainda
1 +R
t
(k) =
P
t
P
tk
(2.2)
O retorno capitalizado continamente signica que os instantes t e t t
tornam-se muito proximos com t sendo innitesimal. Neste caso R
t
<< 1.
Denimos entao o log-retorno como:
r
t
= ln (1 +R
t
) = ln
_
P
t
P
t1
_
= ln P
t
ln P
t1

= R
t
(2.3)
O retorno multiperodo capitalizado continuamente e dado por:
r
t
(k) = ln (1 + R
t
(k)) = ln [(1 +R
t
) (1 +R
t1
) . . . (1 +R
tk+1
)]
r
t
(k) = ln (1 + R
t
) + ln (1 +R
t1
) +. . . + ln (1 +R
tk+1
)
r
t
(k) = r
t
+r
t1
+. . . +r
tk+1
2.2 Fatos estilizados
Denicao: Os fatos estilizados sao regularidades estatsticas observadas
em um grande n umero de series nanceiras de retornos, a partir de estu-
dos empricos em diversos mercados. Pode-se resumir os principais fatos
estilizados em:
(i) estacionariedade;
(ii) fraca dependencia linear e dependencia nao linear;
(iii) caudas pesadas da distribuicao ou excesso de curtose;
(iv) comportamento heterocedastico condicional.
O comportamento heterocedastico condicional re une caractersticas como
aglomerados de volatilidade e efeito alavanca. O efeito alavanca aponta para
o efeito do comportamento dos choques. Choques negativos afetam a volatil-
idade condicional em maior magnitude que os choques positivos.
Os fatos estilizados serao tratados ao longo deste captulo atraves de testes
estatsticos, o captulo seguinte dedica-se aos modelos heterocedasticos condi-
cionais.
2.3. DISTRIBUIC

AO DOS RETORNOS 17
2.3 Distribuicao dos retornos
A distribuicao dos retornos escrita de forma mais geral envolve a analise
das series de retornos {r
it
} onde i = 1, 2, . . . , N e t = 1, . . . , T. Em varios
estudos tal como o CAPM o foco e a analise seccional (cross-section) onde
observam-se os retornos em um instante de tempo {r
1t
, . . . , r
Nt
}. Para a
analise do comportamento de um ativo especco teremos {r
it
}
T
t=1
. Iremos nos
deter neste caso.

E usual o tratamento do retorno como variaveis aleatorias
contnuas e neste a funcao de densidade conjunta e dada por;
f (r
i1
, r
i2
, . . . , r
iT
; ) = f (r
i1
) f (r
i2
|r
1t
) . . . f (r
iT
|r
iT1
. . . r
1i
)
f (r
i1
, r
i2
, . . . , r
iT
; ) = f (r
i1
|)
T

t=2
f (r
it
|r
it1
. . . r
i1
; ) (2.4)
O aspecto relevante e a observacao de como as distribuicoes do ativo evoluem
no tempo, ou seja, a especicacao da distribuicao condicional. Por ex-
emplo, uma das versoes do passeio aleatorio RW, que sera vista adiante,
pressupoe que a distribuicao condicional e igual `a distribuicao incondicional
f (r
it
|) = f (r
it
). Assim, os retornos sao independentes e conseq uentemente
nao previsveis.
Exerccio 13: Uma consideracao usual para a distribuicao de retornos r
t
e
r
t
NID
_
,
2
_
Portanto, R
t
sera uma distribuicao log-normal iid. Calcule a media e a
vari ancia de R
t
.
2.4 Previsibilidade dos retornos
A previsibilidade dos retornos e um fato intrigante em Financas e ao qual
muitos pesquisadores tem devotado atencao. Nao ha uma conclusao de-
nitiva sobre o problema e a questao continua aberta ao debate academico.
A analise da previsibilidade e considerada diante das informacoes passadas
dos retornos e consequentemente da distribuicao dos retornos. Seguiremos
a classicacao de Campbell et al (1997). Esta classicacao baseia-se nos
varios tipos de passeio aleatorio e na propriedade martingal. Assim temos os
seguintes modelos para retorno RW1, RW2, martingal e RW3.
18 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

2.4.1 Modelo RW1
O modelo RW1 e a versao mais simples dentre as apresentadas acima e
pressume que os retornos sao normais e iid. Em outras palavras:
ln P
t
= + ln P
t1
+
t
(2.5)
onde
t
NID(0,
2
). Os logartmos dos precos constituem um passeio
aleatorio com drift. Escrito de outra forma, temos:
r
t
= +
t
(2.6)
Sob esta condicao nao ha possibilidade nenhuma de previsao quer seja na
media ou nos momentos superiores. Este modelo considera que a distribuicao
dos retornos e a mesma em qualquer instante t. O modelo RW1 contraria
dois fatos estilizados quais sejam: a distribuicao dos retornos nao e normal
e os retornos apresentam variancia condicional variando com o tempo.
2.4.2 Modelo RW2
O pressuposto de que os retornos sao iid no modelo RW1 e questionavel
como visto anteriormente. A hipotese de que os retornos sao identicamente
distribudos e relaxada no modelo RW2. Porem a condicao de independencia
e mantida. Entao podemos escrever:
ln P
t
= + ln P
t1
+
t
(2.7)
onde
t
INID(0,
2
t
) onde INID signica independente nao identicamente
distribudo. Ou ainda:
r
t
= +
t
(2.8)
O modelo RW2 acomoda a possibilidade da variancia ser diferente ao longo
do tempo que e uma caracterstica emprica das series de retorno.
2.4. PREVISIBILIDADE DOS RETORNOS 19
2.4.3 Modelo martingal
O modelo martingal esta relacionado ao jogo justo onde considera-se que e
impossvel lucrar em um jogo dadas as informacoes passadas. Ou melhor, o
processo martingal considera que a melhor previsao para o valor da variavel
aleatoria amanha e o seu valor hoje. Formalmente denimos o modelo mar-
tingal abaixo.
Denicao: Seja {r
t
}
T
t=1
um processo descrito pela variavel aleatoria r
t
, dize-
mos que r
t
e martingal com relacao `as informacoes por ele geradas se:
(i) E (|r
t
|) <
(ii) r
t
contem todas as informacoes geradas pelo seu processo
(iii) E (r
t
|r
t1
, r
t2
. . .) = r
t1
A condicao (iii) estabelece que a previsao do valor de r
t
dada as informacoes
em t 1 e o seu valor em t 1, ou seja, r
t1
. Ainda podemos dizer que
E (r
t
r
t1
|r
t1
) = 0. Esta e a interpretacao do jogo justo onde os ganhos
incrementais em qualquer instante de tempo, dada as informacoes passadas
do jogo, e zero.
Exerccio 14: Considere o modelo r
t
= +
t

t
onde
t
NID(0, 1) e

2
t
=
0
+
1
r
2
t1
. Mostre que o processo r
t
e uma diferenca martingal.
2.4.4 Modelo RW3
O modelo RW3 relaxa a hipotese de independencia do modelo RW2 con-
siderando a dependencia e a descorrelacao dos incrementos. Assim, pode-se
dizer que Cov (
t
,
tk
) = 0, porem Cov
_

2
t
,
2
tk
_
= 0. Este processo e de-
scorrelatado mas nao independente pois os quadrados dos resduos sao cor-
relacionados.
Exerccio 15: Seja o modelo ln P
t
= + ln P
t1
+
t
onde
t
= c
2
t1
+
t
,
onde
t
NID(0,
2
), e c e constante. Mostre que:
(i) Cov (
t
,
tk
) = 0
(ii) Cov (r
t
, r
tk
) = 0
(iii) E
_

t
,
2
t1
_
= 0
20 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

No exerccio anterior o item (iii) implica que E
_
R
t
, R
2
t1
_
= 0, ou seja, o
quadrado dos retornos defasados de uma unidade podem ser utilizados para
construir a media condicional do processo.
2.5 Teste de normalidade
Como foi visto anteriormente, a suposicao de que uma serie de retornos possui
distribuicao normal e uma premissa para o Modelo RW1. Sabe-se entretanto
que as series de retornos nao sao normais. Em geral possuem caudas mais
pesadas que a distribuicao normal, isto e, excesso de curtose. Existem varios
testes para vericacao de normalidade. Iremos detalhar o teste de Jarque-
Bera.
Seja X uma variavel aleatoria qualquer com media e variancia
2
. A
assimetria de X e denida por:
A(X) = E
_
(X )
3

3
_
(2.9)
A curtose desta mesma distribuicao e
K (X) = E
_
(X )
4

4
_
(2.10)
Para a distribuicao normal A = 0 e K = 3. Os estimadores para a media e
variancia sao:
=
1
N
N

i=1
X
i
(2.11)

2
=
1
N
N

i=1
(X
i
)
2
(2.12)
Os estimadores para a assimetria e curtose sao:

A =
1
N

N
i=1
(X
i
)
3

3
(2.13)

K =
1
N

N
i=1
(X
i
)
4

4
(2.14)
2.6. TESTE DE ESTACIONARIEDADE 21
Demonstra-se que

A N
_
0,
6
N
_
e

K N
_
3,
24
N
_
. Bera e Jarque (1981) uti-
lizaram este fato para identicar se uma amostra provem de uma distribuicao
normal. A estatstica do teste e
JB =
_
_

A 0
_
6
N
_
_
2
+
_
_

K 3
_
24
N
_
_
2
(2.15)
que sob a hipotese nula de normalidade distribui-se como uma qui-quadrado
com dois graus de liberdade.
Teste Jarque-Bera
As hipoteses nula e alternativa para o teste Jarque-Bera sao:
H
0
: X
t
e normal
H
A
: X
t
nao e normal
Calcule a estatstica JB usando as equacoes (2.13), (2.14) e (2.15). Obtenha
da tabela o valor crtico =
2

(2) onde e o nvel de signicancia. Rejeite

a hipotese nula caso JB > .
2.6 Teste de estacionariedade
O teste mais usual para vericacao da estacionariedade e o teste da raz
unitaria. Considere inicalmente o modelo
y
t
= y
t1
+
t
(2.16)
onde
t
RB(0,
2
). Ja vimos que o processo X
t
e um passeio aleatorio. Se
o coeciente de y
t1
do processo que se esta investigando e de fato 1 tem-se
o que se chama de raz unitaria e ca caracterizada a nao estacionariedade.
Seja entao
y
t
= y
t1
+
t
(2.17)
A equacao (2.17) pode ser expressa de outra forma como
y
t
= y
t
y
t1
= ( 1) y
t1
+
t
ou ainda por
y
t
= y
t1
+
t
(2.18)
22 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

onde = 1 e a equacao (2.18) dene a serie y
t
diferenciada. Na serie
diferenciada a hipotese da raz unitaria e = 0 e neste caso y
t
=
t
, ou
seja, a primeira diferenca de y
t
e RB que e estacionario. A serie y
t
e dita
integrada de ordem 1.
Testes DF e ADF
Os testes da raz unitaria sao conhecidos na literatura por Dickey-Fuller,
seus autores, e ADF (Augmented Dickey e Fuller). O teste DF requer a
vericacao das regressoes descritas abaixo:
y
t
= y
t1
+
t
(2.19)
y
t
=
1
+y
t1
+
t
(2.20)
y
t
=
1
+
2
t +y
t1
+
t
(2.21)
As hipoteses nulas para as regressoes acima sao respectivamente:
(i) H
0
: = 0, X
t
e um passeio aleatorio
(ii) H
0
: = 0, X
t
e um passeio aleatorio com drift
(iii) H
0
: = 0, X
t
e um passeio aleatorio com drift e tendencia
A hipotese alternativa para cada um dos casos acima e bilateral, H
A
: = 0.
O software EVIEWS usa a hipotese alternativa H
A
: < 0.
Se o rudo
t
e autocorrelacionado os testes anteriores devem ser modicados
para
y
t
=
1
+
2
t +y
t1
+
m

i=1

i
y
ti
+
t
(2.22)
Este e o teste ADF e a hipotese nula e a mesma, ou seja, H
0
: = 0 ou = 1.
Dickey e Fuller (1979) provaram que a estatstica de teste nao e a estatstica-
t convencional. Eles deniram os valoes crticos com base na simulacao
de Monte-Carlo. Mais recentemente Mackinnon (1991) apresentou valores
crticos e p-valores para um espectro maior de cenarios.
Teste Phillips-Perron (PP)
O teste PP utiliza uma correcao na estatstica de teste baseado em um ajuste
2.7. TESTE PARA AUTOCORRELAC

AO 23
nao parametrico na forma desta estatstica, a qual corrige a presenca de he-
terocedasticidade e/ou autocorrelacao nos resduos. As regressoes sao as
mesmas descritas acima sem a presenca do somatorio do teste ADF. Os val-
ores crticos permanecem os mesmos.
Exerccio 15: Considere a serie de precos e a sua respectiva serie de re-
tornos. Realize os testes de normalidade JB e os teste de raz unitaria ADF
e PP.
2.7 Teste para autocorrelacao
Ja vimos anteriormente que os testes Box-Pierce e Ljung-Box sao utilizados
para detectar autocorrelacao. Iremos detalhar os procedimentos para realiza-
los.
Testes Box-Pierce e Ljung-Box
Primeiramente escolha o lag k para vericar a autocorrelacao. As hiposteses
dos testes sao:
H
0
:
1
=
2
= . . . =
k
= 0
H
A
: pelo menos um nao e nulo
Calcule as estatsticas:
Q(k) = N
k

j=1

2
j
( ) (2.23)
LB(k) = N (N + 2)
k

j=1
(N j)
1

2
j
( ) (2.24)
As estatsticas em (2.23) e (2.24) distribuem-se como uma qui-quadrado
com k graus de liberdade. Escolha o nvel de signicancia . Rejeite H
0
se
as estatsticas acima forem superiors que o valor crtico =
2

(k). Os testes
acima sao plenamente validos se a distribuicao e normal e estacionaria. Em
caso de uma (ou as duas) premissa(s) nao se vericar(em) a potencia do teste
ca reduzida.
24 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

2.8 Teste de independencia
O teste de independencia ou dependencia nao linear mais apropriado para da-
dos economico-nanceiros, que possuem amostras com tamanhos limitados,
e o teste de Brock, Dechert, Scheinkman e LeBaron (1986). O teste envolve
o conceito de correlacao espacial. Para examinar a correlacaoe espacial, a
serie y
t
deve ser inserida no espaco-m construdo pelo vetor:
y
m
t
= [y
t
, . . . , y
tm+1
] t = 1, 2 . . . , N m + 1
Por exemplo, seja o caso em que t = 1, 2 . . . , 5 e m = 3. Os vetores criados
sao:
y
3
1
= [y
1
, y
2
, y
3
]
y
3
2
= [y
2
, y
3
, y
4
]
y
3
3
= [y
3
, y
4
, y
5
]
Este operacao permite vericar a insercao em um espaco de dimensao maior.
A escolha da dimensao do espaco e subjetiva. A motivacao e examinar a
correlacao no contexto espacial. A dependencia de y
t
e examinada atraves
do conceito de correlacao integral, uma medida que examina a distancia entre
pontos no espaco de dimensao 3, como no exemplo. Para cada dimensao m
e um valor de , a correlacao integral e denida por
C (, m, N) =
1
N
m
(N
m
1)

t=s
I (y
m
t
, y
m
s
, ) (2.25)
onde N
m
= Nm+1, t e s variam entre 1 e Nm+1. A funcao indicadora
em (2.25) e
I (y
m
t
, y
m
s
, ) =
_
1 se y
m
t
y
m
s

0 caso contrario
A correlacao integral ira medir a fracao dos pares (y
m
t
, y
m
s
) para os quais a
distancia entre y
m
t
ey
m
s
nao e superior a . Por exemplo, a distancia entre y
3
1
e y
3
3
e calculada por y
3
1
y
3
3
= [y
1
y
3
, y
2
y
4
, y
3
y
5
]. Escolhe-se o maior
elemento do vetor resultante. Este maior elemento e comparado com . Se
for maior que o par e contado, caso contrario nao. Variando-se t e s, con-
tamos os pares que satisfazem a condicao. Entao divide-se o n umero total
de pares que satisfazem a condicao pelo n umero total de pares. Isto leva `a
fracao de pares que estao dentro da distancia . Se todos os pares satiszerem
a condicao C (, m, N) = 1. Se nenhum satiszer C (, m, N) = 0.
2.8. TESTE DE INDEPEND

ENCIA 25
Sob a hipotese nula de independencia a estatstica BDS e assintoticamente
N (0, 1):
BDS (, m, N) =

N [C (, m, N) C (, 1, N)
m
]
1
2
V
1
2
(2.26)
onde V e a variancia. Observe que a estatstica e funcao de e m. A aprox-
imacao assintotica e valida para
T
m
> 200. Quando em amostras pequenas
este fato nao e observado pode-se usar a tecnica do bootstrap para gerar diver-
sos cenarios de p-valores. O software EVIEWS disponibiliza esta alternativa.
Na pratica deve-se testar a estatstica para varios valores de m e .
Teste BDS
Escolha uma matriz de valores para m e . Considere variando de 0, 5
a 2 vezes o desvio padrao da serie. Para cada valor da matriz realize o teste
considerando
H
0
: y
t
e independente (RW1)
H
A
: dependencia
A hipotese alternativa de dependencia descrita acima signica efetivamente
dependencia linear, dependencia nao linear (na media/ variancia) ou caos de-
terminstico. Esta ultima esta fora do escopo deste trabalho. Caso estejamos
procedendo o teste nos resduos apos o ajuste de um modelo AR `a serie, a
hip otese alternativa cara limitada `a condicao de dependencia nao linear na
media, na variancia ou ambas.
Calcule a estatstica BDS em (2.26) e compare com os valores crticos para
o nvel de signicancia . Rejeite H
0
caso |BDS| > |

|.
Rejeitar a independencia signica alguma forma de dependencia. Para descar-
tar a possibilidade de dependencia linear, enfatizamos que a mesma deve ser
ltrada atraves de um modelo autoregressivo. Neste caso a rejeicao de H
0
limitara `a situacao de dependencia nao linear.
Exerccio 16: Considere o processo media movel nao linear
y
t
=
t
+ 8
t1

t2
Simule uma serie de tamanho N = 1500. Realize os testes Box-Pierce para
vericar a correlacao. Em seguida realize o teste BDS para testar a inde-
pendencia da serie.
26 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

2.9 Teste para dependencia nao linear
Um fato estilizado e bem conhecido das series de retornos nanceiros e o com-
portamento heterocedastico. Esta constatacao emprica pode ser feita pelo
teste de McLeod e Li (1983). Este teste nao e restrito `as series nanceiras
mas pode ser realizado para as series de tempo em geral. Esta estatstica
realiza uma investigacao identica `aquela de Ljung e Box, agora considerando
a correlacao dos quadrados dos resduos.
Teste de McLeod e Li
O teste e baseado no fato de que se
k
=
2
k
, para todo o k, entao a serie e
linear, ja a desigualdade dene uma serie nao linear. Para realiza-lo inicial-
mente calcule a autocorrelacao dos quadrados dos resduos dada por

k
_

2
_
=

Nk
j=1
_

2
j

2
_ _

2
j+k

2
_

N
j=1
_

2
j

2
_
2
(2.27)
onde
2
=
1
N

N
j=1

2
j
. Considere as hipoteses:
H
0
: quadrado dos resduos descorrelatados
H
A
: autocorrelacao nos quadrados dos resduos
A estatstica de teste e dada por:
McL(k) = N (N + 2)
k

j=1
(N j)
1

2
j
_

2
_
(2.28)
Quando aplicado aos resduos de um processo ARMA(p, q), a estatstica
McL tem uma distribuicao assintotica
2
(k p q). Para um nvel de sig-
nicancia de verique o valor crtico =
2

(k p q). Rejeite H
0
para
McL > . Uma vez rejeitada H
0
no teste de McLeod e Li ha evidencia de
nao linearidade.
Da mesma forma, uma vez que foi rejeitada a hipotese nula no teste BDS,
apos o ajuste de um processo AR, resta a condicao de nao linearidade na
media e/ou na variancia. O teste de Hsieh permite a diferenciacao entre as
duas situacoes.
Denicao: Diz-se que existe dependencia nao linear na media se o valor
2.9. TESTE PARA DEPEND

ENCIA N

AO LINEAR 27
esperado condicional dos resduos em relacao `as informacoes passadas e difer-
ente de zero, isto e:
E (
t
|y
t1
, . . . , y
tk
,
t1
, . . . ,
tk
) = 0 (2.29)
Exemplos de dependencia nao linear na media sao os modelos media movel
nao lineares, como por exemplo:
y
t
=
t
+
t1

t2
Outros modelos que apresentam nao linearidade na media sao os modelos
TAR (Threshold Autoregressive) propostos por Tong e Lim (1980):
y
t
=
_

1
y
t1
+
t
se y
t1

2
y
t1
+
t
se y
t1
>
onde
t
e RB e y
t
segue dois regimes dependendo do valor de y
t1
.
Ainda dentro da classe dos modelos nao lineares na media podemos citar
os modelos bilineares propostos por Granger e Andersen (1978):
y
t
= y
t1
+y
t1

t1
+
t
onde
t
e RB.
Denicao: Diz-se que existe dependencia nao linear na variancia para o
caso em que o valor esperado de
t
e zero:
E (
t
|y
t1
, . . . , y
tk
,
t1
, . . . ,
tk
) = 0 (2.30)
Os exemplos de nao linearidade na variancia sao os modelos de volatilidade
condicional heterocedastica, ou modelos da famlia GARCH mais apropri-
adamente.
O teste de Hsieh (1989) considera a hipotese nula de nao linearidade na
variancia, ou seja, o coeciente de autocorrelacao de terceira ordem e zero.
A hipostese alternativa e que o mesmo seja zero. O teste para a autocor-
relacao de terceira ordem e dado por
V
ij
=

N
(3)
ij
W
ij
(2.31)
onde os termos da equacao (2.31) sao:

(3)
ij
=
E (y
t
, y
ti
, y
tj
)
[E (y
2
t
)]
3
2
28 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

W
ij
=
E
_
y
2
t
y
2
ti
y
2
tj
_
[E (y
2
t
)]
3
Uma vez ajustado um modelo linear aos dados, a nao linearidade estara
contida nos resduos. Ou seja, o teste deve ser realizado nos resduos. Os
estimadores para
(3)
ij
e W
ij
sao:

(3)
ij
=
1
N

N
t=1

ti

tj
_
1
N

N
t=1

2
t
_3
2
(2.32)

W
ij
=
1
N

N
t=1

2
t

2
ti

2
tj
_
1
N

N
t=1

2
t
_
3
(2.33)
A estatstica V
ij
, sob a hipotese nula de que o coeciente de autocorrelacao
de terceira ordem e nulo, e normal.
Teste de Hsieh
Ap os ajustar um modelo AR que remova a dependencia linear da serie y
t
,
proceda a analise dos resduos da serie como se segue.
Inicialmente considere i = 1 e j = 1. Calcule os valores de
(3)
e W
ij
con-
forme as equacoes (2.32) e (2.33). Avalie a estatstica V
ij
conforme equacao
(2.31). As hipoteses do teste sao:
H
0
: dependencia nao linear na variancia
H
A
: dependencia nao linear na media
Rejeite H
0
se |V
ij
| >

, onde

e o valor crtico em uma distribuicao normal

padrao com nvel de signicancia . Nao ha muita clareza para quantos
valores de i, j o teste deve ser realizado. Sugerimos que o procedimento
seja considerado para i = 1, 2, 3 e j = 1, 2, 3. Desta forma, serao obtidas as
tabelas seguintes com os valores das estatsticas V
ij
e os respectivos p-valores:
2.9. TESTE PARA DEPEND

ENCIA N

AO LINEAR 29
Tabela 2.1: Estatstica V
ij
i/j 1 2 3
1 V
11
V
12
V
13
2 V
21
V
21
V
23
3 V
31
V
32
V
33
Tabela 2.2: p-valores de V
ij
i/j 1 2 3
1 p
11
p
12
p
13
2 p
21
p
21
p
23
3 p
31
p
32
p
33
Exerccio 17: Verique se os modelos
(i) y
t
=
t
+
2
t1

t
NID(0,
2
)
(ii) y
t
=
t
h
1
2
t
com h
t
=
0
+
1
y
2
t1
e
t
NID(0,
2
)
apresentam nao linearidade na media ou na variancia.
30 CAP

ITULO 2. S

ERIES FINANCEIRAS - RETORNOS

Captulo 3
Volatilidade condicional
Na teoria de Financas a incerteza ocupa um espaco preponderante. O risco,
que quantica a incerteza, esta presente em muitos modelos dentre os quais
podemos mencionar o CAPM (Capital Asset Pricing Model ). A volatili-
dade como medida de risco e um dos parametros de maior relevancia no
aprecamento de opcoes.

E uma variavel nao observavel diretamente. Alem
disso, esta relacionada a algumas propriedades ou a alguns fatos estiliza-
dos que sao bem conhecidos. Pode-se citar, por exemplo, que a volatilidade
em series nanceiras nao e constante ao longo do tempo, responsavel por-
tanto pelo seu comportamento heterocedastico. Perodos de alta volatilidade
sao seguidos por perodos de alta volatilidade. Ja aos perodos de baixa
volatilidade seguem-se perodos amenos. Isto confere a propriedade a que a
litereatura se refere como aglomerados de volatilidade.
Estas caractersticas peculiares da volatilidade sao capturadas pelos mode-
los heterocedasticos condicionais ARCH (Autoregressive Conditional Hete-
rocedasticity) proposto por Engel (1982) e extendido por Bollerslev (1986)
entao denominado de GARCH (Generalized Autoregressive Conditional Het-
erocedasticity). Nao obstante, algumas propriedades do comportamento da
volatilidade caram ao largo dos modelos GARCH. Por exemplo, o seu com-
portamento assimetrico nao e capturado pelos modelos GARCH. Esta assime-
tria refere-se ao comportamento da volatilidade frente aos diferentes efeitos
de choques positivos ou negativos. Os choques negativos trazem maior im-
pacto `a volatilidade. Estas constatacoes trouxeram novos modelos dentro da
categoria de modelos GARCH e foram denominados GARCH nao lineares.
Assim e que a pesquisa no nal da decada de 80 e incio dos anos 90 foi
profcua em tais modelos. Alem dos modelos de volatilidade, acima men-
cionados, sera apresentado o modelo de volatilidade estocastica.
31
32 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Ate o momento os modelos estuados eram da forma
y
t
= E (y
t
|I
t1
) +
t
(3.1)
onde
t
e tal que e homocedastico condicional e incondicionalmente, isto e
E
_

2
t
_
= E
_

2
t
|I
t1
_
Agora admitiremos que a variancia condicional varie com o tempo, con-
siderando que
E
_

2
t
|I
t1
_
= h
t
(3.2)
onde h
t
representa a variancia do resduo instante t. Assim o modelo em
(3.1) torna-se
y
t
= E (y
t
|I
t1
) +h
1
2
t

t
(3.3)
onde
t
e iid com media zero e variancia 1. Em princpio iremos adotar

t
NID(0, 1). Assim podemos dizer que
t
|I
t1
N (0, h
t
).
3.1 Modelos de volatilidade condicional line-
ares
Esta secao trata de alguns modelos da famlia GARCH que foram denomina-
dos GARCH lineares por nao capturarem os efeitos assimetricos dos choques.
Tratam-se pricipalemente dos modelos classicos propostos por Engle (1982)
e Bollerslev (1986).
3.1.1 Modelo ARCH
O modelo de Engle (1982) considera que a volatildade em t e uma funcao
linear do quadrado do choque em t 1, assim denominado ARCH(1).
y
t
= h
1
2
t

t
(3.4)
h
t
= +y
2
t1
onde > 0 e 0 sao condicoes que garantem a positividade de h
t
.
Mais genericamente pode-se considerar o modelo ARCH(1) escrito como na
equacao (3.1)
y
t
= a
0
+a
1
y
t1
+
t
(3.5)
3.1. MODELOS DE VOLATILIDADE CONDICIONAL LINEARES 33

t
= h
1
2
t

t
h
t
= +
2
t1
onde
t
e
t1
sao independentes.
O modelo ARCH(1) pode ser analisado sob a otica de um processo autore-
gressivo em
2
t
. Somando e subtarindo
2
t
na variancia h
t
, temos:
h
t
+
2
t
= +
2
t1
+
2
t

2
t
= +
2
t1
+u
t
(3.6)
onde u
t
=
2
t
h
t
= h
t

2
t
h
t
= h
t
(
2
t
1). Ainda E (u
t
|I
t1
) = E (h
t
) E (
2
t
1) =
0. Em (3.6) o processo para
2
t
e estacinario de segunda ordem se < 1.
Neste caso os momentos em t e t 1 sao iguais, ou seja
E
_

2
t
_
= +E
_

2
t1
_
E
_

2
t
_
=

1
(3.7)
Ainda note que E (
t
) = 0. Observe tambem em (3.4) que valores grandes de
y
t1
(positivos ou negativos) sao seguidos por valores grandes de y
t
. O mesmo
ocorre para valores pequenos. Ou seja, o modelo captura os aglomerados de
volatilidade. Alem disso, a curtose de y
t
e dada por
K
y
=
3 (1
2
)
1 3
2
(3.8)
onde 1 > 3
2
e K
y
sera maior que 3 o que signica que o modelo captura o
excesso de curtose, um dos fatos estilizados das series de retornos nanceiros.
Exerccio 18: Mostre que para o modelo em (3.4) que a curtose e dada por
K
y
=
3 (1
2
)
1 3
2
Exerccio 19: Seja o modelo dado em (3.5):
(i) calcule a media condicional de y
t
(ii) calcule a variancia condicional de y
t
34 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

(iii) calcule a media incondicional de y
t
(iv) calcule a variancia incondicional de y
t
Exerccio 20: Seja o modelo em (3.4).
(i) escreva o modelo AR(1) para y
2
t
(ii) calcule a FAC para y
2
t
Uma extensao natural do modelo ARCH(1) em (3.4) e o modelo ARCH(q)
onde a variancia e escrita como:
h
t
= +
1
y
2
t1
+
2
y
2
t2
+. . . +
q
y
2
tq
(3.9)
Da mesma forma que anteriormente o modelo pode ser escrito como um
AR(q) para y
2
t
. Neste caso a variancia incondicional de y
t
sera:
E
_
y
2
t
_
=

1
1
. . .
q
(3.10)
uma vez que sejam atendidas as condicoes de estacionariedade de segunda
ordem.
Exerccio 21: Mostre que a variancia incondicional de y
t
e dada pela
equacao (3.10).
Para trabalhar com os modelos ARCH modelando a volatilidade condicional
das series de retorno deve-se utilizar grandes valores de q o que torna os mo-
delos poucos parciomoniosos trazendo complexidade para a estimacao dos
parametros. Esta complexidade e oriunda das restricoes que se deve impor
aos parametros evitando a nao negatividade da variancia e buscando a esta-
cionariedade do modelo.
3.1. MODELOS DE VOLATILIDADE CONDICIONAL LINEARES 35
3.1.2 Modelo GARCH
Bollerslev (1986) propos o modelo GARCH (Generalized Autoregressive Con-
ditional Hetercedasticity) atraves da inclusao da variancia passada ao modelo
ARCH. O objetivo foi o de obter um modelo mais parciomonioso e sem os
problemas de estimacao do modelo ARCH. Seja entao o modelo na forma da
equacao (3.4) para o modelo GARCH(1,1):
y
t
= h
1
2
t

t
(3.11)
h
t
= +y
2
t1
+h
t1
onde > 0, > 0 e 0 garantindo que h
t
0. Fazendo substituicoes
recursivas do termo h
t1
em (3.11) mostra-se a equivalencia deste modelo
com o modelo ARCH().
Acrescentando y
2
t
em ambos os lados da expressao de h
t
temos que
y
2
t
= +y
2
t1
+h
t1
h
t
+y
2
t
y
2
t
= +y
2
t1
+h
t1
+u
t
onde u
t
= y
2
t
h
t
e u
t1
= y
2
t1
h
t1
, fazendo a substituicao
y
2
t
= +y
2
t1
+
_
y
2
t1
u
t1
_
+u
t
y
2
t
= + ( +) y
2
t1
u
t1
+u
t1
(3.12)
E o processo GARCH(1,1) pode ser escrito como um ARMA(1,1) que sera
estacionario de segunda ordem se + < 1.
Exerccio 22: Seja o modelo descrito em (3.11)
(i) calcule a media e a variancia condicionais de y
t
(ii) calcule a media e a variancia incondicionais de y
t
(iii) calcule a autocorrelacao
1
do modelo em (3.12)
Exerccio 23: Mostre que a curtose de y
t
por
K
y
=
3
_
1 ( +)
2

1 ( +)
2
2
2
36 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

O modelo GARCH(p,q) e dado por
h
t
= +
q

i=1

i
y
2
ti
+
p

j=1

j
h
tj
(3.13)
Alternativamente o modelo pode ser escrito como:
h
t
= +(L) y
2
t
+ (L) h
t
(3.14)
onde
(L) =
1
L +. . . +
q
L
q
(L) =
1
L +. . . +
p
L
p
O modelo em (3.13) ou (3.14) sera estacionario de segunda ordem caso as
razes do polinomio 1 (L) (L) estiverem fora do crculo unitario. A
selecao da ordem p, q do modelo deve ser feita minimizando os criterios de
informacao tais como o AIC (Akaike Information Criteria) e BIC (Bayesian
Information Criteria) nas equacoes (1.15) e (1.16). Na maior parte dos
casos praticos o modelo GARCH(1,1) atende as necessidades de modelagem.
3.1.3 Estimacao do modelo GARCH(1,1)
O modelo GARCH(1,1) na equacao (3.11) esta aqui reescrito
y
t
= h
1
2
t

t
(3.15)
h
t
= +y
2
t1
+h
t1
onde sao observadas as mesmas restricoes dos parametros e
t
NID(0, 1).
A funcao distribuicao conjunta do modelo e dada por
f (y
1
, y
2
, . . . , y
N
) = f (y
1
) f (y
2
|y
0
, y
1
) . . . f (y
N
|y
0
, . . . , y
N1
)
f (y
1
, y
2
, . . . , y
N
) = f (y
1
)
N

t=2
f (y
t
|y
0
, . . . , y
t1
) (3.16)
A funcao verossimilhanca do modelo e
L(; y) = ln f (y
1
, y
2
, . . . , y
N
) = ln (y
1
) +
N

t=2
ln f (y
t
|y
0
, . . . , y
N1
)
3.1. MODELOS DE VOLATILIDADE CONDICIONAL LINEARES 37
onde representa o vetor dos parametros = [, , ]. E a funcao de
verossimilhanca dado y
1
sera dada por:
L(; y) =
N

t=2
ln f (y
t
|y
0
, . . . , y
N1
) (3.17)
Por outro lado temos que a funcao densidade de
t
e
f (
t
|y
t1
) =
1

2
exp
_

1
2

2
t
_
Da equacao (3.15) temos que
g (y
t
) =
y
t
h
1
2
t
e g (y
t
) =
1
h
1
2
t
(3.18)
E a funcao f (y
t
|y
0
, . . . , y
N1
) sera escrita por
f (y
t
|y
0
, . . . , y
N1
) = f (g (y
t
)) g (y
t
) (3.19)
Usando a equacao (3.18) na equacao (3.19), teremos:
f (y
t
|y
0
, . . . , y
N1
) = f
_
y
t
h
1
2
_
1
h
1
2
t
(3.20)
Levando a equacao (3.20) na equacao (3.17), temos
L(; y) =
N

t=2
ln f
_
y
t
h
1
2
t
_
+
N

t=2
ln h

1
2
t
(3.21)
Mas f
_
y
t
/h
1/2
t
_
=
1

2
exp
_

1
2
y
2
t
h
t
_
e o seu logartmo e
ln f
_
y
t
h
1
2
t
_
=
1
2
ln 2
1
2
y
2
t
h
t
Levando este resultado em (3.21), nalmente teremos:
L(; y) =
N

t=2
_

1
2
ln 2
1
2
_
y
2
t
h
t
__

1
2
N

t=2
ln h
t
L(; y) =
N
2
ln 2
1
2
N

t=2
ln h
t

1
2
N

t=2
y
2
t
h
t
(3.22)
38 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Os parametros em sao obtidos pela maximizacao da funcao L(; y) em
(3.22).
A suposicao em (3.15) de que
t
NID(0, 1), pode ser modicada. Boller-
slev (1987) sugere o uso de distribuicao com caudas mais pesadas para cap-
turar o excesso de curtose. Considerando uma variavel aleatoria x com dis-
tribuicao t de Student com graus de liberdade e ainda
t
=
x

(2)
, a
funcao densidade de
t
e
f (
t
|) =
(( + 1) /2)
(/2)
_
( 2)
_
1 +

2
t
2
_

+1
2
(3.23)
para > 2 onde (z) =
_

0
y
z1
e
y
dy. E seguindo as mesmas etapas ante-
riores chegaremos a
f (y
t
|y
0
, . . . , y
N1
) =
N

t=2
(( + 1) /2)
(/2)
_
( 2)
1
h
1/2
t
_
1 +
y
2
t
( 2) h
t
_
(3.24)
Se o valor dos graus de liberdade for uma variavel exogena tem-se para a
funcao verossimilhanca:
L(; y) =
N

t=2
_
+ 1
2
ln
_
1 +
y
2
t
( 2) h
t
_
+
1
2
ln h
t
_
(3.25)
Se o n umero de graus de liberdade estiver sendo estimado, acrescente-se `a
funcao anterior a parcela que se segue ao produtorio em (3.24).
3.1.4 Previsao da volatilidade condicional
Seja novamente o modelo em (3.15), a variancia condicional em t e dada por
h
t
= +y
2
t1
+h
t1
A variancia um passo `a frente e
h
t+1
= +y
2
t
+h
t
O valor esperado

h
t+1
e

h
t+1
= + y
2
t
+h
t
= +y
2
t
+h
t
= h
t+1
(3.26)
Para o instante t + 2, temos
h
t+2
= +y
2
t+1
+h
t+1
3.1. MODELOS DE VOLATILIDADE CONDICIONAL LINEARES 39
Por conseguinte o valor esperado sera

h
t+2
= + y
2
t+1
+

h
t+1
= +

h
t+1
+h
t+1
= + ( +) h
t+1
onde foi usado o resulado da equacao (3.26). Repetindo o procedimento em
t + 3, teremos

h
t+3
= + ( +) + ( +)
2
h
t+1
E para t +s, s Z, teremos

h
t+s
=
s2

i=0
( +)
i
+ ( +)
s1
h
t+1
(3.27)
3.1.5 Modelo IGARCH
O modelo IGARCH (Integrated GARCH) e util em se tratando de dados de
alta freq uencia. Neste modelo + = 1. Retomando a equacao (3.12),
podemos escrever
(1 L) y
2
t
= u
t1
+u
t
(3.28)
O modelo nao e estacionario de segunda ordem. Porem pode-se demonstrar
que estritamente estacionario, veja Nelson (1990).
3.1.6 Modelo GARCH-M
O modelo GARCH-M (GARCH na media) foi proposto por Engle, Lilien e
Robins (1997) com a nalidade de capturar a relacao entre risco e retorno tao
bem estabelecida dentro da teoria de Financas. O modelo GARCH(1,1)-M
pode ser assim descrito:
y
t
= +cg (h
t
) +
t
(3.29)

t
= h
1/2
t

t
h
t
= +
2
t1
+h
t1
onde , c, , , e sao parametros. A funcao g (h
t
) em geral e g (h
t
) = h
1/2
t
ou g (h
t
) = h
t
. O parametro c e o premio de risco. Para c positivo ha
indicacao de que o retorno esta positivamente correlacionado `a volatilidade
passada.
40 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

3.2 Modelos de volatilidade condicional nao
lineares
Os efeitos dos choques na volatilidade condicional sao diferentes para choques
positivos ou negativos. Este e um fato estilizado. O efeito na volatilidade
condicional de um choque negativo e mais acentuado do que o de um choque
positivo. Entretanto os modelos ARCH e GARCH nas equacoes (3.4) e
(3.11), respectivamente consideram o choque em t 1 elevado ao quadrado.
Neste caso, os modelos sao indiferentes ao sinal no choque e o efeito con-
statado empiricamente nao e capturado pelos modelos. Este efeito foi obser-
vado por Black (1976). Quando a acao de uma empresa cai a relacao entre a
dvida e o capital proprio aumenta sugerindo um aumento da alavancagem.
Simultanearmente a acao ca mais volatil. Estes dois fatos caram associa-
dos e o fenomeno cou conhecido como efeito alavanca. Os modelos GARCH
nao lineares que serao apresentados foram estabelecidos com a nalidade de
capturar o efeito alavanca.
3.2.1 Modelo EGARCH
O modelo EGARCH (ou exponential GARCH) foi desenvolvido por Nelson
(1991). O EGARCH(1,1) e descrito por:
ln h
t
= +y
t1
+ (|y
t1
| E (|y
t1
|)) + ln h
t1
(3.30)
que ainda pode ser escrito por
ln h
t
= +g (y
t1
) + ln h
t1
(3.31)
onde , , e sao constantes e g (y
t
) e dada por
g (y
t
) =
t
+ (|y
t
| E (|y
t
|)) (3.32)
O uso do logartmo da variancia no modelo EGARCH exibiliza as restricoes
de positividade imposta aos parametros. Vejamos os efeitos em h
t
para
choques positivos ou negativos em t 1:
g (y
t1
) =
_
( +) y
t1
E (|y
t1
|) para y
t1
> 0
( ) y
t1
E (|y
t1
|) para y
t1
< 0
Note que a assimetria dos choques ocorre se = 0 e presenca do efeito
alavanca ocorre quando < 0. A funcao g (y
t
) possui media zero pois tanto
y
t
como |y
t
| E (|y
t
|) possuem media zero. A assimetria dos choques e
3.2. MODELOS DE VOLATILIDADE CONDICIONAL N

AOLINEARES41
garantida pela especicacao da funcao g (y
t
) em (3.32). Se
t
NID(0, 1)
entao E (||) =
_
2

. Se
t
e uma distribuicao t de Student padronizada dada
em (3.23), entao
E (|
t
|) =
2

2 (( + 1) /2)
( 1) (/2)

3.2.2 Modelo TARCH

O modelo TARCH (Threshold ARCH) tambem foi concebido para consi-
derar as diferencas na volatilidade condicional causadas por choques pos-
itivos e negativos. Na literatura por vezes este modelo ora aparece com
o nome GJR devido a Glosten, Jagannathan e Runkle (1993) ora simples-
mente TARCH devido a Zakoan (1994). Essencialmente os dois modelos
tem a mesma nalidade e aqui serao tratados indistintamente de TARCH. O
modelo TARCH(1,1) e escrito por
h
t
= +y
2
t1
+h
t1
+y
2
t1
(1 I (y
t1
> 0)) (3.33)
Se o choque em t 1 for positivo, y
t1
> 0, entao I (y
t1
) = 1 e o impacto
na variancia sera devido a . Caso o choque seja negativo I (y
t1
= 0) o
impacto na variancia sera + . O efeito assimetrico ca caracterizado se
= 0 e se > 0 ca constatado o efeito alavanca. O modelo mais geral
como TARCH(p,q) pode ser escrito por
h
t
= +
q

i=1

i
y
2
t1
+
p

j=1

j
h
tj
+
r

k=1

k
y
2
tk
(1 I (y
tk
> 0)) (3.34)
onde r representa a ordem do choque que impacta a volatilidade.
3.2.3 Modelo QGARCH
O modelo QGARCH (ou quadratic GARCH) tambem captura os efeitos de
choques de diferentes sinais. Foi proposto por Sentana (1995) e pode ser
escrito por
h
t
= +y
t1
+y
2
t1
+h
t1
(3.35)
Deferencia do GARCH tradicional pela introducao do termo y
t1
. O modelo
em (3.35) pode ser escrito por
h
t
= +
_

y
t1
+
_
y
2
t1
+h
t1
(3.36)
42 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Para < 0 os choques negativos causarao um impacto em h
t
superior aos
choques positivos. Neste modelo o tamanho do choque tambem e capturado
como inuenciando a variancia.
Alem dos modelos aqui apresentados existem muitos outros que tornam a
famlia GARCH muito extensa. Citamos alguns outros modelos dentro dos
GARCH nao lineares:
(i) LSTGARCH (Logistic Smooth Transition Garch) - Enquanto no mo-
delo TARCH o efeito do choque positivo para o negativo e devido `a
mudanca abrupta de para + , neste modelo ha uma mudanca
suave de uma situacao para outra atraves da funcao logstica. Foi pro-
posto por Hagerud (1997) e Gonzales-Rivera (1998).
(ii) GARCH com mudanca de regime - Outros modelos de volatilidade
condicional levam em consideracao a possibilidde de mudanca de regime.
Rabemananjara e Zakoan (1993) argumetam que choques negativos au-
mentam a volatilidade condicional somente se o choque negativo (em
valor absoluto) e grande em magnitude. Observaram que choques neg-
ativos e pequenos tem menor impacto sobre a volatilidade que choques
positivos de magnitude igual. Nesta linha de trabalho podemos ainda
citar Fornari e Melle (1996,1997) e Anderson, Nam e Vahid (1999).
3.3 Teste para GARCH linear
O teste para detectar heterocedasticidades condicional ou efeito ARCH nos
resduos de uma regressao foi proposto por Engle (1982). A volatilidade
condicional sera constante se todos os
i
do modelo ARCH(q) em (3.9),
aqui reescrito
h
t
= +
q

i=1

i
y
2
ti
forem nulos.
Teste ARCH-LM
Fazendo-se uma regressao em que
e
2
t
= +
q

i=1

i
e
2
ti
+
t
(3.37)
3.4. TESTE PARA GARCH N

AO LINEAR 43
onde e
t
sao os resduos estimados da regressao, podemos testar a hipotese
nula:
H
0
:
1
=
2
= . . . =
q
= 0 (sem efeito ARCH)
H
A
: presenca do efeito ARCH
O teste e baseado no princpio dos multiplicadores de Lagrange. A estatstica
LM e LM = N R
2
distribuindo assitoticamente como uma
2

(q) sendo
o nvel de signicancia.
3.4 Teste para GARCH nao linear
Os testes propostos por Engle e Ng (1993) vericam a presenca do efeito
assimetrico dos choques na volatilidade.
Teste do sinal do choque
Este teste verica se magnitude do quadrado do choque em t e afetado
pelo sinal do choque em t 1. Considere uma variavel dummy N
t1
em
que N
t1
= 1 se o choque em t 1 e negatio, isto e y
t1
< 0, e zero caso
contrario. Faca a regressao
e
2
t
=
0
+
1
N
t1
+
t
(3.38)
Considere as hipoteses:
H
0
:
1
= 0
H
A
:
1
= 0
Para
1
= 0 nao existe assimetria ou efeito alavanca. A estatstica de teste
e a estatstica t tradicional. Rejeite H
0
se estatstica t > t

(N 2) onde e
o nvel de signicancia e N o tamanho da serie.
Teste do tamanho do choque
Neste teste e vericado se alem do sinal, o tamanho do choque em t 1
afeta o quadrado do choque em t. Faca a regressao
e
2
t
=
0
+
1
N
t1
e
t1
+
t
(3.39)
Nesta regressao e investigado se o choque negativo e sua magnitude afetam
e
2
t
e consequentemente a variancia condicional, o teste e analisado sob a es-
tatstica t.
44 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Faca tambem a regressao
e
2
t
=
0
+
1
P
t1
e
t1
+
t
(3.40)
onde P
t1
= 1 N
t1
. Neste caso investiga-se se o sinal e a magnitude do
choque positivo em t 1 afetam simultaneamente a variancia condicional.
Tambem pode-se realizar o teste conjunto proposto em (3.38), (3.39) e
(3.40). Fa ca a regressao
e
2
t
=
0
+
1
N
t1
+
2
N
t1
e
t1
+
3
P
t1
e
t1
+
t
(3.41)
As hipoteses sao
H
0
:
1
=
2
=
3
= 0
H
A
= pelo menos um
i
= 0
A estatstica de teste e LM = N R
2
e e assitoticamente distribuda sob
uma distribuicao
2
(3). Rejeite H
0
caso LM >
2

(3) sendo o nvel de

signicancia.
Variantes do teste de Engle e Ng (1993) podem ser facilmente consideradas
para os diversos modelos GARCH nao lineares.
3.5 Testes de adequacao do modelo
A suposicao de que os resduos sao independentes e identicamente distribudos
deve ser testada apos o ajuste do modelo de variancia condicional. Assim
os resduos padronizados
t
nos modelos (3.4) e (3.11) devem ser testados.
Verique a independencia atraves do teste Brock, Dechert, Scheinkman e
LeBaron (1986). Verique tambem a presenca de descorrelacao serial entre
os resduos estimados ao quadrado (
2
t
) atraves dos tested de McLeod e Li
(1993) ou atraves do teste ARCH-LM de Engle (1982). Estes testes apontam
para presenca do efeito ARCH remanescente no modelo ajustado. Obvia-
mente o teste para identicar o tipo da distribuicao de
t
deve ser analisado
sob a natureza da distribuicao adotada para os resduos.
3.6. VOLATILIDADE ESTOC

ASTICA 45
3.6 Volatilidade estocastica
Os modelos ate entao analisados consideram que a volatilidade em t e funcao
dos choques e volatilidades passadas. Portanto, dadas as informacoes em
t 1 a volatilidade condicional e determinstica. Alem deste fato, os choques
na serie y
t
e na volatilidade h
t
possuem a mesma natureza.
No modelo de volatilidade estocastica os choques simultaneos na media da
serie y
t
e na volatilidade h
t
sao governados por processos descorrelatados. O
modelo de volatilidade estocastica foi proposto por Taylor (1986). Este mo-
delo recebeu pouca atencao devido `as diculdades de estimacao. No entanto,
com a evolucao computacional e a reducao do tempo de processamento, no-
vas tecnicas de estimacao tem sido utilizadas. Desta forma, o modelo de
volatilidade estocastica tem recebido especial atencao principalmente no que
se refere a metodologias de estimacao.
O modelo pode ser escrito como:
y
t
=
t

t
(3.42)

2
t
= k e
h
t
h
t
= h
t1
+
t
onde
t
NID(0, 1),
t
NID
_
0,
2

_
, || < 1 e E (
t

ts
) = 0 para s 0.
Isto signica que o processo seguido por h
t
e estacionario.
Exerccio 24: Seja o modelo de volatilidade estocastica formulado em (3.42).
(i) calcule a media e variancia incondicionais de h
t
(ii) calcule a media e variancia condicional de y
t
(iii) calcule a media e a variancia incondicional de y
t
(iv) calcule o quarto momento de y
t
e a curtose K
y
(v) calcule os demais momentos pares de y
t
, isto e, o sexto, oitavo, ... e o
2m-esimo momento.
(vi) calcule a covariancia de y
t
(vii) calcule a correlacao de y
2
t
46 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Comparando os resultados do exerccio 22 (iii) e do exerccio 24 (vii) obser-
vamos que os modelos GARCH(1,1) e volatilidade estocastica possuem FACs
que sao um decaimento exponencial para zero. Veja em Carnero et al. um
estudo comparativo entre os modelos GARCH e volatilidade estocastica. A
maior diferenca entre os modelos GARCH e volatilidade estocastica recai so-
bre a estimacao. No modelo GARCH a estimacao e feita pela maximizacao
da verossimilhanca. A funcao de verossimilhanca e construda a partir de
informacoes passadas de y
t
. No modelo de volatilidade estocastica y
t
|I
t1
nao pode ser construda a partir das informacoes passadas de y
t
uma vez que
h
t
esta sujeita a um processo de choques diferentes de y
t
.
Dentre as metodologias de estimacao para o modelo de volatilidade estocastica
podemos mencionar:
(i) metodo dos momentos
(ii) metodos de maxima verossimilhanca, atraves de simulacao numerica
usando amostragem ponderada e Monte-Carlo cadeia de Markov (veja
Shepard e Pitt (1997), Sandman e Koopman (1998), Jaquier et al (1994)
e Kim et al (1998)).
1
(iii) metodo de quase-maxima verossimilhanca (QMLE) (veja Nelson (1998),
Harvey et al (1994)). Em Ruiz (1994) veja que o QMLE e consistente
e assintoticamente normal.
(iv) metodos de linearizacao
O metodo de quase maxima verossimilhanca esta implementado no software
STAMP . O modelo realiza a estimacao dos componentes nao observaveis
atraves do ltro de Kalman dentro da abordagem da metodologia espaco-
estado. Veja Durbin e Koopman (2002) e Harvey (1989).
Reescrevemos o modelo da equacao (3.42) tal qual foi implementado no
software acima (veja Koopman et al (2000)). Combinando a primeira e a
segunda equacoes temos:
y
t
=
t
exp (h
t
/2) (3.43)
h
t
= h
t1
+
t
1
Broto e Ruiz (2002) apresentam uma resenha sobre as metodologias de estimacao do
modelo de volatilidade estocastica.
3.6. VOLATILIDADE ESTOC

ASTICA 47
Elevando ao quadrado a equacao e tomando o logartmo, temos:
ln y
2
t
= ln
2
+ ln
2
t
+h
t
Somando e subtraindo E (ln
2
t
)
ln y
2
t
= ln
2
+E
_
ln
2
t
_
+ ln
2
t
E
_
ln
2
t
_
+h
t
ln y
2
t
= k +h
t
+
t
(3.44)
onde
t
= ln
2
t
E (ln
2
t
) e k = ln
2
+ E (ln
2
t
). Observe que nao ha
necessidade de assumir uma distribuicao particular de
t
. O metodo de quase-
maxima verossimilhanca ignora qual a correta distribuicao de ln y
2
t
ou
t
e
adota como sendo normalmente distribuda. Fuller (1996) propos a seguinte
transformacao para y
t
:
ln y
2
t
= ln
_
y
2
t
+cs
2
y
_

cs
2
y
y
2
t
+cs
2
y
para t = 1, . . . , N
onde s
2
y
e a variancia amostral de y
t
e c e uma constante adotada como
0, 02 em varios estudos, veja Breidt e Carriquiry (1996) e Bollerslev e Wright
(2001).
48 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Bibliograa
Akaike, H. (1974). A new look at statistical model identication, IEEE
Transaction on Automatic Control AC 19,716-23.
Anderson, H. M., Nam K. e Vahid, F. (1999). Asymetric nonlinear
smooth transition GARCH models, in P. Rothmam (ed.). Nonlinear
Time Series Analysis of Economic and Financial Data, Boston: Klewer,
191-207
Bera, A. K. e Jarque, C. M. (1981). An ecient large sample test for
normality of observations and regression residuals. Working Paper in
Econometrics, No. 40, Australian National University, Canberra
Black, F. (1976). The pricing of commodity contracts, Journal of Fi-
nancial Economics 3,167-79
Bollerslev , T. (1986). Generalized autoregressive conditional hetero-
cedasticity, Journal of Econometrics 31, 307-27
(1987). A conditional heteroskedastic time series model
for speculative prices and rates of return, Review of Economics and
Statistics 69, 542-7
Bollerslev, T. e Wrigth, J. H. (2001). High frequency data, frequency
domain inuence and volatility forecasting, Review of Economics and
Statistics 83, 596-02
Breidt, F. J. e Carriquiry, A. L. (1996). Improved quasi-maximum
likelihood estimators for stochastic volatility models, in A. Zellner and
J. S. Lee (eds.), Modelling and Prediction: Honoring Seymour Geisel,
Springer-Verlag, New York
Brock, W. A., Dechert, W. Scheinkman, J. A. e LeBaron, B. (1986).
A test of independence based on correlation dimension, Econometric
Reviews 15, 197-35
Broto, C. e Ruiz E. (2002). Estimation methods for stochastic volatility
models: a survey, Working Paper
Campbell, J. Y., Lo, A. W. e MacKinlay, A. C. (1997). The economet-
rics of nancial markets, Princeton: Princeton University Press
3.6. VOLATILIDADE ESTOC

ASTICA 49
Dickey, D. A. e Fuller, W. A. (1979). Distribution of the estimators of
autoregressive time series with unit root, Journal of American Statis-
tical Association 74, 427-31
Durbin, J. e Koopman, S. J. (2002). Time Series Analysis by State
Space Methods, Oxford University Press
Enders, W. (1995). Applied Econometric Time Series. John Wiley &
Sons
Engle, R. F. (1982). Autoregressive conditional heterocedasticity with
estimates of the variance of United Kingdom ination, Econometrica
50, 987-007
Engle, R. F., Lilien, D. M. e Robins, R. P. (1987). Estimating time
varying risk premia in the term sturcture: The ARCH-M model, Econo-
metrica 55, 391-07
Engle, R. F. e Ng, V. K. (1993). Measuring and testing the impact of
news on volatility, Journal of Finance 48, 1749-78
Fornari, F. e Mele, A. (1996). Modelling the changing asymetry of
conditional variances, Economic Letters 50, 197-03
(1997). Sign-and volatility-switching ARCH models: the-
ory and apllications to international stock markets, Journal of Applied
Econometrics 12, 49-65
Franses, P. H. e van Dijk, D. (2000). Non-Linear Time Series Models
in Empirical Finance, Cambridge University Press
Fuller, W. A. (1996). Introduction to Statistical Time Series, Wiley,
New York
Glosten, L. R., Jagannathan R. e Runkle, D. E. (1993). On the relation
between the expected value and the volatility of the nominal excess on
stocks, Journal of Finance 48, 1779=801
Gonzales-Rivera, G. (1998). Smooth transition GARCH models, Stud-
ies in Nonlinear Dynamics and Econometrics 3, 61-78
Granger, C. W. J. e Andersen A. (1978). An Introduction to Bilinear
Time Series Models, Gottingem: Vandenhoeck & Ruprecht
50 CAP

ITULO 3. VOLATILIDADE CONDICIONAL

Hamilton, J. D. (1994). Time Series Analysis, Princeton University
Press, Princeton, New Jersey
Hagerud, G. E. (1997). A new nonlinear GARCH model, PhD Thesis,
IFE, Stockholm School of Economics
Harvey, A. C., Ruiz, E. e Shephard, N. G. (1994). Mutivariate variane
models, Riview of Economic Studies
Hsieh, D. A. (1983). A heterocedasticity-consistent covariance matrix
estimator for time series regressiona, Journal of Econometrics 22, 281-
90
Jaquier, E., Polson, N. G. e Rossi, P. E. (1994). Bayesian analysis of
stochastic volatility models, Journal of Business and Economics Statis-
tics 12, 371-17
Kim, S. e Shephard N. (1994). Stochastic volatility and comparinson
with ARCH models, Unpublished Paper: Nueld College, Oxford
Koopman, S. J., Harvey, A. C., Doornik, J. A. e Shephard, N. (2000).
STAMP - Structural Time Series Analyser, Modeller and Predictor,
Manual do usuario, Timberlake Consultants
Mackinnon, J. G. (1990). Critical values for co-integration tests, Work-
ing Paper, University of California, San Diego
McLeod, A. I. e Li, W. K. (1983). Diagnostic cheking ARMA time
series models using squared-residual autocorrelations, Journal of Time
Series Analysis 4, 269-43
Moretin, P. A. e Toloi, C. M. C. (2004). Analise de Series Temporais,
Sao Paulo, Edgard Bl ucher
Nelson, D. B. (1988). The time series behavior of sotck market wolatil-
ity and returns, Unpublised PhD dissertation, MIT, Cambridge, MA
(1990). Stationarity and persistence in the GARCH(1,1) model,
Econometric Theory 6, 318-34
(1991). Conditional heteroskedasticity in asset returns: a new
approach, Econometrica 59, 347-70
Rabemananjara, R. e Zakoan, J. M. (1993). Threshold ARCH models
and asymmetries in volatility, Journal of Applied Econometrics 8, 31-49
3.6. VOLATILIDADE ESTOC

ASTICA 51
Ruiz, E. (1994). Quasi-maximum likelihood estimation of Stochastic
volatility models, Journal of Econometrics 63, 289-06
Sandmann, G. e Koopman, S. J. (1998). Estimation of stochastic
volatility models via Monte-Carlo maximum Likelihood, Journal of
Econometrics 87, 271-301
Schwarz, G. (1978). Estimation the dimension of a model, Annals of
Statistics 6, 461-4
Sentana, E. (1995). Quadratic GARCH models, Review of Economic
Studies 62, 639-61
Taylor, S. J. (1988). Moddeling Financial Time Series, New York, John
Wiley
Tong, H. e Lim, K. S. (1980). Threshold autoregressions, limit cycles,
and data, Journal of Royal Statistical Society B42, 245-92
Tsay, R. S. (2002) Analysis of Fenancial Series, John Wiley & Sons
Zakoan, J. M. (1994). Threshold heteroskedastic models, Journal of
Ecnomic Dynamics and Control 18, 931-44