Análise da Volatilidade do BOVA11: Evidências entre os anos 2019 e 2020 através da

abordagem ARIMA-GARCH

JARDEL CHAVES COSTA

Universidade de São Paulo (USP)
FABIANO GUASTI LIMA
Universidade de São Paulo (USP)

Resumo

A pesquisa de volatilidade é uma das ferramentas estatísticas mais importantes para

investidores no mercado financeiro. A volatilidade se refere à flutuação de uma determinada
variável ao longo do tempo e seu estudo é frequentemente observado em períodos com altas
flutuações após quedas de preços, ao passo que a volatilidade não é muito alta durante o
período de aumentos de preços, portanto os choques positivos e negativos têm efeitos
diferentes sobre a volatilidade. Em vista disso, partindo-se do pressuposto de que a
volatilidade é um dos critérios relevantes para a tomada de decisão do investidor, este estudo
tem como objetivo analisar os padrões de volatilidade do principal ETF da bolsa de valores
brasileira. Especificamente, são usados os modelos de volatilidade condicional da família
ARCH, sendo: GARCH, tGARCH e eGARCH. Esses modelos são estimados com base nas
três diferentes distribuições: Gaussiana (normal), t-Student e Generalized Error Distribuition
(GED), para modelar a volatilidade dos retornos intraday do ETF BOVA11 e comparar a
volatilidade entre 2019, período antes da pandemia, e 2020, marcado pela vigência do
COVID-19. Ao longo do processo de pesquisa, a volatilidade apresentou persistência e
assimetria, isso mostra que tanto os choques positivos quanto os negativos têm impacto
significativo. Ressalta-se que o modelo que mais proeminente em 2019 foi eGARCH,
enquanto em 2020 o tGARCH. Embora os dois modelos analisados sejam diferentes em
termos de alavancagem, esse último apresenta uma maior sensibilidade a choques, sendo que
que os retornos negativos estão mais associados aos aglomerados de volatilidade, ou seja,
choques negativos levarão a maior instabilidade nos retornos de BOVA11.

Palavras-chave: Alavancagem. EGARCH, GARCH. TGARCH. Volatilidade.

1
www.congressousp.fipecafi.org
1 Introdução
É dada prioridade ao uso de recursos do mercado financeiro para expandir esses
investimentos, a fim de obter rendimentos futuros por meio de ganhos de capital, dividendos,
participações societárias, etc. Uma das possibilidades de investimento neste mercado é a
aquisição de ações de empresas de capital aberto, fundos de investimento imobiliário, cotas de
fundos de investimento, etc. Nesse sentido, essa alocação de recursos nessas possibilidades de
investimento visa obter resultados monetários futuros que justifiquem o tempo alocado para o
dinheiro no investimento. Bodie, Kane e Marcus (2014) justificam que os investimentos são
parte de um sacrifício no qual busca uma expectativa de benefícios futuros.
Os investidores buscam, através da diversificação da carteira de ativos, minimizar os
riscos e aumentar as chances de obtenção dos retornos esperados. No entanto, essa estratégia
de investimento requer muito capital e muita motivação antes que os investidores possam
negociar as ações de cada ativo separadamente (MATOS, et al. 2014). Uma outra maneira
para aqueles investidores que possuem menos capital é obter fundos de índice, também
conhecidos como ETFs – Exchange-traded fund, esses fundos buscam replicar o desempenho
do índice o mais próximo possível permitindo aos investidores diversificarem seus
investimentos de forma prática podendo assim obter retornos proporcionais ao índice de
referência.
Esses fundos fornecem canais de investimento convenientes para pequenos e grandes
investidores. Exemplos de ETFs incluem: Fundo de Índice iShares Ibovespa (código de
negociação: BOVA11) que replica o índice Bovespa; fundo de índice de pequena
capitalização iShares BM & FBOVESPA (código de negociação na Bolsa de Valores
Brasileira: SMAL11), que replica o índice de pequena capitalização da BM & FBOVESPA; e
índice IShares S&P 500 FI Fundo-Inv em ações.
O ano de 2020, marcado pelo início da pandemia da COVID-19, demonstrou fortes
oscilações vistas somente em 2008 no Ibovespa, sendo a maior oscilação no índice que
representa o desempenho médio das ações com maior volume negociadas nos últimos meses,
a oscilação saiu de 23,8% em 2019 para 59,5% em 2020. Entretanto, além dos reflexos da
pandemia, a incerteza política e econômica contribuiu para o agravamento da situação.
Nesse sentido, entender a volatilidade dos retornos dos ativos é uma ferramenta
importante para o mercado de ações, principalmente no gerenciamento de riscos. A incerteza
de mercado e os riscos endógenos e exógenos, especialmente os riscos financeiros, requerem
uma análise da heterocedasticidade condicional dos indicadores. Devido à necessidade de
adaptar a análise à crescente importância do risco e da incerteza na teoria econômica
moderna, a pesquisa de volatilidade nas séries financeiras e a posterior utilização do modelo
ARCH também se destacam (BUENO, 2011).
Sendo assim, esse estudo tem por objetivo realizar uma análise persistência e
assimetria da volatilidade dos retornos intraday da série do ETF BOVA11 por meio dos
modelos GARCH, eGARCH e tGARCH comparando o ano de 2019 – antes da pandemia,
com o ano de 2020 – período da pandemia.
Segundo Silva, et al. (2005), os mercados financeiros costumam passar por períodos
de intensa volatilidade, principalmente em períodos de queda de preços, choques que ocorrem
com o passar do tempo e produzem diferentes distúrbios. Não por acaso que os indicadores
financeiros se tornaram um foco de análise da volatilidade e aplicação do modelo ARCH e
modelos subsequentes (como GARCH, eGARCH e tGARCH).
Pesquisadores, sejam nacionais e internacionais, buscam desenvolver trabalhados
usando o modelo de heterocedasticidade condicional em séries financeiras, a saber: Duarte et
al. (1996), Almeida e Pereira (1999), Baidya e Costa (1999), Bollerslev e outros. (1992),
Silva (2006) e Araújo et al. (2019) e Silva (2020).
2
www.congressousp.fipecafi.org
 Portanto, devido à necessidade de se compreender o comportamento estatístico do
BAVA11, principalmente em períodos de maior incerteza econômica, este estudo é
justificado. A existência de volatilidade é crucial para a dinâmica dos mercados financeiros,
principalmente para especuladores. No entanto, independentemente da atividade financeira, é
aconselhável monitorar as volatilidades dos retornos. Dada essa importância, estimar a
volatilidade de ativos financeiros é um tema bastante discutido na bibliografia, mais
exploratório do que o preço médio em si.
Este trabalho está dividido em cinco capítulos. O primeiro apresenta a introdução do
tema e o contexto da análise do modelo. O segundo capítulo discute a estrutura teórica,
discute a variabilidade e as características dos modelos ARIMA e GARCH, bem como o
processo e a prática de estimar esses modelos. O terceiro capítulo explica a metodologia. O
quarto capitulo analisa o período de 2019 a 2020 e apresenta seu modelo de volatilidade e
análises da experiência. Finalmente, o capítulo quinto apresenta as principais conclusões da
análise.

2 Referencial teórico
A estrutura de volatilidade está relacionada à observação das características dos ativos.
Normalmente, evidências de assimetria e persistência da volatilidade dos ativos são
investigadas com certa frequência. A assimetria visa verificar se os ativos ou carteiras de
ativos e carteiras de índices respondem assimetricamente a choques de informação. Ou seja,
se a resposta a um choque negativo for diferente do efeito causado por um choque positivo de
mesma magnitude (CERETTA e COSTA JR, 1999; MÓL, et al., 2004; GAIO et al., 2007;
JUBERT et al., 2008).
Mandelbrot (1963) fez importantes observações sobre a natureza das séries temporais
econômicas e financeiras em sua obra. Alguns deles abordam o fato de que a distribuição
incondicional possui caudas espessas, a variância muda ao longo do tempo e quaisquer
mudanças no sinal, sejam elas grandes ou pequenas, tendem a ser mudanças proporcionais.
Segundo Bueno (2011), surgiu um modelo autorregressivo com heterocedasticidade
condicional, principalmente porque o modelo econométrico de série temporal considerava
apenas o primeiro momento condicional. As dependências temporais de ordens superiores
eram consideradas como perturbações aleatório e está incluída em seus momentos
incondicionais. No entanto, o autor destaca que essas dependências indicam que há
aglomeração nas séries e indicam a alternância entre períodos de baixa volatilidade e períodos
de alta volatilidade.
A classe de modelos mais comumente utilizadas em análise de séries temporais é a dos
modelos auto-regressivos integrados e de médias móveis, abreviadamente, ARIMA, ou ainda
modelos Box-Jenkins. Estes são modelos estatísticos lineares propostos originalmente por
Box & Jenkins (1970), sendo que a idéia básica é que a série temporal em estudo seja gerada
por um processo estocástico, cuja natureza pode ser representada a partir de um modelo
matemático.
A categoria de modelo mais comumente usada na análise de séries temporais é o
modelo ARIMA (modelo auto-regressivo integrados e de médias móveis), originalmente
proposto por BOX e JENKINS (1976). A base deste modelo é que as séries temporais podem
ser modeladas por d diferenciações e incluindo componentes autorregressivos e componentes
de média móvel.
A notação utilizada para designar modelos ARIMA é ARIMA (p,d,q), em que p é o
número de termos da parte auto-regressiva (AR); d, o número de diferenciações para a série
torne-se estacionária e q, o número de termos da parte de médias móveis (MA). Em modelos
ARIMA (p,d,q) os termos p, d, q são todos inteiros maiores ou iguais a zero.
3
www.congressousp.fipecafi.org
 A notação usada para especificar o modelo ARIMA é ARIMA (p, d, q), sendo todos
inteiros e iguais a zero, onde p é o número de itens na parte autorregressiva (AR); d, a fração
diferencial da série torna-se fixa, e q é a média móvel (MA) O número de itens na peça.
Apesar de suas vantagens, a metodologia ARIMA não consegue lidar com a
volatilidade e a não linearidade presentes nas séries de dados. Nesse contexto, alguns autores
buscaram nos modelos ARIMA-GARCH uma solução mais eficaz e eficiente no que concerne
previsão de séries financeiras.
O primeiro modelo que forneceu uma abordagem sistemática para modelar a
volatilidade foi o modelo ARCH (autoregressive conditional heteroskedasticity, em português
heterocedasticidade condicional autorregressiva) de Engle (1982). Esses modelos ARCH
podem capturar períodos de calma e volatilidade em séries temporais. A ideia básica do
modelo ARCH é que o termo de erro da taxa de retorno dos ativos financeiros não é
autocorrelacionado, mas dependente do tempo. Esta dependência de pode ser descrita
como uma função quadrática de seu valor passado. Engle (1982) apontou que a média e a
variância da sequência podem ser modelados ao mesmo tempo, completa ainda Bueno (2011),
o erro é um verdadeiro processo aleatório em tempo discreto, e sua condição é a informação
no tempo
No entanto, na realidade, muitos parâmetros são necessários para ajustar
adequadamente o modelo ARCH (q). Para resolver este problema, Bollerslev (1986) estendeu
o trabalho original de Engel ao desenvolver uma técnica que permite que a variância
condicional seja modelada como um processo ARMA, permitindo a inclusão de componentes
autorregressivos e componentes de média móvel na variância de heterocedasticidade. Em
seguida, recomenda-se generalizar o modelo ARCH, ou seja, o modelo GARCH
(heterocedasticidade condicional autorregressiva generalizada).
Morettin e Toloi (2004) apontam que o modelo em que a heterocesdaticidade
condicional, seja o modelo ARCH ou GARCH, assume um efeito simétrico nos retornos, pois
está relacionado ao quadrado dos retornos. No entanto, esta suposição é inconsistente com os
dados empíricos. Nos dados empíricos, comparados com os choques positivos, os choques
negativos geralmente têm um impacto maior nos retornos, resultando em um efeito
assimétrico (efeito de alavancagem) nos retornos. Nesse sentido, outros modelos da classe
GARCH surgiram posteriormente, tentando capturar essa assimetria nas séries financeiras,
capturando assim o chamado “efeito alavancagem”.
Ceretta e Costa Jr. (1999) estudaram sobre influência de eventos positivos e negativos
sobre a volatilidade nos mercados de ações da América Latina, utilizando a modelagem GJR-
GARCH (1,1)-M estudaram a volatilidade dos principais índices do Brasil, México,
Argentina, Venezuela, Chile, Colômbia e Peru, onde encontraram evidência que eventos
negativos possuem uma maior influência causa por eventos positivos de mesma magnitude.
Resultado similar é encontrado em Sobrinho (2001) ao analisar a volatilidade do IBOVESPA
por meio dos modelos da família GARCH.
Arêdes et al. (2009) através dos modelos ARIMA e GARCH para previsão dos preços
dos produtores de café entre 1967 e 2007, puderam concluir que dois modelos podem prever
efetivamente o preço futuro do café com uma pequena margem de erro. No entanto, o modelo
GARCH tem uma vantagem menor na previsão, devido ao fato de o modelo ser estimado em
conjunto com a volatilidade condicional, que muda com o tempo.
Com base nas sugestões de modelagem da volatilidade do Índice Bovespa de 2001 a
2016, os autores Júnior e Kobunda (2019) analisaram outros modelos da classe GARCH,
concluindo que os modelos propostos GARCH (1.1), EGARCH (1.1) e TARCH (1.1)
convergem na persistência de flutuações passadas em um momento posterior e na assimetria

4
www.congressousp.fipecafi.org
entre choques positivos e negativos, indicando que choques negativos são acompanhados por
maiores flutuações do que choques positivos.

3 Metodologia
Os dados utilizados neste estudo se referem às cotações intraday (60 minutos) do
BOVA11. Fundo de Índice iShares Ibovespa (BOVA11) é um ETF elaborado para refletir o
desempenho do Índice Bovespa antes da dedução de taxas e despesas. Foi criado em 2008 e é
composto principalmente por ações que constituem a carteira teórica do índice. A pesquisa
compreendo o período de 02/01/2019 a 31/12/2020, num total de 3634 observações, sendo o
ano de 2019 – antes da pandemia, com 1808 observações e o ano de 2020 – período da
pandemia, com 1826 observações. Os dados foram coletados através da plataforma
ProfitChart Pro® da Neológica.
Todas os cálculos necessários foram realizados por meio do software livre R, através
do ambiente integrado de desenvolvimento RStudio. (RSTUDIO, 2020). No ambiente do
software, além das funções disponíveis no pacote base, foram utilizados diferentes pacotes
para os cálculos e estimações, tais como: quantmod, fBasics, tseries, urca, forecast, TTR,
MTS, BETS, fGarch e rugarch.
A maioria das pesquisas financeiras concentra-se na análise de séries de retorno, em
vez de usar séries de preços de ativos. Tal explicação concentra-se nas informações sobre
retornos são do interesse dos investidores e as séries de retornos têm características
estatísticas mais interessantes do que as séries de preços. A utilização de log-retorno é
justificada pelas suas propriedades estatísticas, como estacionariedade. A Equação do log-
retorno pode ser visualizada abaixo:

(1)

Sendo o preço do ativo no período t, e é o retorno do período t-1 e t.

Em seguida, executou-se o teste de Jarque-Bera desenvolvido por Bera e Jarque
(1980), que se baseia na assimetria dos dados y1, y2, ..., yn e na diferença entre o coeficiente
de curtose e o coeficiente de distribuição normal para testar a hipótese nula de que as
amostras são retiradas de uma distribuição normal. Para realizar este teste, primeiro calcule a
assimetria e curtose dos resíduos e use as estatísticas de teste:

(2)

Onde JB é o teste de Jarque-Bera, S é o coeficiente de assimetria observado, C é o

coeficiente de curtose observado e n é o número de observações. Se o p-value da estatística
qui-quadrado calculada for baixo, a suposição de que os resíduos têm uma distribuição normal
pode ser rejeitada. Se o p-value for alto, a suposição de normalidade é aceita.
Para testar a estacionariedade da série será utilizado os modelos propostos por Dickey
e Fuller (1979), no sentido de verificar a existência ou não de raízes unitárias nas séries
temporais, através da seguinte equação:

(3)

5
www.congressousp.fipecafi.org
 Sendo operador de diferenças ( , é uma constante, é o coeficiente de
tendência do modelo que permite testar a estacionariedade, é o coeficiente da presença de
raiz unitária são as defasagens incluídas no modelo e é o termo de erro
aleatório.
Além disso, o teste de Phillips e Perron (1988) também é usado para estudar a
existência de raízes unitárias na série. Quando o erro é heterocedástico, o teste considera a
mesma regressão e é uma generalização do teste de Dickey-Fuller, a diferença entre eles é que
o primeiro garante que os resíduos não são correlacionados e têm uma variância constante. Ao
contrário do teste Dickey-Fuller Aumentado, o teste Phillips-Perron não inclui o termo de
diferença de defasagem, mas também pode incluir os termos de tendência e interceptação.
Nestes dois testes, a hipótese nula é que a série é estacionária, ou seja, não possui raízes
unitárias.
O teste Kwiatkowski, Phillips, Schmidt e Shin (1992) é um método complementar.
Analise testes de raiz unitária tradicionais, como testes ADF e PP. Ao contrário dos testes
ADF e PP, o teste KPSS trata a série como uma hipótese nula, ou seja, a série é estacionária
ou próxima de uma determinada tendência, e é contrário a outra hipótese de que existe um
caminho aleatório.
Para entender a dependência do tempo nas séries, é necessário usar a especificação do
modelo ARIMA. A modelagem ARIMA é baseada nas quatro etapas básicas propostas por
Box-Jenkins (1976), a saber, identificação, estimativa, verificação e previsão.
De acordo com Morettin & Toloi (2004), o modelo pode ser descrito conforme
equações abaixo:
AR (p) Modelo autorregressivo de ordem p (4)

Onde , são parâmetros reais, é i.i.d. com

Modelo de médias móveis ordem q

MA(q) (5)

Onde , são constantes reais, é i.i.d. e .

ARMA(p,q) Modelo autorregressivo de médias móveis

(6)

ARIMA (p,d,q) Modelo autorregressivo integrados e de médias móveis (7)

A identificação da estrutura do modelo é um pouco complicada, é necessário utilizar

os recursos computacionais específicos encontrados no pacote de software estatístico. Nesta
pesquisa, o Rstudio é utilizado para identificar automaticamente a estrutura do modelo
ARIMA, evitando as etapas mais complicadas de análise. Ressalta-se que a identificação pode
ser realizada por meio dos gráficos das funções de autocorrelação (FAC) e autocorrelação
parcial (FACP).
Para realizar o modelo GARCH, é necessário determinar se há heterocedasticidade
condicional nos resíduos do modelo. Portanto, Engle (1982) propôs o teste ARCH-LM
(Multiplicador de Lagrange), que testa se a série tem efeito heterocedástico, ou seja, se a
6
www.congressousp.fipecafi.org
variância condicional passada não é constante, e as condições em cada processo se a variância
é constante. A hipótese nula indicada no teste é que os resíduos na sequência são
homocedásticos, ou seja, não existe modelo ARCH (BUENO, 2011). O teste pode ser descrito
de acordo com a seguinte equação:

(8)

Onde é o resíduo e são os parâmetros da regressão.

Posteriormente, após análise da presença de heterocedasticidade estima-se a classe de
modelos ARCH, a saber, o modelo de heterogeneidade condicional generalizada (GARCH)
desenvolvido por Bollerslev (1986), que generaliza o tratamento da variância condicional
como uma função linear dos quadrados dos erros passados e das variâncias condicionadas
passadas. Exponential GARCH (eGARCH) desenvolvido posteriormente por Nelson (1991),
provando que "boas notícias" e "más notícias" têm efeitos diferentes nas flutuações futuras.
Modelo Threshold ARCH (tGARCH) desenvolvido por Glosten et al. (1993) e Zakoian
(1994) uma nova variante do modelo GARCH. A conclusão do modelo é que ao comparar
"boas notícias" e "más notícias", assim como o modelo eGARCH tem um impacto diferente
na volatilidade futura, efeito de alavancagem negativa é mais ressaltado do que em "boas
notícias”, demonstrando existir um claro efeito assimétrico.
A equação dos modelos pode ser observada abaixo:

Heterocedasticidade Condicional Autorregressiva Generalizada

GARCH (9)

Onde o σ é a variância condicionada; , , parâmetros dos termos interceptos

erro aleatórios e respectivamente, sendo

Heterocedasticidade Condicional Autorregressiva Generalizada

eGARCH (10)

Sendo o valor constante; , parâmetros do modelo; é o erro observado em

;e é o desvio-padrão observado em .
De acordo com Pinho et. at. (2011) se = 0, então indica ausência de assimetria na
volatilidade. Se > 0, indica um impacto diferenciado de choques negativos e positivos na
volatilidade. Se < 0 Um choque negativo indicado a presença do “efeito alanvacagem”.

Heterocedasticidade Condicional Autorregressiva Generalizada

tGARCH (11)

7
www.congressousp.fipecafi.org
 onde mede o efeito assimetria, é uma variável dummy, que toma o valor de 1,
se μt > 0 e anula-se para μt ≤ 0, e, por fim, é o termo de erro no tempo , com a
denotar a defasagem.
O modelo tGARCH considera que o impacto na variância condicional é diferente,
dependendo se é "boas notícias" ( > 0) ou "más notícias" ( < 0). Portanto, notícias
positivas de mercado influenciam α, por outro lado, notícias negativas influenciam α + γ. Se
> 0, existe o chamado efeito de alavancagem, em comparação com γ ≠ 0, a influência da
difusão de novas notícias constitui um efeito assimétrico.
Para cada modelo – GARCH, eGARCH e tGARCH – serão ajustadas as distribuições
Gaussiana (Normal), de t-Student e Generalized Error Distribuition (GED), abaixo são
demonstradas as equações.

Gaussiana (12)
(Normal)

onde a média e , o desvio padrão da variável aleatória

t-Student (13)

em que (.) é a função gama, corresponde aos graus de liberdade. Tem-se que >2,
se , a distribuição t-student converge para uma distribuição normal.

GED
(14)

onde v é o grau de liberdade e (.) é a função gama, e =

Após realizar respectivos ajustes, segue-se para seleção do melhor modelo. Akaike
Information Criterion (AIC) proposto por Akaike (1974) e o Bayes Information Criterion
(BIC) proposto por Schwarz (1978) são usados para selecionar o melhor modelo. O melhor
modelo é definido como aquele com o menor valor de AIC e BIC.

(15)
(16)

Sendo o número de parâmetros do modelo, como o valor maximizado da função de

verossimilhança e o numero de observações.

4 Análise de Resultados
Séries de preços foram coletadas da plataforma ProfitChartPro® da Neológica. A
periodicidade da série financeira utilizada nesta análise é de até um dia, o que se refere a 60
minutos de negociação. Portanto, 3634 observações intradiárias foram feitas de 01/02/2019 a

8
www.congressousp.fipecafi.org
31/12/2020. A Figura 1 demonstra o comportamento do preço de fechamento do BOVA11 e o
retorno logarítmico diário da série financeira nos dois períodos analisados. Além disso, para
complementar a análise exploratória dos dados, a Figura 2 fornece histograma e estatística
descritiva básica.

Figura 1 - Cotação de fechamento diário do BOVA11

Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio .

Figura 2 - Cotação de fechamento diário do BOVA11

Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio.

Percebe-se que por meio do teste de normalidade proposto por Jarque e Bera (1987),
ambos os períodos rejeitaram a hipótese nula de retornos normais (p valor <0,05). Mais
especificamente, parece que a assimetria e curtose são muito significativas, esta última é
maior que três em ambos os períodos, e muito mais em 2020, o que mostra que os retornos de
ambas as séries apresentam distribuição leptocúrtica, logo a distribuição em questão é maior
(afunilada) e concentrada do que a distribuição normal. Este comportamento é geralmente
representado por uma série de retornos.
9
www.congressousp.fipecafi.org
 Em relação ao risco, observa-se que BOVA11 manteve maior volatilidade ao longo de
2020, o que pode ser confirmado pela vantagem do seu desvio padrão e da diferença entre o
valor mínimo (-0,208486) e o valor máximo (0,144427). Pode-se explicar que isso é causado
pelas flutuações significativas nos retornos dos preços das ações causadas pela pandemia
COVID-19. Segundo dados da FIA (2020), o Ibovespa é um dos índices mais importantes do
mundo, com queda acumulada de 30% em maio e vem se recuperando desde o início da crise
em março. Além disso, no mês de março seis circuit breakers foram acionados, - total de 23
ocorrências na história - e o evento paralisou temporariamente o pregão, acalmando o
mercado (ROHR, 2020).
Antes de se efetivar a modelagem ARIMA, é possível verificar formalmente se as
séries dos retornos são estacionárias. Os testes foram realizados por meio do critério Dickey-
Fuller Aumentado (ADF), proposto por Dickey e Fuller (1979). O teste aponta evidências
para a rejeição da hipótese nula de existência de raiz unitária. Desta forma, não foi necessário
adequar modelos para a média, pois a estrutura da média apresentou-se como estacionária.
Antes de realizar a modelagem ARIMA, é possível verificar formalmente se a
sequência das séries é estacionária. Além dos testes de Dickey-Fuller (ADF) proposto por
Dickey e Fuller (1979) e Phillips-Perron (PP) e (1988), também foi realizado adicionando-se
o de Kwiatkowski, Phillips, Schmidt e Shin (KPSS). Esses testes fornecem evidências para
rejeitar a hipótese nula de que existem raízes unitárias. Portanto, como a estrutura do valor
médio é fixa, não é necessário adaptar o modelo ao valor médio.

Tabela 1 - Teste de estacionariedade para a série dos retornos cotação BOVA11

Teste de Raiz Unitária 2019 2020
Estatística - t p-value (5%) Estatística - t p-value (5%)
ADF -35.2123 2e-16 -32.7076 2.2e-16
PP -1669.734 2.03e-08 -1523.05 0.03035
KPSS 0.0532 0.463 0.3705 0.463
Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio.

Após a confirmação da estacionariedade, buscou-se determinar empiricamente o

melhor modelo ARIMA para a estimação da volatilidade da série do retorno dos preços do
ETF. Dentre os modelos analisados, obtendo o menor valor com base nos critérios de
informação de Akaike (AIC) e Schwartz (BIC), foi escolhido o modelo ARIMA (1,0,1) para a
série de 2019 – AIC (-13537.82) e BIC (-13515.82) e ARIMA (2,0,2) para a série de 2020 –
AIC (-10877.06) e BIC (-10849.52).
Após a confirmação da estacionariedade, procurou-se determinar o melhor modelo
ARIMA empiricamente para estimar a volatilidade da série de retorno de preços do ETF.
Entre os modelos analisados, o menor valor foi obtido de acordo com os padrões de
informação de Akaike (AIC) e Schwartz (BIC). Para série do ano de 2019 escolheu o modelo
ARIMA (1.0.1) com um AIC (-13537,82) e BIC (-13515,82) e ARIMA (2,0,2) aplicável à
série do ano de 2020 um AIC (-10877,06) e BIC (-10849,52).
Em seguida, antes de estimar os modelos GARCH, eGARCH e tGARCH, realistou o
teste ARCH. Para identificar se existe um efeito ARCH em uma série de resíduos do modelo
autorregressivo, Engle (1982) propôs o teste LM (multiplicador de Lagrange). A hipótese nula
apontada no teste é que as séries de resíduos são homocedástico, ou seja, não têm efeito
ARCH. A Tabela 2 mostra o p-value do teste para efeito de heterocedasticidade.

10
www.congressousp.fipecafi.org
Tabela 2 - Teste ARCH-LM sobre os resíduos
ARCH-LM 2019 2020
Estatística - t p-value Estatística - t p-value
Lag1 17.60448 2.719472e-05 81.30314 0,0000
Lag5 32.67341 4.369235e-06 256.600 0,0000
Lag10 110.3493 0,0000 645.1512 0,0000
Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio.

De acordo com o p-value proposto, o teste ARCH-LM de Engle (1982) mostra que os
retornos do BOVA11 em 2019 e 2020 rejeitam a hipótese nula de que a volatilidade não
possui heterocedasticidade condicional, ou seja, existe efeitos ARCH sobre tal série de
resíduos do modelo autorregressivo.
Depois de confirmar a heterogeneidade condicional no modelo, o próximo passo é
modelar a volatilidade dos retornos das séries. Por tanto, foram testados os modelos GARCH
(1.1), tGARCH (1.1) e eGARCH (1.1), considerados as formas de análise mais confiáveis por
apresentarem o mínimo de restrições aos parâmetros. Além disso, vale ressaltar que, segundo
Morettin e Toloi (2004), geralmente é difícil identificar a ordem dos modelos do tipo
GARCH, sendo recomendado o uso de modelos de baixa ordem. Para a distribuição dos
resíduos, além da distribuição gaussiana (normal), também são utilizadas as distribuições de t
Student e GED (distribuição generalizada de erros).

Tabela 3 – Critérios de seleção de informação dos erros dos modelos

Modelo 2019 2020
Distribuição de Erros AIC BIC AIC BIC
GARCH (1.1) Normal -7.5727 -7.5545 -6.6786 -6.6544
t-student -8.1143 -8.0930 -7.2590 -7.2318
GED -8.0714 -8.0501 -7.2262 -7.1990
tGARCH (1.1) Normal -7.6000 -7.5787 -6.7368 -6.7096
t-student -8.1224 -8.0981 -7.2821 -7.2520
GED -8.0786 -8.0543 -7.2437 -7.2135
eGARCH (1.1) Normal -7.6164 -7.5951 -6.7179 -6.6907
t-student -8.1287 -8.1044 -7.2798 -7.2496
GED -8.0846 -8.0603 -7.2351 -7.2049
Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio.

De acordo com o modelo de informação analisado, ressalta o domínio da distribuição

t-student como o melhor grau de ajuste de acordo com todos os padrões utilizados (em
negrito). Segundo Branco e Dey (2001), essa distribuição pode ajustar a assimetria e curtose
na estimativa, o que é essencial para a modelagem de uma determinada série temporal. Além
disso, autores como Hsieh (1989) e Baillie e Bollerslev (1989) enfatizam que a distribuição do
tipo t-student pode capturar melhor as características de regressão logarítmica das séries
temporais relacionadas à curtose. Ainda, de acordo com o menor valor entre os padrões
Akaike e Baysiano, o melhor modelo de volatilidade do retorno da série selecionado é o
modelo eGARCH (1,1) - t-student para série de 2019 e tGARCH (1.1) - t-student na série
2020.
A Tabela 4 relaciona os parâmetros do melhor modelo selecionado nesse período. É
importante notar que todos os parâmetros são estatisticamente significativos ao nível de 5%,
portanto, o modelo pode ser bem estimado, com também realizar uma análise consistente da
volatilidade do BOVA11, dessa forma, o impacto de choques externos pode ser analisado de
forma consistente.

11
www.congressousp.fipecafi.org
 A Tabela 4 relaciona os parâmetros do melhor modelo selecionado no período. É
importante notar que todos os parâmetros são estatisticamente significativos ao nível de 5%,
de modo que o modelo pode ser bem estimado, e a volatilidade do BOVA11, causada por
impacto de choques externos, também possa ser analisada de forma consistente.

Tabela 4 – Resultado da estimação do modelo ARIMA (1,0,1) - eGARCH (1,1) e tGARCH (1,1) - t-student
(2019-2020).
Especificação eGARCH (1,1) - 2019 tGARCH (1,1) -2020

Média Condicional Coeficientes P-valor Coeficientes P-valor

AR (1) 0.758698 0.000000
MA (1) -0.826704 0.000000
AR (2) -0.807592 0.000000
MA (2) 0.818983 0.000000
Variância Condicional
0.000140 0.007676 0.000189 0.013050
-0.127993 0.000000 0.000078 0.000031
-0.089355 0.000000 0.055873 0.000000
0.987383 0.000000 0.971649 0.000000
0.052830 0.000002 0.000000
1.000000 0.000000
2.348408 0.000000 2.206234 0.000000
Fonte: Dados da pesquisa. Elaboração a partir de dados do R Studio.

A soma dos coeficientes e é igual a 0,928028 e 1,027522 indicando que um

choque na série dos retornos do BOVA11 terá efeito por muito tempo na volatilidade destes
retornos. O coeficiente de persistência da volatilidade igual a 0.987383 e 0.971649 confirma
que os choques da volatilidade seguirão por vários períodos na volatilidade dos retornos,
sendo lentamente enfraquecidos, ou seja, indica que 98,73% e 97,16% de um choque gerado
na série de retorno do BOVA11 no tempo t-1 persistirá no tempo t. Por tanto, admite-se que
uma alta porcentagem da volatilidade do dia anterior permanece no dia seguinte.
A soma dos coeficientes e é igual a 0,928028 em 2019 e 1,027522 em 2020, o que
indica que o impacto dos retornos da série BOVA11 afetará a flutuação desses retornos no
longo prazo. O coeficiente de persistência da volatilidade de 0,987383 em 2019 e de 0,96749
em 2020 confirmam que o choque de volatilidade continuará por vários períodos na
volatilidade dos retornos e enfraquecerá gradativamente, indicando que 98,73% e 97,16% de
um choque gerado na série de retorno do BOVA11 no tempo t-1 persistirá no tempo t.
Portanto, pode-se admitir uma alta porcentagem da volatilidade do dia anterior permanece no
dia seguinte.
Além disso, como o coeficiente γ (0,052830) é significativo no nível de significância
usual, o modelo eGARCH (1,1) -t Student fornece evidências da assimetria da série de
retornos. Portanto, tanto os choques positivos quanto os negativos terão um impacto
significativo (assimétrico) na volatilidade. No entanto, por ser positivo, não implica
alavancagem.
Para o modelo tGARCH (1.1) -t Student, o coeficiente (1.000000) é estatisticamente
diferente de 0 e é um número positivo, o que indica que além da assimetria, também possui
uma alavancagem na sequência durante esse período. Portanto, choques positivos e negativos
têm efeitos diferentes sobre a volatilidade e o rendimento do BOVA11, sendo que, choques
negativos produzirão volatilidade mais forte do que choques positivos. Nesse sentido, as
12
www.congressousp.fipecafi.org
informações do mercado são assimétricas, e notícias negativas (como o impacto do COVID-
19 etc.) acabarão por gerar oscilações nos resultados.

5 Conclusão
Por meio das sugestões de modelagem empírica da volatilidade da rentabilidade do
ETF BOVA11, utilizando os modelos GARCH, eGARCH e tGARCH, esses modelos têm
demonstrado forte avanço metodológico no processamento do mercado de ações e são
importantes ferramentas de gestão de risco para os investidores, comparou-se a volatilidade
entre o ano de 2019 – antes da pandemia, com o ano de 2020 – período da pandemia.
Especificamente, buscou-se verificar a assimetria das flutuações do índice e a persistência dos
choques.
Inicialmente, por meio de uma análise descritiva do BOVA11 e seu retorno
logarítmico, concluiu-se que a série financeira possui características assimétrica e
leptocúrtica, rejeitando a normalidade. Os resultados empíricos mostram que há persistência e
assimetria na volatilidade, ou seja, choques negativos e choques positivos têm efeitos distintos
nas flutuações dos retornos, o que pode ser confirmado pelos modelos analisados. No entanto,
eGARCH em 2019 e tGARCH em 2020 são diferentes em termos de alavancagem, esse
último demonstrando uma sensibilidade maior a choques. Pode-se explicar que isso se deve
ao impacto da pandemia COVID-19 nas bolsas globais, resultando em um forte impacto
negativo no ETF que replica o principal índice brasileiro, levando ao aumento da volatilidade.
Portanto, a análise da construção do modelo pode ajudar a explicar a oposição entre os
modelos em termos de alavancagem.
Por fim, é compreensível que combinado com o modelo ARIMA (1.0.1) -GARCH
(1.1), possa ser utilizado para auxiliar os investidores na tomada de decisões sobre o melhor
momento para comprar e vender BOVA11, estimando assim a volatilidade do mercado,
visando reduzir o risco e alcançar e maximizar os lucros. Além de considerar essa persistência
e assimetria, recomenda-se que as instituições públicas e privadas tomem medidas para
melhor administrar os riscos externos no mercado acionário para mitigar tais fatores e reduzir
a volatilidade, principalmente na presença de choques negativos. índice.

Referências bibliográficas
Araújo, B. V. F., Camargos, M. A. D., & Pinho, F. M. D. (2019). Modelagem da volatilidade
condicional incorporando o período não regular do pregão ao modelo APARCH. Revista
Contabilidade & Finanças, 30(80), 202-215.

Arêdes, A. F. D., Pereira, M. W. G., & Teixeira, E. C. (2009). Previsão de preço do quilo do
café arábica: Uma aplicação dos modelos arima e garch. VI Simpósio de Pesquisa dos
Cafés do Brasi, 06.

Almeida, N. M. C. G., & Valls Pereira, P. L. (1999). Mudança de regime em volatilidade: Os

modelos SWGARCH. Anais do XXI Encontro Brasileiro de Econometria, (11), 39-58.

Akaike, H. (1974). A new look at the statistical model identification. IEEE transactions on
Automatic Control, 19(6), 716-723.

Baillie, R. T., & Bollerslev, T. (2002). The message in daily exchange rates: a conditional-
variance tale. Journal of Business & Economic Statistics, 20(1), 60-68.

13
www.congressousp.fipecafi.org
Baidya, T. K. N., & Costa, P. H. S. (1999). Modelagem de séries financeiras brasileiras:
previsão de preços de alguns ativos. Revista da SOBRAPO.

Araújo, B. V. F., Camargos, M. A. D., & Pinho, F. M. D.

BODIE, Z., KANE, A. & MARCUS, A. J. (2014). Investiments. (5ª ed.) New York: McGraw-
Hill Education.

Bollerslev, T., Chou, R. Y., & Kroner, K. F. (1992). ARCH modeling in finance: A review of
the theory and empirical evidence. Journal of econometrics, 52, 5-59,.

BOX, G. E. P., & JENKINS, G. M. (1976). Time Series Analysis: Forecasting and Control.
San Francisco, Holden Day.

Branco, M. D., & Dey, D. K. (2001). A general class of multivariate skew-elliptical

distributions. Journal of Multivariate Analysis, 79(10), 99-113.

BUENO, R. L da S. (2011). Econometria de series temporais. São Paulo: Cengage

Learning, 1, 363-386.

Ceretta, P. S., & COSTA JR, N. D. (1999). Influência de eventos positivos e negativos sobre a
volatilidade dos mercados na América Latina. Caderno de Pesquisas em Administração,
São Paulo, 1(10), 35-41.

Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time
series with a unit root. Journal of the American statistical association, 74(366a), 427-
431.

Gaio, L. E., Pessanha, G. R. G., Renato de Oliveira, D., & Neves de Ázara, L. (2007). Análise
da volatilidade do índice bovespa: um estudo empírico utilizando modelos da classe
ARCH. Contextus – Revista Contemporânea De Economia E Gestão, 5(1), 7-16.
https://doi.org/10.19094/contextus.v5i1.32080

Glosten, L.R., Jagannathan, R. & Runkle, D.E. (1993). On the relation between value and
volatility of nominal excess returns on stock. Journal of Finance, 48(5), 1179-1801.

DUARTE, J., Heil, T., & Pinheiro, M. (1996). Estimação da volatilidade de ativos e índices
brasileiros. Resenha BM&F, (111), 16-28.

Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the

variance of United Kingdom inflation. Econometrica: Journal of the econometric society,
987-1007.

FIA. Fundação Instituto de Administração. Mercado financeiro e o coronavírus: histórico,

impactos e projeções. Recuperado de: https://fia.com.br/blog/mercado-financeiro-e-
ocoronavirus.

Hsieh, D. A. (1989). Modeling heteroscedasticity in daily foreign-exchange rates. Journal of

Business & Economic Statistics, 7(3), 307-317.
14
www.congressousp.fipecafi.org
Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial
independence of regression residuals. Economics letters, 6(3), 255-259.

JUBERT, R.W.; MONTE, P.A.; PAIXÃO, M.C.S.; LIMA, W.H. Um estudo do padrão de
volatilidade dos principais índices financeiros do Bovespa: uma aplicação de modelos
ARCH. Revista UnB Contábil, Brasília, v.11, n. 1-2, p. 221-239, jan/dez, 2008.

Jubert, R. W., do Monte, P. A., Paixão, M. C. S., & de Lima, W. H. (2008). Um estudo do
padrão de volatilidade dos principais índices financeiros do Bovespa: uma aplicação de
modelos ARCH. Revista UnB Contábil, 11(1-2), 221-239.

Júnior, E. C. N., & Kobunda, C. N. (2019). Análise da volatilidade do Ibovespa entre 2001 e
2016: uma estimação através de modelos ARCH. Revista de Economia, 40(72).

Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis
of stationarity against the alternative of a unit root: How sure are we that economic time
series have a unit root?. Journal of econometrics, 54(1-3), 159-178.

Mato, G. A. de S., Iquiapaza, R. A., & Ferreira, B. P. (2014). Análise da exposição a perdas
dos ETFs brasileiros conforme as técnicas de avaliação de risco de mercado Value at
Risk (VaR) e Expected Shortfall (ES). BBR-Brazilian Business Review, 11(4), 91-115.

Mandelbrot, B. B. (1997). The variation of certain speculative prices. In Fractals and scaling
in finance (pp. 371-418). Springer, New York, NY.

Mól, A.L.R; Castro Junior, L.G.; Sáfadi, T. (2004). Value at Risk de ajustes diários: o uso de
modelos heterocedásticos em futuros de café. Resenha BM&F, São Paulo, n.160, p. 58 74

Morettin, P. A. & Toloi, C. M. C. (2004). Análise de Séries Temporais. (5ª ed.). São Paulo:
Editora E. Blücher-Associação Brasileira de Estatística.

Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new

approach. Econometrica: Journal of the Econometric Society, 347-370.

Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series
regression. Biometrika, 75(2), 335-346.

Pinho, C., Valente, R., Madaleno, M., & Vieira, E. (2011). Risco Financeiro-Medida e
Gestão. Lisboa: Edições Sílabo.

RSTUDIO. (2020). RStudio: Integrated development environment for R. Version 1.3.1093,

Boston, 2020. Recuperado de: http://www.rstudio.org.

ROHR, D. S.( 2020). Circuit Breaker na Bolsa: o que é e como funciona. 23 de Junho de
2020. Recuperado de: https://warren.com.br/blog/circuit-breaker-na-bolsa.

15
www.congressousp.fipecafi.org
SILVA, C. A. G. (2006). Uma Análise Empírica da Volatilidade do Retorno da Ação da
Petrobrás – Anais X Encontro de Modelagem Computacional, Instituto Politécnico/UERJ,
Nova Friburgo, RJ.

da Silva, C. A. G. (2020). A Volatilidade e assimetria dos preços das ações Banco do Brasil:
Uma abordagem do modelo APARCH. Brazilian Journal of Business, 2(3), 2668-2683.

Silva, W. S. D., Sáfadi, T., & Castro Júnior, L. G. D. (2005). Uma análise empírica da
volatilidade do retorno de commodities agrícolas utilizando modelos ARCH: os casos do
café e da soja. Revista de Economia e Sociologia Rural, 43(1), 119-134.

SCHWARZ, Gideon et al. Estimating the dimension of a model. Annals of statistics, v. 6, n.

2, p. 461-464, 1978.

SOBRINHO, N.F S. (2001) Extração da volatilidade do Ibovespa. Resenha BM&F, São

Paulo, 144(03-04), 17-39, 2001.

Zakoian, J. M. (1994). Threshold heteroskedastic models. Journal of Economic Dynamics and

control, 18(5), 931-955.

16
www.congressousp.fipecafi.org