Modelos ARMA-GARCH na modelagem da volatilidade de ações financeiras

• Autor(a) principal: Thomaz, Paulo Siga
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da FURG (RI FURG)
• Texto Completo: http://repositorio.furg.br/handle/1/10204
• topic: Heteroscedasticidade; Modelos heteroscedásticos; Modelos assimétricos; Caudas pesadas; Previsão; Ações; Heteroscedasticity; Heteroskedasticity models; Assymetric models; Heavy tails; Forecast; Stocks

O presente estudo teve como objetivo avaliar o desempenho da aplicação conjunta dos modelos Autoregressivos de Médias Móveis (ARMA) e Autoregressivos de Heteroscedasticidade Condicional (GARCH) na previsão da volatilidade das ações diárias da empresa AmBev (ABEV3), do banco Bradesco (BBDC3) e da empresa Vale (VALE3). Além do modelo GARCH, também foram aplicadas algumas de suas extensões assimétricas, os modelos GARCH Exponencial (EGARCH), GARCH com limiar (TGARCH), Potência GARCH (PGARCH) e o GARCH Glosten-Jaganathan -Rukle (GJR-GARCH), com o objetivo de considerar o efeito alavanca, geralmente presente em séries financeiras. Além disso, como as três séries de retornos apresentaram volatilidade persistente, o modelo GARCH Integrado (IGARCH) também foi aplicado. Os modelos foram especificados considerando-se duas distribuições para os resíduos, normal e t de Student. Na avaliação da previsão, foi utilizada a volatilidade realizada, calculada a partir de retornos intradiários computados a cada 15 minutos, durante o intervalo de previsão de 21 dias. Os achados do estudo indicam que a melhor modelagem foi da série ABEV3, de menor volatilidade dentre as três séries, em que os modelos PGARCH(1,1) - Student e GARCH(1,1) - Student apresentaram os menores erros, respectivamente, nas previsões dinâmica e estática. Os resultados evidenciaram superioridade por parte dos modelos seguindo a distribuição t de Student, os quais, ao contrário dos modelos seguindo a distribuição normal, foram capazes de produzir resíduos seguindo a distribuição especificada no modelo. Além disso, na modelagem de todas as séries, os modelos seguindo a distribuição t de Student apresentaram critérios de informação menores nos ajustes e erros menores de previsão. No que diz respeito ao desempenho dos modelos, os assimétricos se mostraram, de forma geral, superiores no ajuste, de acordo com os critérios de informação. Em relação a previsão, no entanto, a modelagem da série BBDC3 apresentou como melhor modelo o GARCH(1,1) - Student simétrico, indicando que, para essa série, os modelos assimétricos não resultaram em uma melhoria de desempenho na previsão. Comparando-se os modelos simétricos, o modelo IGARCH apresentou menores critérios de informação que o modelo GARCH nas séries ABEV3 e VALE3, entretanto não teve erros menores de previsão em nenhuma das três séries. Os achados se alinham com outros trabalhos presentes na literatura, em que, de forma geral, os modelos GARCH apresentam melhor desempenho em séries de baixa volatilidade e que o uso de modelos assimétricos especificados com outras distribuições além da normal podem conduzir a resultados melhores de previsão da volatilidade.