Forecasting volatility using GARCH models

Detalhes bibliográficos
Autor(a) principal: Costa, Francisco João Matos
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/46456
Resumo: Dissertação de mestrado em Finanças
id RCAP_0207ea5f50d062b07e1b6694f5fadfd0
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/46456
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Forecasting volatility using GARCH modelsGARCHVolatilidadePrevisãoVolatilityForecastCiências Sociais::Economia e GestãoDissertação de mestrado em FinançasEsta dissertação tem como ponto central a previsão da volatilidade usando vários modelos GARCH (General autoregressive conditional heteroeskedasticity) de modo a testar qual tem a melhor capacidade de previsão. O foco desta dissertação é o estudo do mercado dos EUA.Os dados usados para este estudo são cotações do NASDAQ-100, de 1986 até 2016. Neste estudo são considerados três períodos de estimação para os modelos GARCH: 500 dias, 1000 dias e 2000 dias de modo a minimizar a possível presença de mudanças na estrutura dos dados. Regressões lineares (Mincer-Zarnowitz) foram efectuadas de forma a avaliar a performance individual de cada modelo GARCH. Depois disso, de forma a detectar qual o melhor modelo para prever a volatilidade, o teste de SPA de Hansen and Lunde (2005) foi utilizado. Os resultados são conclusivos de que os modelos são semelhantes no que toca à previsão da volatilidade condicional do dia seguinte, com a possível excepção do modelo IGARCH. O modelo GJR não apresenta resultados satisfatórios quando a janela de estimação utilizada na estimação dos modelos é de 1000 dias.The purpose of these research is to forecast volatility using different GARCH (General autoregressive conditional heteroeskedasticity) models in order to test which model has best forecasting ability. The focus of this research is the US market. The data is composed by NASDAQ-100 quotations from 1986 to 2016. The study considers three estimation periods for the GARCH family models: 500 days, 1000 days and 2000 days in order to minimize structure changes that might be present in the data. A series of Mincer-Zarnowitz regressions were completed in order to assess the performance of each GARCH model. Afterwards, the SPA test from Hansen and Lunde (2005) is used in order to detect which is the best model. The empirical results show that the GARCH models produce similar results in what comes to forecasting next day conditional volatility, with the possible exception of the IGARCH model. There is also reason to believe that the GJR model does not provide good estimations of volatility when the rolling window used in the estimation of the models is 1000 days.Areal, NelsonUniversidade do MinhoCosta, Francisco João Matos2017-07-072017-07-07T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/46456eng201720744info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:08:34Zoai:repositorium.sdum.uminho.pt:1822/46456Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:59:48.589334Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Forecasting volatility using GARCH models
title Forecasting volatility using GARCH models
spellingShingle Forecasting volatility using GARCH models
Costa, Francisco João Matos
GARCH
Volatilidade
Previsão
Volatility
Forecast
Ciências Sociais::Economia e Gestão
title_short Forecasting volatility using GARCH models
title_full Forecasting volatility using GARCH models
title_fullStr Forecasting volatility using GARCH models
title_full_unstemmed Forecasting volatility using GARCH models
title_sort Forecasting volatility using GARCH models
author Costa, Francisco João Matos
author_facet Costa, Francisco João Matos
author_role author
dc.contributor.none.fl_str_mv Areal, Nelson
Universidade do Minho
dc.contributor.author.fl_str_mv Costa, Francisco João Matos
dc.subject.por.fl_str_mv GARCH
Volatilidade
Previsão
Volatility
Forecast
Ciências Sociais::Economia e Gestão
topic GARCH
Volatilidade
Previsão
Volatility
Forecast
Ciências Sociais::Economia e Gestão
description Dissertação de mestrado em Finanças
publishDate 2017
dc.date.none.fl_str_mv 2017-07-07
2017-07-07T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1822/46456
url http://hdl.handle.net/1822/46456
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 201720744
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132390711361536

Registros relacionados