Forecasting stock-return volatility in the time-frequency domain

• Autor(a) principal: Retto, Gui Duarte Diniz de Abreu Bragança
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.14/29407
• topic: Volatilidade; GARCH; Decomposição com wavelets; Função de perdas; Volatility; Wavelet decomposition; Loss function; Domínio/Área Científica::Ciências Sociais::Economia e Gestão

Este estudo foca nos modelos autorregressivos de heterocedasticidade condicional, em especial nos modelos GARCH. A amostra principal usa dados do retorno do índice do S&P500 ajustados a divisão e dividendos de 1990 a 2008, usando uma janela fora da amostra de 2001 até ao final da amostra. O objetivo principal é analisar o desempenho das previsões do modelo num domínio tempo-frequência e, em seguida, compará-los com resultados em um cenário de domínio de tempo. Para fazer uma análise de domínio tempo-frequência, usamos técnicas de wavelets para decompor as séries temporais S&P500 originais em diferentes frequências, cada uma delas originalmente configurada no domínio do tempo. Em última análise, o objetivo é ver se a decomposição com wavelets traz um desempenho aprimorado na previsão/modelagem da volatilidade, observando a função de perdas de previsão de Quasi-Verossimilhança (QL), bem como os índices médios de perdas de previsão ao quadrado (MSFE). Embora a decomposição com wavelets ajude a capturar componentes periódicos ocultos das séries temporais originais, os resultados de domínio de frequência em termos de função de perda (QL e MSFE) não superam o resultado original do domínio do tempo para qualquer frequência dada. No entanto, a maioria das informações para a volatilidade futura é capturada em poucas frequências da série temporal do S&P500, especialmente, na parte de alta frequência dos espectros, representando horizontes de investimento muito curtos.