Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Outros Autores: | , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/55600 |
Resumo: | O estudo busca avaliar como os períodos after-market e pré-abertura impactam a estimação da volatilidade condicional de um dia à frente. A volatilidade tem bastante destaque nos estudos de finanças, pois é parâmetro fundamental na precificação de derivativos, gestão de portfólios e de risco. Os resultados são relevantes para que agentes de investimentos possam refinar os modelos de previsão da volatilidade e obter melhores resultados na precificação de derivativos, na gestão de risco, na composição e otimização de carteiras. Utilizou-se o modelo asymmetric power autoregressive conditional heteroskedasticity (APARCH), incorporando o período after-market, o leilão de pré-abertura e o overnight total, para avaliar se eles carregam informações relevantes para a modelagem da volatilidade. Analisaram-se as 20 ações de empresas brasileiras listadas na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBOVESPA) e pertencentes ao índice Dow Jones Brazil Titans 20 ADR Index (BR Titans 20) com ADRs (American depositary receipts) listados nas bolsas de Nova York e na Nasdaq. Os resultados foram avaliados na amostra pelo critério de informação Akaike corrigido (AICc) e pela significância estatística dos coeficientes, e fora da amostra pelos critérios raiz dos erros quadráticos médios (root mean squared error - RMSE), erro percentual médio absoluto (mean absolut percentage error - MAPE), R² da regressão de Mincer e Zarnowitz e teste de Diebold Mariano. A análise não permite afirmar o melhor modelo, pois não há unanimidade entre todas as ações. Entretanto, os períodos não regulares do pregão demonstraram incorporar informações relevantes para a maior parte das ações. Ademais, os modelos que incorporaram o período pré-abertura obtiveram, em geral, resultados superiores aos demais, demonstrando que tal período carrega informações relevantes para a previsão da volatilidade condicional. |
id |
UFMG_3ad5c2db87112dcbb3e7e753031e8d43 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/55600 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
2023-06-30T14:55:06Z2023-06-30T14:55:06Z2018308020221510.1590/1808-057x2018061001808057Xhttp://hdl.handle.net/1843/55600O estudo busca avaliar como os períodos after-market e pré-abertura impactam a estimação da volatilidade condicional de um dia à frente. A volatilidade tem bastante destaque nos estudos de finanças, pois é parâmetro fundamental na precificação de derivativos, gestão de portfólios e de risco. Os resultados são relevantes para que agentes de investimentos possam refinar os modelos de previsão da volatilidade e obter melhores resultados na precificação de derivativos, na gestão de risco, na composição e otimização de carteiras. Utilizou-se o modelo asymmetric power autoregressive conditional heteroskedasticity (APARCH), incorporando o período after-market, o leilão de pré-abertura e o overnight total, para avaliar se eles carregam informações relevantes para a modelagem da volatilidade. Analisaram-se as 20 ações de empresas brasileiras listadas na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBOVESPA) e pertencentes ao índice Dow Jones Brazil Titans 20 ADR Index (BR Titans 20) com ADRs (American depositary receipts) listados nas bolsas de Nova York e na Nasdaq. Os resultados foram avaliados na amostra pelo critério de informação Akaike corrigido (AICc) e pela significância estatística dos coeficientes, e fora da amostra pelos critérios raiz dos erros quadráticos médios (root mean squared error - RMSE), erro percentual médio absoluto (mean absolut percentage error - MAPE), R² da regressão de Mincer e Zarnowitz e teste de Diebold Mariano. A análise não permite afirmar o melhor modelo, pois não há unanimidade entre todas as ações. Entretanto, os períodos não regulares do pregão demonstraram incorporar informações relevantes para a maior parte das ações. Ademais, os modelos que incorporaram o período pré-abertura obtiveram, em geral, resultados superiores aos demais, demonstrando que tal período carrega informações relevantes para a previsão da volatilidade condicional.This study aims to evaluate how the after-market and pre-opening periods affect the estimation of conditional volatility one day ahead. Volatility features quite a lot in Finance studies because it is a fundamental parameter in derivatives pricing, the efficient allocation of portfolios, and risk management. The results are relevant for investment agents to be able to refine volatility forecasting models and achieve better results in derivatives pricing, risk management, and portfolio optimization. We used the asymmetric power autoregressive conditional heteroscedasticity (APARCH) model, incorporating the after-market, pre-opening, and total overnight periods to assess whether they contain important information for modeling volatility. We analyzed the 20 stocks of Brazilian companies listed on the São Paulo Stock, Commodities, and Futures Exchange (BM&FBovespa) and also belonging to the BR Titans 20 with ADRs listed on the New York Stock Exchange and the Nasdaq. The results were evaluated in-sample using the corrected Akaike information criterion (AICc) and the statistical significance of the coefficients, and out-of-sample using root mean squared error (RMSE), mean absolut percentage error (MAPE), the R² of the Mincer-Zarnowitz regression, and the Diebold Mariano test. The analysis does not enable it to be claimed which is the best model, because there is no unanimity among all the stocks; however, non-regular trading hours were shown to incorporate important information for most of the stocks. Furthermore, the models that incorporated the pre-opening period generally obtained superior results to the models that incorporated the after-market period, demonstrating that this period contains important information for forecasting conditional volatility.porUniversidade Federal de Minas GeraisUFMGBrasilFCE - DEPARTAMENTO DE CIÊNCIAS ADMINISTRATIVASICX - DEPARTAMENTO DE ESTATÍSTICARevista Contabilidade & FinançasFinançasRisco (Economia)Volatilidade condicional e realizadaModelo APARCHDados intradiáriosAfter-marketPré-aberturaGestão de riscoModelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCHModeling conditional volatility by incorporating non-regular trading hours into the APARCH modelinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articlehttps://www.scielo.br/j/rcf/a/pfPwBGr63BLxG5bxGBLQJtJ/?lang=enBreno Valente Fontes AraújoMarcos Antônio de CamargosFrank Magalhães de Pinhoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGLICENSELicense.txtLicense.txttext/plain; charset=utf-82042https://repositorio.ufmg.br/bitstream/1843/55600/1/License.txtfa505098d172de0bc8864fc1287ffe22MD51ORIGINALModelagem da volatilidade condicional incorporando o período.pdfModelagem da volatilidade condicional incorporando o período.pdfapplication/pdf909515https://repositorio.ufmg.br/bitstream/1843/55600/2/Modelagem%20da%20volatilidade%20condicional%20incorporando%20o%20per%c3%adodo.pdf339174752056641e6fc58abed33d29abMD521843/556002023-07-11 20:22:11.725oai:repositorio.ufmg.br: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Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-07-11T23:22:11Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
dc.title.alternative.pt_BR.fl_str_mv |
Modeling conditional volatility by incorporating non-regular trading hours into the APARCH model |
title |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
spellingShingle |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH Breno Valente Fontes Araújo Volatilidade condicional e realizada Modelo APARCH Dados intradiários After-market Pré-abertura Gestão de risco Finanças Risco (Economia) |
title_short |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
title_full |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
title_fullStr |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
title_full_unstemmed |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
title_sort |
Modelagem da volatilidade condicional incorporando o período não regular do pregão ao modelo APARCH |
author |
Breno Valente Fontes Araújo |
author_facet |
Breno Valente Fontes Araújo Marcos Antônio de Camargos Frank Magalhães de Pinho |
author_role |
author |
author2 |
Marcos Antônio de Camargos Frank Magalhães de Pinho |
author2_role |
author author |
dc.contributor.author.fl_str_mv |
Breno Valente Fontes Araújo Marcos Antônio de Camargos Frank Magalhães de Pinho |
dc.subject.por.fl_str_mv |
Volatilidade condicional e realizada Modelo APARCH Dados intradiários After-market Pré-abertura Gestão de risco |
topic |
Volatilidade condicional e realizada Modelo APARCH Dados intradiários After-market Pré-abertura Gestão de risco Finanças Risco (Economia) |
dc.subject.other.pt_BR.fl_str_mv |
Finanças Risco (Economia) |
description |
O estudo busca avaliar como os períodos after-market e pré-abertura impactam a estimação da volatilidade condicional de um dia à frente. A volatilidade tem bastante destaque nos estudos de finanças, pois é parâmetro fundamental na precificação de derivativos, gestão de portfólios e de risco. Os resultados são relevantes para que agentes de investimentos possam refinar os modelos de previsão da volatilidade e obter melhores resultados na precificação de derivativos, na gestão de risco, na composição e otimização de carteiras. Utilizou-se o modelo asymmetric power autoregressive conditional heteroskedasticity (APARCH), incorporando o período after-market, o leilão de pré-abertura e o overnight total, para avaliar se eles carregam informações relevantes para a modelagem da volatilidade. Analisaram-se as 20 ações de empresas brasileiras listadas na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBOVESPA) e pertencentes ao índice Dow Jones Brazil Titans 20 ADR Index (BR Titans 20) com ADRs (American depositary receipts) listados nas bolsas de Nova York e na Nasdaq. Os resultados foram avaliados na amostra pelo critério de informação Akaike corrigido (AICc) e pela significância estatística dos coeficientes, e fora da amostra pelos critérios raiz dos erros quadráticos médios (root mean squared error - RMSE), erro percentual médio absoluto (mean absolut percentage error - MAPE), R² da regressão de Mincer e Zarnowitz e teste de Diebold Mariano. A análise não permite afirmar o melhor modelo, pois não há unanimidade entre todas as ações. Entretanto, os períodos não regulares do pregão demonstraram incorporar informações relevantes para a maior parte das ações. Ademais, os modelos que incorporaram o período pré-abertura obtiveram, em geral, resultados superiores aos demais, demonstrando que tal período carrega informações relevantes para a previsão da volatilidade condicional. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018 |
dc.date.accessioned.fl_str_mv |
2023-06-30T14:55:06Z |
dc.date.available.fl_str_mv |
2023-06-30T14:55:06Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/55600 |
dc.identifier.doi.pt_BR.fl_str_mv |
10.1590/1808-057x201806100 |
dc.identifier.issn.pt_BR.fl_str_mv |
1808057X |
identifier_str_mv |
10.1590/1808-057x201806100 1808057X |
url |
http://hdl.handle.net/1843/55600 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.ispartof.none.fl_str_mv |
Revista Contabilidade & Finanças |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
FCE - DEPARTAMENTO DE CIÊNCIAS ADMINISTRATIVAS ICX - DEPARTAMENTO DE ESTATÍSTICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/55600/1/License.txt https://repositorio.ufmg.br/bitstream/1843/55600/2/Modelagem%20da%20volatilidade%20condicional%20incorporando%20o%20per%c3%adodo.pdf |
bitstream.checksum.fl_str_mv |
fa505098d172de0bc8864fc1287ffe22 339174752056641e6fc58abed33d29ab |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589155378167808 |