Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | eng por |
Título da fonte: | Revista Contabilidade & Finanças (Online) |
Texto Completo: | https://www.revistas.usp.br/rcf/article/view/138284 |
Resumo: | This article considers range-based volatility modeling for identifying and forecasting conditional volatility models based on returns. It suggests the inclusion of range measuring, defined as the difference between the maximum and minimum price of an asset within a time interval, as an exogenous variable in generalized autoregressive conditional heteroscedasticity (GARCH) models. The motivation is evaluating whether range provides additional information to the volatility process (intraday variability) and improves forecasting, when compared to GARCH-type approaches and the conditional autoregressive range (CARR) model. The empirical analysis uses data from the main stock market indexes for the U.S. and Brazilian economies, i.e. S&P 500 and IBOVESPA, respectively, within the period from January 2004 to December 2014. Performance is compared in terms of accuracy, by means of value-at-risk (VaR) modeling and forecasting. The out-of-sample results indicate that range-based volatility models provide more accurate VaR forecasts than GARCH models. |
id |
USP-7_c756542d2977eeefe4b72b58834ba5c2 |
---|---|
oai_identifier_str |
oai:revistas.usp.br:article/138284 |
network_acronym_str |
USP-7 |
network_name_str |
Revista Contabilidade & Finanças (Online) |
repository_id_str |
|
spelling |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricasValue-at-risk modeling and forecasting with range-based volatility models: empirical evidencevolatilidademodelos de previsãomercados financeirosvariação de preçovalor em risco (VaR)volatilityforecasting modelsfinancial marketsprice rangevalue at risk (VaR) This article considers range-based volatility modeling for identifying and forecasting conditional volatility models based on returns. It suggests the inclusion of range measuring, defined as the difference between the maximum and minimum price of an asset within a time interval, as an exogenous variable in generalized autoregressive conditional heteroscedasticity (GARCH) models. The motivation is evaluating whether range provides additional information to the volatility process (intraday variability) and improves forecasting, when compared to GARCH-type approaches and the conditional autoregressive range (CARR) model. The empirical analysis uses data from the main stock market indexes for the U.S. and Brazilian economies, i.e. S&P 500 and IBOVESPA, respectively, within the period from January 2004 to December 2014. Performance is compared in terms of accuracy, by means of value-at-risk (VaR) modeling and forecasting. The out-of-sample results indicate that range-based volatility models provide more accurate VaR forecasts than GARCH models. Este artigo considera a modelagem da volatilidade baseada em variação para a identificação e previsão de modelos de volatilidade condicional baseados em retornos. Sugere-se a inclusão da medida de variação, definida como a diferença entre o preço máximo e mínimo de um ativo em um intervalo de tempo, como uma variável exógena em modelos generalizados de heterocedasticidade condicional autorregressiva (GARCH). A motivação é avaliar se a variação proporciona informações adicionais ao processo de volatilidade (variabilidade intradiária) e aprimora a previsão, quando comparada a abordagens do tipo GARCH e ao modelo de variação autorregressiva condicional (CARR). A análise empírica emprega dados dos principais índices das bolsas de valores das economias norte-americana e brasileira, ou seja, S&P 500 e Ibovespa, respectivamente, no período de janeiro de 2004 a dezembro de 2014. O desempenho é comparado em termos de precisão, modelagem e previsão do valor em risco (VaR). Os resultados fora da amostra indicam que os modelos de volatilidade baseados em variação proporcionam previsões do VaR mais precisas do que os modelos GARCH.Universidade de São Paulo. Faculdade de Economia, Administração, Contabilidade e Atuária2017-12-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/pdfhttps://www.revistas.usp.br/rcf/article/view/13828410.1590/1808-057x201704140Revista Contabilidade & Finanças; v. 28 n. 75 (2017); 361-376Revista Contabilidade & Finanças; Vol. 28 No. 75 (2017); 361-376Revista Contabilidade & Finanças; Vol. 28 Núm. 75 (2017); 361-3761808-057X1519-7077reponame:Revista Contabilidade & Finanças (Online)instname:Universidade de São Paulo (USP)instacron:USPengporhttps://www.revistas.usp.br/rcf/article/view/138284/133728https://www.revistas.usp.br/rcf/article/view/138284/133729Copyright (c) 2018 Revista Contabilidade & Finançasinfo:eu-repo/semantics/openAccessMaciel, Leandro dos SantosBallini, Rosangela2017-09-22T16:26:02Zoai:revistas.usp.br:article/138284Revistahttp://www.revistas.usp.br/rcf/indexPUBhttps://old.scielo.br/oai/scielo-oai.phprecont@usp.br||recont@usp.br1808-057X1519-7077opendoar:2017-09-22T16:26:02Revista Contabilidade & Finanças (Online) - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas Value-at-risk modeling and forecasting with range-based volatility models: empirical evidence |
title |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
spellingShingle |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas Maciel, Leandro dos Santos volatilidade modelos de previsão mercados financeiros variação de preço valor em risco (VaR) volatility forecasting models financial markets price range value at risk (VaR) |
title_short |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
title_full |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
title_fullStr |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
title_full_unstemmed |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
title_sort |
Modelagem e previsão do valor em risco com modelos de volatilidade baseada em variação: evidências empíricas |
author |
Maciel, Leandro dos Santos |
author_facet |
Maciel, Leandro dos Santos Ballini, Rosangela |
author_role |
author |
author2 |
Ballini, Rosangela |
author2_role |
author |
dc.contributor.author.fl_str_mv |
Maciel, Leandro dos Santos Ballini, Rosangela |
dc.subject.por.fl_str_mv |
volatilidade modelos de previsão mercados financeiros variação de preço valor em risco (VaR) volatility forecasting models financial markets price range value at risk (VaR) |
topic |
volatilidade modelos de previsão mercados financeiros variação de preço valor em risco (VaR) volatility forecasting models financial markets price range value at risk (VaR) |
description |
This article considers range-based volatility modeling for identifying and forecasting conditional volatility models based on returns. It suggests the inclusion of range measuring, defined as the difference between the maximum and minimum price of an asset within a time interval, as an exogenous variable in generalized autoregressive conditional heteroscedasticity (GARCH) models. The motivation is evaluating whether range provides additional information to the volatility process (intraday variability) and improves forecasting, when compared to GARCH-type approaches and the conditional autoregressive range (CARR) model. The empirical analysis uses data from the main stock market indexes for the U.S. and Brazilian economies, i.e. S&P 500 and IBOVESPA, respectively, within the period from January 2004 to December 2014. Performance is compared in terms of accuracy, by means of value-at-risk (VaR) modeling and forecasting. The out-of-sample results indicate that range-based volatility models provide more accurate VaR forecasts than GARCH models. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-12-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.revistas.usp.br/rcf/article/view/138284 10.1590/1808-057x201704140 |
url |
https://www.revistas.usp.br/rcf/article/view/138284 |
identifier_str_mv |
10.1590/1808-057x201704140 |
dc.language.iso.fl_str_mv |
eng por |
language |
eng por |
dc.relation.none.fl_str_mv |
https://www.revistas.usp.br/rcf/article/view/138284/133728 https://www.revistas.usp.br/rcf/article/view/138284/133729 |
dc.rights.driver.fl_str_mv |
Copyright (c) 2018 Revista Contabilidade & Finanças info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Copyright (c) 2018 Revista Contabilidade & Finanças |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidade de São Paulo. Faculdade de Economia, Administração, Contabilidade e Atuária |
publisher.none.fl_str_mv |
Universidade de São Paulo. Faculdade de Economia, Administração, Contabilidade e Atuária |
dc.source.none.fl_str_mv |
Revista Contabilidade & Finanças; v. 28 n. 75 (2017); 361-376 Revista Contabilidade & Finanças; Vol. 28 No. 75 (2017); 361-376 Revista Contabilidade & Finanças; Vol. 28 Núm. 75 (2017); 361-376 1808-057X 1519-7077 reponame:Revista Contabilidade & Finanças (Online) instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Revista Contabilidade & Finanças (Online) |
collection |
Revista Contabilidade & Finanças (Online) |
repository.name.fl_str_mv |
Revista Contabilidade & Finanças (Online) - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
recont@usp.br||recont@usp.br |
_version_ |
1787713777365417984 |