CAPACIDADE PREDITIVA DOS MODELOS DA FAMÍLIA ARCH

Raphael Silveira Amaro, Paulo Sergio Ceretta, Kelmara Mendes Vieira

Resumo


Nas últimas décadas, um notável número de modelos, variantes da família Autoregressive Conditional Heteroscedastic, foram desenvolvidos e testados empiricamente, tornando extremamente complexo o processo de escolha de um modelo específico. Esta pesquisa busca comparar a capacidade preditiva, utilizando o Model Confidence Set procedure, de cinco modelos de heterocedasticidade condicional, levando em consideração oito diferentes distribuições de probabilidade estatística. As séries financeiras utilizadas referem-se às séries de log-retorno do Índice Bovespa e do Índice Dow Jones Industrial, no período compreendido entre 27 de outubro de 2008 e 30 de dezembro de 2014. As evidências empíricas demonstraram que, em geral, os modelos concorrentes possuem uma grande homogeneidade para realizar previsões, tanto para um mercado acionário de um país desenvolvido quanto para um mercado acionário de um país em desenvolvimento. Depreende-se um resultado equivalente para as diferentes distribuições de probabilidade estatísticas utilizadas.


Texto completo:

ARTIGO

Referências


BARNDORFF, N. O. E., Processes of normal inverse Gaussian type. Finance & Stochastics, v. 2, n. 1, 1998, p. 41–68.

BERNARDI, M; CATANIA, L., Comparison of Value-at-Risk models: the MCS package, (submetido), 2015, Pré-impressão: arXiv:1502.04472 [stat.CO], http://arxiv.org/abs/1502.04472.

BERNARDI, M; CATANIA, L., The Model Confidence Set package for R, (submetido), 2014, Pré-impressão: arXiv:1410.8504 [stat.CO], http://arxiv.org/abs/1410.8504.

BLACK, F.; SCHOLES, M., The Pricing of Options and Corporate Liabilities. Journal of Political Economy, v. 81, n. 3, junho, 1973, p. 637-659.

BOLLERSLEV, T., Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, v. 31, fevereiro, 1986, p. 307-327.

BUENO, R., Econometria de séries temporais. 1ª Ed. São Paulo: Cengage Learning, 2011.

CERETTA, P. S.; BARBA, F. G.; VIEIRA, K. M.; CASARIN, F., Previsão da Volatilidade Intradiária: Análise das Distribuições Alternativas. Revista Brasileira de Finanças, v.9, n. 2, junho, 2011, p. 209-226.

DAVIS, R., ARMA-GARCH models applied to Exchange-Traded Funds. 2012. 75p. Department of Mathematical Sciences. The University of Texas At El Paso, Texas, United States.

DICKEY, D.A.; W.A. FULLER. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, v. 74, 1979, p. 427-431.

DING, Z.; GRANGER, C. W. J.; ENGLE, R. F., 1993. A long memory property of stock Market returns and a new model. Journal of Empirical Finance, v. 1, fevereiro, 1993, p. 83-106.

ENGLE, R. F., Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, v. 50, n. 4, julho, 1982, p. 987-1007.

ENGLE, R. F.; Lee, G. G., A permanent and transitory component model of stock return volatility. University of California at San Diego, Economics Working Paper Series, 1993.

GILLER, G. L., A Generalized Error Distribution. Giller Investments Research Note, Agosto, 2005.

GLOSTEN, L. R.; JAGANATHAN, R.; RUNKLE, D. E, On the relation between the expected value and the volatility of the nominal excess returns on stocks. Journal of Finance, v. 48, dezembro, 1993, p. 1779-1801.

GONZÁLEZ, R. G.; LEE, T. H.; MISHRA, S., Forecasting volatility: A reality check based on option pricing, utility function, value-at-risk, and predictive likelihood. International Journal of Forecasting, v. 20, n. 4, 2004, p. 629-645.

GOULART, C. P.; AMARAL, H. F.; BERTUCCI, L. A.; BRESSAN, A. A., Previsão da Volatilidade no Mercado Interbancário de Câmbio. RAE-Revista de Administração de Empresas, v. 45, n. 0, dezembro, 2005, p. 86-101.

GUJARATI, D. N., Econometria Básica. 4ª Ed. Rio de Janeiro: Elsevier, 2006.

HANSEN, P. R., A Test for Superior Predictive Ability. Journal of Business & Economic Statistics, v. 23, n. 4, outubro, 2005, p. 365-380.

HANSEN, P. R.; LUNDE, A.; NASON, J. M., Choosing the best volatility models: The model confidence set approach. Oxford Bulletin of Economics and Statistics, v. 65, março, 2003, p. 839–861.

HANSEN, P. R.; LUNDE, A.; NASON, J. M., The model confidence set. Econometrica, v. 79, fevereiro, 2011, p. 453–497.

JOHNSON, N. L., Systems of frequency curves generated by methods of translation. Biometrika, v. 36, junho, 1949, p. 149-176.

KWIATKOWSKI, D.; P. C. B. PHILLIPS; P. SCHMIDT; Y. SHIN. Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root. Journal of Econometrics, v. 54, 1992, p. 159-178, North-Holland.

MAYNES, E.; RUMSEY, J., Conducting event studies with thinly traded stocks. Journal of Banking and Finance, v. 17, 1993, p. 145-157.

MERTON, R. C., Lifetime Portfolio Selection under Uncertainty: the Continuous-Time Case. The Review of Economics and Statistics, v. 51, n. 3, agosto, 1969, p. 247–257.

MORETTIN, P. A., Econometria financeira: um curso de séries temporais financeiras. 1ª Ed. São Paulo: Blucher, 2008.

NELSON, D. B., Conditional heteroskedasticity in asset return: a new approach. Econometrica, v. 59, n. 2, março, 1991, p. 347-370.

SARTORIS A., Estatística e introdução à econometria. 2ª Ed. São Paulo: Saraiva, 2013.

TORMAN V. B. L., COSTER, R., RIBOLDI, J., Normalidade de variáveis: métodos de verificação e comparação de alguns testes não-paramétricos por simulação. Revista HCPA, v. 32, n. 2, 2012, p. 227-234.

WENNSTRÖM, A., Volatility Forecasting Performance: Evaluation of GARCH type volatility models on Nordic equity índices. 2014. Department of Mathematics. Royal Institute of Technology (KTH), Stockholm, Sweden.

YAHOO FINANCE, 2015. Disponível em: . Acesso em: julho. 2015.




DOI: http://dx.doi.org/10.18028/rgfc.v6i1.1376

Apontamentos

  • Não há apontamentos.