Sumrio

1 Introduo. 2 Alguns resultados tericos das sries temporais. 2.1 2.2 Sries temporais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modelos estacionrios. . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 2.2.2 2.2.3 2.3 2.4 Modelo autoregressivo. . . . . . . . . . . . . . . . . . . . . . . Modelo de mdias mveis Modelo misto. . . . . . . . . . . . . . . . . . . . . 1 2 2 5 7 9 10 12 14 16 16 17 18 18 18 18 18 18

. . . . . . . . . . . . . . . . . . . . . . . . . .

Retornos de ativos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Distribuies estatsticas. . . . . . . . . . . . . . . . . . . . . . . . . .

3 Modelos heterocedsticos. 3.1 3.2 Modelo ARCH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modelo GARCH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Alguns resultados tericos de otimizao com restrio. 4.1 4.2 4.3 4.4 4.5 Formulao matemtica. . . . . . . . . . . . . . . . . . . . . . . . . . Condies de otimalidade. . . . . . . . . . . . . . . . . . . . . . . . . Mtodos de resoluo. . . . . . . . . . . . . . . . . . . . . . . . . . . Mtodos de Penalidade. . . . . . . . . . . . . . . . . . . . . . . . . . Mtodos de SQP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5 Aplicao da otimizao na estimao do modelo GARCH multivariado. 19 5.1 5.2 Modelos GARCH clssicos. . . . . . . . . . . . . . . . . . . . . . . . . Modelo NLP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 19

ii

1
Introduo.

2
Alguns resultados tericos das sries temporais.

O objetivo primordial das sries temporais consiste em estabelecer modelos para explicar fenomenos resultantes da observao de dados que apresentam uma certa utuao aleatoria. Neste cpitulo visitaremos alguns conceitos toricos fundamentais que caracterizam uma srie temporal.

2.1 Sries temporais

Uma srie temporal pode ser denida como um conjunto ou coleo de variveis aleatrias cujos os ndice so tomadas pela ordem na qual elas foram observadas ou recolhidas. Dado a sequncia de variveis aleatria tXt u, t 1, 2, 3, ..., txt u uma srie temporal em que a varivel tx1 u o valor observado na srie no tempo 1, tx2 u no tempo 2 e assim sucessivamente. Em geral o processo apresentado acima denomido de processo estocstico. Formulamente um processo estocstico ou processo aleatrio pode ser denido como uma varivel aleatria variante no tempo no sentido em que o valor que a v.a pode tomar varia com o tempo 2

 uma funo temporal aleatria no sentido em que um funo temporal completa em vez de um nmero pode ser associado ao resultado. Como resultado desta denio temos que Xt num dado ponto t1 uma varivel aleatria Xt1 . uma realizao de Xt denominada de caminho amostral ou funo amostral e no um nmero. Como j dissemos anteriormente as sries temporais modelam eventos aleatrios e precisamos obter as informaes contidas neles para tal precisamos conhecer os seus momentos pois eles caracterizam parcialmente as sries temporais uma vez que eles retem as informaes contidas nas funes de distruio comulativas conjuntas. A funo de mdia e a de varincia de uma srie temporal contnua tXt u denido por 8 mx ptq E rX ptqs
8

xfxptq pxqdx,

(2.1)

e 8 V ARrX ptqs
8

px mx ptqq2 fx ptqdx

(2.2)

onde fx ptqpxq a funo de distribuio de probabilidade de X ptq. A vis do compartamento da srie temperal manifestada em mx ptq ao longo do tempo, ao passo que a varincia nos d uma indicao da expano dos valores tomados de pela srie nos diferentes instantes do tempo. A funo de autocorrelao de uma srie temporal denida pelo momento conjunto de X pt1 q e X pt2 q 8 8 Rx pt1 , t2 q E rX pt1 qX pt2 qs
8 8

xyfxpt1 q,xpt2 q px, y qdxdy

(2.3)

onde fxpt1 q,xpt2 q px, y a funo de distribuio de probabilidade de ordem 2 de X ptq. A funo de autocovarincia Cx pt1 , t2 q do processo aleatrio X ptq denida como a autocovarincia de X pt1 q e X pt2 q: Cx pt1 , t2 q E rX pt1 q mx pt1 qX pt2 q mx pt2 qs (2.4)

O coeciente de correlao de X ptq denida como o coeciente de correlao de X pt1 q e X pt1 q x pt1 , t2 q Cx pt1 , t2 q sqrtpCx pt1 , t1 qqsqrtpCx pt2 , t2 qq (2.5)

Estes mesmos elementos so representados quase da mesma maneira para processos estocsticos discretos. A mdia e a varincia de uma srie temporal discretos dada por: mx ptq E rXn seV ARrXn s E rpXn mx pnqq2 s (2.6)

e as funes de autocorrelao e autocovncia de um processo estocstico discretos como se segue: Rx pn1 , n2 q E rX pn1 qX pn2 qs e Cx pn1 , n2 q Rx pn1 , n2 q mx pn1 qmx pn2 q (2.8) (2.7)

O outro conceito no menos importante e com muita vericao na prtica so os chamados processos mltiplos, em que pretendo ou estamos na presena de mais de um processo. Estes processos so denominados de processos mltiplos. Para caracterizar o comportamento dos processos mltiplos necessrio especicar a coleo de distribuies conjuntas para todas possveis escolhas dos instantes de amostragem do processo. Dois processos X ptq e Y ptq so aleatriamente independentes se os vetores X pX pt1 q, ..., X ptk q e Y pY pt1 1q, ..., Y ptk 1q so independentes para todas escolhas de 4

t1 , ..., tk e t11 , ...t1k : FX,Y px1 , ..., xk , y1 , ..., yj q Fx pX1 , ..., Xk qFy py1 , ..., yk q A correlao cruzada entre X ptq e Y ptq denida por RX,Y pt1 , t2 q E rX pt1 qY pt2 qs Se RX,Y pt1 , t2 q 0 (2.11) (2.10) (2.9)

para todo t1 e t2 o processo diz-se ortoganal. A covarincia cruzada de X ptq e Y ptq denida por CX,Y pt1 , t2 q RX,Y pt1 , t2 q mx pt1 qmy pt2 q (2.12)

No caso de CX,Y pt1 , t2 q 0 para todo t1 e t2 o processo diz-se no correlacionados.

2.2 Modelos estacionrios.

Como foi visto na seo anterior, os momentos apenas caracterizam ou descrevem o processo de forma parcial, para se ter uma informao completa do modelo ou processo subjacente necessrio conhecer a distribuio resultante do modelo. Portanto um processo estocstico especicado por um conjunto de funes de distribuio comulativas Fx1 , ..., xk px1 , x2 , ..., xk qdx1 ...dxn P rX pt1 q x1 , X pt2 q x2 , ..., X ptk q xk s (2.13) para qualquer k e quaisquer instantes de amostragem t1 , ..., tk . Quando a observao de um processo no instante pt0 , t1 q apresenta o mesmo comportamento da observao em qualquer outro instante t0 ` , t1 ` q dizemos que o processo no depende da origem do tempo. Est caracterstica de alguns processo no dependerem da origem do tempo denominado de estacionariedade. 5

Formalmente um processo X ptq estritamente estacionrio se os vetores pX1 , ..., Xk q1 e pX1`h , ..., Xk`h q1 tm a mesma distribuio conjunta, para todo k P N e todo h P Z. Como dcil a existencia de processos com essa caracterstica, na prtica aplicase outro conceito menos exigente, requerendo apenas a existncia de momentos de ordem 2. Um processo X ptq estacionrio de ordem 2 se: E rXt2 s 8@t P Z E rXt s m@t P Z Cov pXt , Xt`h q x phq, @t, h P Z O exemplo mais simples de um processo estacionrio de ordem 2 o processo de rudo branco. Este processo possu elevada importncia pois a a partir dele podemos construir processos mais complexos. Um processo denominado rudo branco p t q se, para qualquer constante positiva 2: E rXt2 s 8@t P Z E rXt s m@t P Z Cov pXt , Xt`h q x phq, @t, h 0 O objetivo da anlise das sries temporais construir modelos para os processos estocsticos subjacente, sendo estes modelos posteriormente usados para entender a sua estrutura e causa ou para obteno de predies optimas. Na seco a seguir apresentaremos a teoria relacionada com alguns modelos utilizados na construo ou explicao de certos processos comumente encontrados na prtica.

2.2.1

Modelo autoregressivo.

Um modelo autoregressivo de ordem p denido pela seguinte combinao linear

yt 0 ` 1 yt1 ` 2 yt2 ` ... ` p ytp ` t , onde p um inteiro no negativo e

t

(2.14)

um processo de rudo branco. Este modelo

mostra que os valores passado p de rti (i 1, 2, ..., p) determinam conjuntamenta o valores esperado condicional de rt uma tendo os dados passados. O conhecimento das caratersticas dos modelos AR tem uma certa importncia no seu uso eectivo na modelao dos fenomenos nanceiros. A mdia de (2.14) dada por 0 1 1 ... p

E ryt s

(2.15)

contanto que o seu denominador seja diferente de zero. Este modelo estacionrio se o seu polinmio caracterstico 1 1 x 2 x2 ... p xp 0 possu todas solues (em modulo) maiores que 1. A sua funo de autocorelao satisfaz a seguinte equao p1 1 B 2 B 2 ... p B p ql 0 para l 0 A determinao da ordem do modelo AR pode ser feita por meio da funo parcial de autocorelao ou critrio de funo de informao. Consideremos os modelos AR: yt 0,1 ` 1,1 yt1 `
1t , 2t , 3t

yt 0,2 ` 1,2 yt1 ` 2,2 yt2 `

yt 0,3 ` 1,3 yt1 ` 2,3 yt2 ` 3,3 yt3 ` . . . . 7

onde 0,j , i,j representam constantes reais e

jt

o termo de erro do modelo AR(j ).

Pode se vericar que estes modelos esto na forma de modelos de regresso linear e pode se usar o mtodo dos mnimos quadrado para sua estimao. ,2 do lag-2 mostra a contribuio de yt2 O coeciente de autocorelao parcial 2 ,3 do lag-3 mostra a contribuio de yt3 sobre o modelo sobre o modelo AR(1) e 3 AR(2) e assim por diante. Contudo, para um modelo AR(p), o lag-p no dever ser zero, mas j,j aproximarse- de zero para todo j p. com base nesta propriedade que determinada a ordem p. Podemos resumir que para um modelo AR(p ) a funo de autocorelao parcial corta em no lag p. Os criteiros de informao so baseadas na funo de maximo-verosimilhana. Um dos critrios mais usados o criteiro de informao de Akaike (AIK) e denido por:

AIK

2 2 verosimilhana ` pnumero de parametrosq T T

(2.16)

onde a funo de verosimilhana avaliada nas estimaes mxima de verosimilhana e T o tamanho da amostra. O primeiro termo de (2.16) mede a qualidade do ajustamento e o segundo a funo de penalidade do critrio pois ele penaliza o modelo candidato em funo do nmero de parmetros usados. O outro critrio de informao usada o critrio de informao bayesiana (BIC) e denido por:

AIK

2 lnpT q verosimilhana ` pnumero de parametrosq T T

(2.17)

Para se usar o AIC, calcula-se o AIC(l) para l 0, 1, ..., p onde p um nmero inteiro pre-especicado, e seleciona-se a ordem k que possui o valor AIC mnimo. 8

2.2.2

Modelo de mdias mveis

Um dos modelos simples muito usado para modelar fenomenos ou processos resultantes de dados nanceiros o modelo de mdias mveis. Este modelo pode ser visto como uma extenso simples do rudo branco. Estes modelos so sempre estacionrios fraco pois so formados por uma combinao linear de processo de ruido branco cujos os dois primeiros momentos sao invariantes no tempo. Um modelo de mdias mveis de ordem q (M(q) caracterizado pela seguinte equao: yt ` onde
t t

` t1

t1

` t2

t2

` ... ` q

tq

(2.18)

representa o processo de rudo branco e (1 , ...q ) so constantes reais. A

mdia de (2.18) dada por : E ryt s ` E r t s ` t1 E r E ryt s A varincia de (2.18) dada por:
2 2 2 V arryt s p1 ` 1 ` 2 ` ... ` q q 2 t1 s

` t2 E r

t2 s

` ... ` q E r

tq s

(2.19)

(2.20)

A funo de autocorrelao de MA(1) para dada por: 1 , 2 1 ` 1

0 1,

l 0,

para

l1

(2.21)

A funo de autocorelao possui uma grande importncia na identicao da ordem de um processo MA. Para um processo com a funo de autocorelao l , se q 0 mas l 0 para l q , ento yt segue um modelo MA(q). Sendo o processo MA(1) escrito da seguinte forma sucessivamente obtem-se o modelo
t t

yt ` 1

t1 ,

substituindo

2 3 yt ` 1 yt1 ` 1 yt2 ` 1 yt3 ` .... Este modelo

representa as inovaes como uma combinao linear dos valores passados e presentes 9

j de y . Os valores de ytj no devem ter grande impacto na inovao atual, 1 tender

para zero na medida que j aumenta. Um modelo MA(1) diz-se invertvel se 1 1, no caso em que 1 1 o modelo diz-se no invertvel. 2.2.3 Modelo misto.

Um dos grandes problemas dos modelos j vistos at agora que na prtica preciso um elevado nmero de parmetros para se ajustar ou captar a estrutura dos dados. Para vencer tal problema foi introduzida uma nova classe de modelos pelo Peter Whittle (1951) denominada ARMA que combina os modelos AR e MA de modo a minimizar o nmero de parmetros usados. Um modelo ARMA(p,q) contm os modelos AR(p) e MA(q) e satisfas a seguinte equao:

Yt c `

p t` i1

t Yti `

q i 1

ti

(2.22)

Introduzindo polinmios usando operador de avano (shift operator) o processo ARMA(p,q) pode ser escrito como:

pB qYt pB q

(2.23)

onde pB q e pB q so polinmios de grau p e q respectivamente. Um processo ARMA(p,q) estacionrio se as raizes pZ 1q 0 estiver dentro de um crculo unitrio e invertvel se as raizes de pZ 1q estiver dentro de um crculo unitrio. Uma vez que yt pode ser escrito na forma
8 i 0

yt

ti

(2.24)

10

 obvio que # P y pk q cov r t , yt`k s E ryt

tk s

0, se k 0; 0, se k 0;

(2.25)

Multiplicando os membros de (2.24) por se a equao diferencial

tk

e tomando o valor esperado, obtem-

2 , P y pk q ` 1 P y pk 1q ` ` p P y pk pq k e

k 0, 1, . . . ,

(2.26)

Primeiro determina-se P y pk q usando (2.25) e (2.26). Por exemplo, k 0; k 1; A partir disto tem-se P y p1q p1 1 0q 2 (2.27) P y p0q P y p1q ` 1 P y p0q
2 0 e

1 2

Multiplicando os membros de (2.22) por ytk e tomando o valor esperado o yk satisfaz pk q ` 1 pk 1q ` ` p pk pq k P y p0q ` ` p P y pq k q, para k 0, 1, . . . (2.28) Se p q obtem-se pk q ` 1 pk 1q ` ` p pk pq 0, para k p, p ` 1, . . . (2.29)

Neste caso a autocovarincia e autocorrelao consistir de funo exponncial e senos. Os coecintes da soluo completa sao encontradas usando (2.28) para k 0, 1, . . . , p 1.

11

Se p q ppq ` 1 pp 1q ` ` p p0q p P y p0q ` ` p P y pq pq pp ` 1q ` 1 ppq ` ` p p1q p`1 P y p0q ` ` p P y p1q ... pq ` 1q ` 1 q ` ` 1 q`1p 0 Pode se notar que a apenas a partir de k q ` 1 p a autocovarincia e a autocorrelao sero constitudas por funes exponencias e harmnicas. Os coecintes da soluo completa ser determinada usando (2.26)para k q p, . . . , q

2.3 Retornos de ativos.

Retorno simples (um periodo) Seja Pt o preo de um ativo no tempo t. Assumindo que o ativo no paga dividendos podemos denir os retornos da seguinte forma: Mantendo o ativo num perido de tempo t 1 at o tempo t o returno simples grosso de um periodo ser dada pela seguinte expresso: 1 ` Rt Pt ou Pt Pt1 p1 ` Rt q Pt1

(2.30)

O retorno simples (um periodo)

Rt

Pt Pt Pt1 1 Pt1 Pt1

(2.31)

Retorno Simples Multiperiodico Mantendo o ativo de k periodos entre as datas t k e t d um retorno simples grosso de k -periodos

12

1 ` Rt rk s

Pt1 Ptk`1 Pt Ptk Pt2 Ptk

p1 ` Rt qp1 ` Rt1 q . . . p1 ` Rtk`1 q

k 1

j 0

p1 ` Rtj q

Na prtica o intervalo de tempo muito importante na discusso dos retornos. Se o intervalo no for dado explicitamente, ento assume-se que o mesmo corresponde 1 ano. Se os ativos forem tomados em k anos, ento os retornos anuais so dados por

AnualpRt rk sq p

k 1 j 0

p1 ` Rtj qq1{k 1

(2.32)

Outro aspecto importante sobre os retornos a capitalizao composta dos retornos. Suponha que um banco paga juros de 20% por ano e o depsito inicial seja de e1.00. Se o banco pagar juros anualmente ento o valor do depsito torna-se e1(1+0.2)=1.2 um ano depois. Se o banco pagar semestralmente, o valor dos juros ser 20%/2 = 10% ento o valor do depsito ser e1p1 ` 0.2{2q2 1.2. A capitalizao composta dos retornos caracteriza-se por uma funo exponencial, em que o capital cresce de forma geomtrica. Muitas vezes por razes de facilidade de clculos usado o logartmo do retornos tambm conhecido por retornos composto contnuo e dada por: rt lnp1 ` Rt q ln Pt pt pt1 Pt1

(2.33)

onde pt lnpPt q. Uma das vantagens do uso dos logartmos dos retornos em relao aos retornos simples que ela permite com que a clculo dos logortmos do retorno 13

dos multiperidos seja reduzida apenas em soma dos logaritmos dos retornos de um periodo involvidos. Carteira dos Retornos O simples retorno de uma carteira consistindo de N ativos a mdia ponderada de um retorno simples de ativos involvidos, onde o peso em cada ativos a percentagem da valor da carteira investido no ativo. Seja p uma carteira que atribu peso wi sobre o ativo i. Ento o retorno simples p no tempo t Rp,t N i1 wi Rit , onde Rit retorno simples do ativo i. Pagamento dos Dividendos Seja Dt o pagamento de dividendo de um ativo entre as data t 1 e t e Pt seja o preo do ativo no m do periodo t. Neste caso Dt no est incluso em Pt , o retornos simples e logartmico so dado pelas seguintes expresses:

Rt

Pt ` D t 1, Pt1

rt lnpPt ` Dt q lnpPt1 q

(2.34)

2.4 Distribuies estatsticas.

A modelao das sries temporais nanceiras so de elevada complexidade e uma tarefa difcil devido de algumas regularidades (fatos estilizados) que so difceis de se capturar por meio de processos estocsticos. Muitos desses fatos estilizados foram apresentados por Mandelbrot (1963) e tm vindo a ser expandidos ao longo do tempo por meio de vrios resultados empricos. A seguir apresentamos alguns resultados referentes a retornos dirios como so apresentados por Francq (2010). Os preos so no-estacionrias apresentando as caractersticas de um passeio aleatrio. A variao dos preos so geralmente pouco correlacionadas, podendo ser modelados com um rudo branco. Os preos possuem uma distribuio leptocrtica, com varincias innitas em

14

certos casos (Nicolau,1999). O aumento dos intervalos de tempo sobre os quais os retornos so calculados melhora a normalidade, aproximando-se assim a uma Gaussiana. Os retornos tendem apresentar uma aglomerao de volatilidade, isto perodos turbulentos so seguidos por perodos calmos. O outro aspecto que no poderamos de salientar aqui so os efeitos de levarage, onde os retornos negativos tendem aumentar a volatilidade por uma quantidade maior em relao aos retornos positivos da mesma magnitude.

15

3
Modelos heterocedsticos.

3.1 Modelo ARCH.

Um processo t denominado Garch(p,q) se os seus primeiros momentos existem e satisfazem as seguintes condies: E pt |u , u tq 0 com t 1, . . . , T , Di , i , i 1, ..., q e j , j 1, ..., p talque h2 t
q i 1

varpt |u , u tq `

i 2 ti

`
j 1

i h2 tj ,

@t 1, ..., T

(3.1)

2 Introduzindo o operador de atraso B talque B i 2 t ti

2 e B i h2 t hti

@i P Z,

os polinmios e de grau p e q podem ser escritos da seguinte forma: pB q q i j pB q p i 1 i B , j 1 j B .

2 Representando as inovaes por vt 2 t ht e substituindo-as em (3.1) tem-se: r p 2 h2 @t 1, ..., T onde r maxpp, q q. t ` i1 pi ` i qti ` vt ` j 1 j ,

Assumindo que i 0pj 0q para i q pj pq a equao anterior permite vericar que o um modelo Garch possu uma estrutura do modelo ARMA sendo um 16

resultado muito importante uma vez que o mesmo permite estimar os parmetros e identicar o modelo GARCH. Em particular pode-se dizer que se t um modelo Garch ento 2 t ser um modelo ARMA desde que se verique a estacionariedade de ordem 2 em t . Seja t uma sequncia de iid com distribuio . O processo t denominado de GARCH(p,q) forte se: # t t t p 2 2 ht ` q j 1 i htj i1 i ti ` onde i e j so constantes no negativas e uma constante positiva. Como se pode vericar, um modelo GARCH permite com que o rudo possa ser representado em funo dos seus valores passados. Esta caracterstica muito importante pois ela permite a obteno da informao necessria para se capturar as aglomeraes da volatilidade uma vez que perodos com alta volatilidade so seguidos por aqueles que tm baixas amplitudes. Um processo Garch(1,1) # t t t 2 ht ` i 2 ti ` i htj
2 com 0 0 e ser estacionria se 8 E plogtt ` uq 0, ento a soma innita de ht t1 ` 8 i1 apt1 q ` . . . ` apti qu converge com certeza e a ? nica soluo do processo Garch(1,1) t ht t (demonstrao em Francq, 2010).

3.2 Modelo GARCH.

17

4
Alguns resultados tericos de otimizao com restrio.

4.1 Formulao matemtica. 4.2 Condies de otimalidade. 4.3 Mtodos de resoluo. 4.4 Mtodos de Penalidade. 4.5 Mtodos de SQP.

18

5
Aplicao da otimizao na estimao do modelo GARCH multivariado.

5.1 Modelos GARCH clssicos. 5.2 Modelo NLP.

19