Anda di halaman 1dari 8

LJNOTAS E COMENTRIOS

Os Modelos Arima e a Abordagem de Box-Jenkins


Uma Aplicao na Previso do IBOVESPA a Curtlssimo Prazo

RESUMO: Este trabalho analisa os modelos auto-regressivo-mdias-m6veis e os compara com os mtodos tradicionais denominados de "anlise tcnica".
A abordagem de Box-Jenkins apresentada em seguida e suas quatro etapas - indentificaCfo, estimao, validalo e previsilo - silo analisadas.
Finalmente, mostra como esta tcnica pode ser implementada com excelentes resultados na modelagem e preoiso do ndice da Bolsa de Valores de Silo Paulo (BOVESPA).
PALAVRAS-CHAVE:

ARIMA, Box-Ienkins, prepis, modelagem, processos estocsticos.


INTRODUAO

Francisco cartos Gomes


Doutorando e Professor no Departamento de
Informtica e de Mtodos Quantitativos aplicados
Administrao da EAESPIFGV.

No passado, anlise tcnica foi sinnimo de


anlise grfica. Se analisarmos. os pressupostos a
ela sub~acentes,. identificados por Edwards e
Magee ,observaremos a presuno de que os
1. EDWARDS, R.D. e MAGEE JR., [ohn, Technical
Anal]/sis. of Stock Trends. Springneld, Stock Trend
Servce, 1958 (edio revisada).

Revista de Administrao de Empresas

810 Paulo, 29(2) 63-70

Abr./Jun.

1989

63

o NOTAS E COMENTRIOS

111111111111111111111111111111111111111111111111111111"'11111111111111111111111111111111111111111111111
111111111111111111111111111111111111111111111111111'

., 11111111111111111111111111111111111illllllllll
.llllll,

~'IIIIIIIIIIIII'

~11111::'lllllllllllllll

.11111111111'1

~'IIIIIIIII'

1111111111111111111111111

'llllllr

I11111111111111111111111111

111111111111111111111111111111111111111111111111"
1IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIf"IIIIIIIIII"
1111111111111'111111111111111"

IIIIIIIIIIJ" . '1111111111"
1111111'" .~lll~~ "111"

,I'. ~'llIJ'

,t'111111111111111,~

jlllllll~. ' 4111111111111111111111111,

'~'I' illlllllllllllllllllllllllll

jlllllllllllllllllllllllllllllllllllllllllll~

jllllllllllllllllllllllllllll

IIIIJ" .~lllllllll,. ' jlllllllllllllllllllllllllllllllllllllllllllllllll.'11111111111111111111111111111


11" ,~llllllllllllllllllllllllllllllllllllllllllllllllllll1111111111111111111111111111111111111111111111
, ,.(1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111

padres de comportamento passado se reproduziro no futuro e, portanto, podem ser empregados com propsitos preditivos (este o pressuposto da constncia, subjacente maioria das
tcnicas quantitativas de previso).
Embora o termo anlise tcnica abranja atualmente algumas ferramentas quantitativas, podemos caracteriz-la como um conjunto de mtodos heursticos,
semi quantitativos,
que
permitem ao analista introduzir as suas avaliaes subjetivas acerca do padro de comportamento dos preos e seus pontos de inflexo (a
antecipao dos turning points um aspecto
fundamental dos problemas de previso).
Esta ltima 'caracterstica, a simplicidade e a
facilidade de aprendizado e de implementao
so os principais responsveis pela grande popularidade desses mtodos.
Contudo, a anlise tcnica, enquanto um
conjunto de mtodos de anlise de sries temporais e/ou tcnicas qualitativas de previso, pode
ser objeto das seguintes restries:
a) possui pouca fundamentao terica e estatstica;
b) vrios de seus mtodos no proporcionam
previses numricas;
c) no estabelece o grau de incerteza associado s
respectivas previses, determinando um intervalo de confiana e respectiva probabilidade de
ocorrncia;
d) no sistematiza nem calibra as avaliaes subjetivas, de sorte a corrigir os vieses associados
aos diferentes perfis cognitivos.

64

Tendo em vista as trs primeiras restries citadas, apresentaremos um mtodo alternativo,


que deve ser encarado como uma abordagem
complementar
em lugar de substitutiva da
anlise tcnica.
Os modelos ARIMA foram sistematizados
por Box e Jenkins 2. Esses modelos so robustos
do ponto de vista conceitual e estatstico, proporcionam previses probabilsticas e so de
fcil implementao ( desde que tenhamos os
recursos computacionais adequados). De fato,
representm uma generalizao dos diversos
mtodos de anlise de sries temporais.
OS MODELOS ARIMA E A ABORDAGEM
DE BOX-JENKINS
1. Os modelos ARIMA

Tendo em vista os limites desde texto, podemos apresentar sumariamente a forma geral de
um modelo ARIMA (p.d.q) como segue:
=

e (B)
cj>

(B)

(1)

2. BOX, George E. P. e JENKINS, Gwilym. Time


Series Analysis: t'orecasting and Controlo Oakland,
Holden-Day, 1976 ( edio revisada). Ver tambm:
MAKRIDAKIS, Spyros e STEVEN, C. Wheelwright.
Forecasting: Metliods and Applications. New York,
Wiley, 1978.

RAE

FIG. 1 - Dlagnna de Blocos dOs Modelos Artma


41(8)

e-1(8)
Srie
Temp

Rufdo

.BIW1CO

--

FllIrode
MdIas-M6vel8

Wt

Jl

8 (B) -

FIro

AIJto.fagrIssIv
(EsIacIonr1o)

't

lIt

onde:
t
-

ndice do tempo
d'sima diferena da varivel de interesse z,
"ponto de referncia" do nvel do
processo
operador de "mdias-mveis":
8 (B)

= (1 - 8tBl - ~B2 - ..- 8q J3C1)

I (B) - operador auto-regressivo:

t(B) = (1- !JBl-i2B2- ...- ~BP)

BP

."

FllIrode
Integralo
(NIo-Estac.)

lt

a) Jl, .e. o "ponto de referncia" do nvel do


processo;
b) p, parmetros au~regressiyos 11' ~, ..., f~
c) q, parmetros mdas-mves 81' 82, , 8q;
d) (,2, a varincia do rudo branco lt.
2. A Abordagem de'Box-Jenklns e o PrincIpio da
PacImOnIa
Para a construo dos modelos ARIMA, BoxJenJdns I sugeriram as seguintes etapas iterativas, como ilustrado na figura 2.

operador de retrocesso:
l3PZt -, Zt.p

tt

"rudo branco" ou erro aleatrio

Para maior clareza, o modelo ARI~A (p, d,


q) - diz-se modelo auto-regressivo .mdiasm6veis integrado de ordem (p, d, q) - acima estabelecido de forma sinttica pode ser expandido, como segue:

a) Identifica~o

A identificao de um modelo AroMA corresponde determinao:

8cft.q

onde:

do nfvelde diferenciao (d), a partir do qual


a srie se torna estacionria;
da ordem (mxima) dos termos autoregressivos (p);
da ordem (mxima) dos termos mdiasm6veis (q).

De uma forma geral, os modelos ARIMA


postulam que as sries temporais (Zt) podem ser
representadas por uma seqncia de "choques"
aleatrios (lt) submetidos a trs operaes de
"filtragem" ( mdias-mveis, auto-regressiva e
integrao), como exemplificado na figura 1.

Essas determinaes so obtidas a partir- do


exame da funo de autocorrelao e da funto
de autocorrelao parcial, que avaliam o padro
de dependncia temporal da srie. Para tanto,
basta compararmos as funes de autocorrelao
amostrais com os correspondentes paradigmas
ou funes de autocorrelao "tercas".

wt

= 80 + !lhWt_l + ...+ fpWt_p +at-81lt_i-

(2)

Intuitivamente, podemos afirmar que os


modelos ARIMA representam as sries temporais como uma ponderao dos prprios valores
e/ou erros passados da srie.
Um modelo ARIMA (p, d, q) possui p+q+2
parmetros desconhecidos, que devem ser estimados a partir dos dados, a saber:

b) EstimaSo

Uma vez determinada a ordem (p. d, q) do


modelo so estimados os seguintes parmetros:
u, o nvel do processo;
3. BOX, George, E. P. e ]ENI<INS, Gwilym. Op. clt.

65

o NOTAS

E COMENTRIOS

FIG. 2 - Etapas Heratlvas da ConstruAo de ModeloS de PrevlsAo (AbOrdagem de Box-Jenklns)

Postular
umaclassa
geral de
modelos

ldentHlcar
o modelo a
ser
tentatlvamente
considerado

1 ____

Estimar os
!Parmetros do
modelo
identificado

--+

Validar o
modelo
estimado

Utilizar o modelo
para fazer previses

adequa

no

os parmetros auto-regressivos ~1' ~2''" ~


os parmetros mdias-mveis ev 92, , ~cf
CJ2, a varincia do rudo branco.
Escapa ao escopo deste texto o exame dos
complexos algortmos de estimao. De qualquer forma, existem programas em abundncia
para executar essa tarefa.
c) Validao
A verificao da adequao do modelo efetuada em duas dimenses inter-relacionadas, a
saber:
o exame do grau de ajustamento ou aderncia
do modelo - expresso em estatsticas como a
varincia do erro, o MSE (Mean Square Error)
ou o MAPE ( Mean Absolute Percentage Error):
o exame da aleatoriedade dos resduos (erros)
do modelo - expresso nas suas funes de autocorrelao.

66

Tendo em vista que a maioria das sries se


torna estacionria aps a segunda diferenciao,
podemos dizer que, usualmente:

p, d, q s 2
UM EXEMPLO:

(3)

PREVISO DO IBOVESPA

A ttulo de exemplo, empregamos uma


amostra de 650 observaes do Indice de Fechamento da BOVESPA, abrangendo o perodo de
02/01/85 a 31/00/87.
A figura 3 mostra graficamente que a srie
considerada foi objeto de vrias mudanas na
sua estrutura temporal, tanto no que diz respeito a suas tendncias quanto no que concerne a
sua volatilidade,
tornando particularmente
difcil a construo de um modelo de previso.
Empregando-se a abordagem de Box-jenkins,
podemos modelar o IBOVESPA, como segue:

d) Previsa

1. IdentlficaAo

Validado o modelo, podemos construir uma


funo de previso, que alm de proporcionar as
previses mais verossmeis dentro do horizonte
de planejamento especificado, proporciona tambm os limites inferior e superior do intervalo
de confiana associado a um nvel de confidncia (probabilidade) estabelecido pelo analista.
Finalmente, Box e [enkins 4 sugerem o emprego parcimonioso desses modelos, i.e., a sua
utilizao com um nmero mnimo de parmetros, possvel em virtude do teorema da
dualidade.

As figuras 4a e 4b mostram as funes de autocorrelao do lBOVESPA aps a sua diferenciao de primeira ordem, cujo exame permite
concluir que:
a) a srie se toma estacionria aps a primeira
diferenciao, portanto d=l.
b) pe l e q=O,embora no haja uma aderncia
muito clara aos paradigmas (esses valores foram
confirmados atravs do exame dos modelos alternativos).
4. Idem, ibidem.

RAE

FIG. 3 -IBOVESPA

(Fechamento)

FECHAMENTO

.
I

..

:
..

.... :

.
.

"

..

soo
FIG. 4a - FunAo de AutocorrelaAo - Primeira Diferena IBOVESPA
I

COEHCIENTE

. . . - . ~ ...

-i

:.- ....

" :.

...
...

'o" . '...

: .....

'

..
.
..

....
..

, . : ......

..

30
DEFASAGEM

FIG. 4b - FunAo de Autocorrelalo Parcial- IBOVESPA Primeira Diferena


COEHCIENTE

-i

. o'

.
fi

...

.....

~:

.
.

'.'

.....

.....

o
DEFASAGEM

67

o NOTAS

E COMENTRIOS

Logo, o IBOVESPA pode ser representado por


um modelo ARIMA (1, 1, O) ou, mais sumariamente, por um modelo auto-regressivo
de
primeira ordem com um nvel' de integrao
[AR (1,1) l, como segue:

Portanto, o modelo estimado para o ndice


Bovespa (Fechamento) foi o seguinte:
wt= 11,88789+ 0,23584wt_1
1\

(5)

00

~ =
1\

(4)

.LJw"
. o
J-

t-'

00

A figura 5 apresenta os valores estimados do


ndice Bovespa (Fechamento) pelo modelo ARIMA (1,1,0) acima.
onde:

3. Validao

ndice Bovespa (Fechamento)


wt - Primeira Diferena de Zt, i. e, Wt = Zt- Zt-l
Jl. - "Ponto de Referncia" do Nvel do Processo
80 - Constante, i.e., 80 = Jl. (1 - ~)
at - Rudo Branco
S - Operador de Integrao

Zt -

2. EstlmaAo
As estimativas obtidas dos parmetros
modelo identificado foram as seguintes:

do

IBOVESPA FECHAMENTO MODELO ARIMA (1, 1, O)


Erro Padro Prob.

Notao

Estimativa

Auto-regressivo

!t

0,2;3584

0,0384

0,0000

Nivel do processo

J.L

15,23413

0,87854

0,3800

Parmetro

Constante
Varincia

~
cP-

11,fJ3700
114.648

A tabela acima mostra que obtivemos uma


estimativa extremamente confivel do terino
auto-regressivo de primeira ordem (<1>1)' j que o
seu erro padro bastante pequeno (notem que
esse termo se mostra estatisticamente diferente
de zero a um nvel de probabilidade de aproximadamente 100%). .
Por outro lado, a estimativa do nvel do
processo (Jl.) no to confivel, pois possui um
erro padro mais elevado (notem que esse termo se mostra estatisticamente diferente de zero
a um nvel de probabilidade de apenas 62%) 5.
Finalmente, a estimativa da varincia do erro
aleatrio (0'2) relativamente pequena, mostrando - como veremos - a excelente aderncia do
modelo (notem que a estimativa do desvio
padro (a), i.e., o erro-padro, extremamente
pequena, (J = 338,60).

68

A figura 6 apresenta os resduos (erros) do


modelo estimado.
a) Aderncia
Um sumrio das estatsticas bsicas dos
resduos (erros) do modelo apresentado
abaixo:
Mdia:
0,14
Desvio-Padro: 338,60
Mnimo:
-1.264,69(7,10%; 16/04/86)
Mxim.p:
1.997,81(19,67%;04/03/86)
MAPE :
2,67%
Constatamos, portanto, que o modelo apresentou uma excelente aderncia, com um erro
percentual mdio da ordem de apenas 2,67%.
b) Aleatoriedade dos Resduos
A figura 7 mostra a funo de autocorrelao
dos resduos (erros).
Alguns poucos coeficientes se encontram
alm da regio de aceitao, embora apresentem
uma magnitude relativamente pequena. Provavelmente, a crescente volatilidade (varincia) da
srie tenha provocado alguns vieses de estimao, indicando uma provvel necessidade de
transformao (logartmica ou raiz quadrada)
5. Neste caso, o procedimento mais adequado seria
a estimao de um modelo sem constante; entretanto, manteremos o modelo inalterado, tendo em vista
os propsitos ilustrativos deste artigo.
6. O MAPE ( Mean Absolute Percentage Error), ou
erro percentual mdio, definido como:
MAPE

1
n

~I

1\

Zt Zt

100

RAE

FIG. 5 - IBOVESPA : estimativas do Modelo Artma (1,1, O)


ESTIMATIVA

................ ,

"

'o

:.
..

ax>
FIO. 6 -IBOVESPA
ERRO

.,

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

'.'

.
'0"
.

400

600

: Enoe do Modelo ArIma (1,1, O)

(X 100)

.............. ,.....

,o

"

,.

..

600

800

FIG. 7 -FunAo de Autocorrelaao


COEFICIENTE

dos Erros do Modelo Arlma (1,1, O)

0.5

0.0

..
;;

..
....

..
....
.

-:

:.;.

o.e

0.0

..

0.0

...
.

-O., ........ ~
-1

..
..
..

..

..

..
.

O
DEfASAGEM

-:.
..
.

..
.

50

69

CJ NOTAS E COMENTRIOS

dos dados para lhes estabilizar a varincia. Entretanto, dado o escopo deste texto, a tima aderncia do modelo e a pequena magnitude desses
coeficientes, no estimaremos o modelotransformado e consideraremos os resduos como razovelmente aleatrios. .
4. Prevls6es

Na figura 8, encontramos a seguinte funo


de previso do ndice Bovespa:
'" 650+m
W

Z 650+m

= 11,88789+ 0,23584W

U9+m

(6)

11.476,76 +

LW 650+j

lt

11.288,3
11.253,0
11.256,7
11.269,3
11.283,9

651
652
653
654
655

limite inferior

limite superior

10.622,8
10.197,9
9.897,4
9.657,7
9.453,4

11.949,9
12.308,0
12.616,0
12.880,9
13.114,3

importante notar que essas previses so efetuadas no instante t = 650; Tendo em vista o
carter auto-ajustvel do mtodo, obteramos
uma maior preciso se essas previses fossem
efetuadas passo a passo (i.e., previso para o
prxiinO perodo -+ observao -+ previso
para o perodo subseqente -+ etc.).

l-I

CONCLUSOES

onde:
m - horizonte de planejamento (m == 1, 2, 3~...)
Ao lado, apresentamos as previses do
IBOVESPA para os cinco dias teis subseqentes
ltima observao, bem como os respectivos
intervalos de confiana associados a um nvel
de probabilidade de 95% (por simplicidade
deixamos de apresentar a expresso descritiva
desses limites probabilsticos).

Apresentamos uma abordagem alternativa e


complementar
aos mtodos tradicionais de
~se
tcnica, que proporciona previses quantitativas e probabilsticas robustas do ponto de
vista conceitual e estatstico.
No experimento efetuado, constatamos que
essa abordagem. apresentou resultados extremamente satisfatrios, em que pese instabilidade
e volatilidade da srie empregada. Q
.

FIG. 8 -IBOVESPA : Funlode Prevlslo do Modelo Arlma(1,1,O)


FECHAMENTO

ABSTRACT: This paper reviews the Autorregressive - Moving Average Models and compares ihem
with the traditional methods known by the term "technical analysis".
The Box-lenkins approach is presented next and its four steps - ldentification, Estimation, Checking and Forecasting - are reviewed.
Finally, it is shown how this technique is easily implemented with satisfactory results in the moelling and forecasting of ihe lnex of the Bolsa de Valores de Silo Paulo (BOVESPA).
KEY WORDS: Arima, Box-Jenkins, prediction, modelling, stocf!:astic processes.

70
---~_._--

---