TRACKING PORTFLIO BASEADO EM COINTEGRAO Joo Gabe1 Joo Caldeira2 Resumo

Na ltima dcada a metodologia de cointegrao tornou-se uma ferramenta amplamente difundida na econometria de sries financeiras. Contudo, sua utilizao ainda bastante limitada, pois a construo padro de portflios fundamenta-se na anlise da correlao entre os retornos dos ativos. Neste sentido, o objetivo deste artigo foi derivar um portflio timo (tracking portflio) utilizando-se a clssica estratgia de investimento index tracking replicar uma fonte de referncia de mercado em termos de retorno e volatilidade, a partir da aplicao da cointegrao entre ativos financeiros. A base de dados consistiu dos preos dirios do ndice da Bovespa e suas principais aes constituintes, no perodo de 02/01/2004 a 02/01/2008. No acumulado do ano de 2007, os retornos do tracking portflio foram mais do que o dobro da rentabilidade do Ibovespa. No tocante avaliao da volatilidade, a volatilidade condicional do Ibovespa foi superior do tracking portflio, bem como no eficiente e viesada.

Abstract
In the latest decade, the cointegration methodology has been a worldwide tool used in financial series econometrics. However, its application is limited since its portfolios standard construction is based on assets returns correlation analysis. In this sense, this article objective is to construct a tracking portfolio using the classical investment strategy index tracking replicate a benchmark related to return and volatility using cointegration on financial assets. The data used was the daily prices of Bovespa index and its major stocks prices from 02/01/2004 to 02/01/2008. For out sample test during 2007 the tracking portfolio return surpassed Bovespa index twice. About the volatility, the conditional Ibovespas volatility was superior to tracking portfolio, as well as it is not efficient and biased.

Palavras-chave: Cointegrao, index tracking, tracking portflio, retornos, volatilidade condicional, famlia Garch. Classificao JEL: C22, C52, G11, G14. 1. Introduo Um dos principais preceitos a respeito da moderna teoria e engenharia de finanas, que cabe a ela analisar as propriedades das estruturas financeiras e encontrar a maneira mais factvel para operar os recursos de terceiros. Para tanto, utiliza vrios instrumentos tcnicos e estratgias com a devida contabilizao a fatores como o tempo, risco e ambiente aleatrio. Os mercados financeiros so altamente interdependentes e por muitas dcadas os administradores de portflios avaliam os co-movimentos entre os mercados. Na ltima dcada, o conceito de cointegrao tornou-se amplamente difundido na econometria de sries financeiras em conexo com a anlise de sries de tempo e macroeconomia. A metodologia de cointegrao tornou-se uma ferramenta extremamente poderosa, pois permite: a) a aplicao de simples mtodos de estimao (como regresso por mnimos quadrados e mxima verossimilhana) para variveis no estacionrias; b) investigar tendncias comuns em sries de tempo multivariadas; e c) providencia uma slida metodologia para modelagem tanto da dinmica de curto prazo como de longo prazo em um sistema. Contudo, sua relevncia para a anlise de investimento tem sido limitada, principalmente pelo fato de que a tradicional construo de portflios quantitativos e de mensurao de risco, fundamenta-se ainda na anlise da correlao entre os retornos dos ativos para modelar as mais complexas interdependncias entre ativos financeiros. Entretanto, a anlise da correlao vlida somente para variveis estacionrias. Isto requer que as variveis financeiras em nvel - geralmente integradas de ordem 1 ou mais, sejam primeiramente diferenciadas. Tomar a primeira diferena do log dos preos o procedimento padro que assegura estacionariedade srie financeira e faz com que todas as inferncias sejam baseadas nos retornos.
1 2

Mestre e Doutorando em Economia no PPGE/UFRGS, e-mail: joaogabe.voy@tera.com.br. Mestre e Doutorando em Economia no PPGE/UFRGS, e-mail: jofcaldeira@yahoo.com.br. 1

Entretanto, este procedimento possui a desvantagem de se perderem informaes importantes. Particularmente, diferenciando as variveis antes de iniciar a anlise remove qualquer possibilidade de detectar tendncias comuns nos preos. Adicionalmente, quando as variveis em um sistema so integradas de ordens diferentes e, portanto, requer diferentes nmeros de diferenciaes para a estacionariedade, a interpretao dos resultados torna-se difcil. Segundo ALEXANDER (2001), o objetivo da anlise de cointegrao detectar qualquer tendncia estocstica nos preos dos dados e usar estas tendncias para a anlise dinmica da correlao nos retornos. Cointegrao e correlao so conceitos relacionados, porm diferentes. A principal vantagem da anlise de cointegrao, quando comparada ao clssico conceito de correlao, a utilizao do conjunto total de informaes contidas no nvel das variveis financeiras. Alm disso, a cointegrao capaz de explicar o comportamento de longo prazo das sries cointegradas, enquanto a correlao, como uma medida de co-dependncia - usualmente instvel, uma medida somente de curto prazo. Dessa forma, a aumentada estabilidade da cointegrao gera significantes vantagens em estratgias de negociao, pois, por exemplo, reduz a quantidade de re-balanceamentos em uma estratgia de hedging e, conseqentemente, os associados custos de transao. Em suma, a correlao reflete co-movimentos nos retornos, os quais so suscetveis a grande instabilidade ao longo do tempo. Ela uma medida intrinsecamente de curto prazo, e estratgias baseadas em correlao comumente exigem re-balanceamentos. Por outro lado, cointegrao uma medida de co-movimentos de longo-prazo nos preos, os quais podem ocorrer mesmo em perodos quando a correlao esttica parece baixa. Conforme ALEXANDER & DIMITRIU (2002), separadamente o uso da cointegrao para inferncias de longo prazo no impede o uso da correlao como um guia de curto prazo. Por exemplo, correlao de curto prazo pode ser utilizada como uma tcnica de seleo de aes, seguida por uma otimizao do portflio baseada em cointegrao. Quando aplicada a preos de aes e ndices de mercados de aes geralmente integrados de ordem 1, cointegrao existe se h ao menos uma combinao linear estacionria entre eles. Tal combinao linear estacionria de preos das aes/ndices de mercado, pode ser interpretada como uma convergncia mdia nos diferenciais de preos. O resultado que o diferencial em um sistema de preo convergente mdia no providencia qualquer informao sobre a previso de preo individual no sistema, ou a posio do sistema em algum ponto no futuro. Mas, isto origina uma valiosa informao que, independente de sua posio, os preos do sistema convergiro no longo prazo. Os pioneiros na utilizao da tcnica de cointegrao no mercado financeiro podem ser creditados a LUCAS (1997) e ALEXANDER (1999). Segundo ALEXANDER (1999), a tcnica de cointegrao para modelagem de sries de tempo possui muitas aplicaes nos mercados financeiros: quando spreads so revertidos mdia, preos so cointegrados. Portanto, um modelo multivariado providenciar importantes informaes do preo de equilbrio dos ativos financeiros e da causalidade dos retornos dentro do sistema. Arbitragem entre preos vista e futuros, modelagem da estrutura da curva de juros, negociaes atravs da construo de um index tracking e de spreads, so algumas aplicaes da cointegrao revistas pela autora no artigo. Apresenta um modelo de um portflio internacional de aes cointegrado utilizado para hedging dentro dos pases da Europa, Leste Europeu e sia. Oposto as tradicionais estratgias de index tracking e long-short de aes baseadas em correlao, ALEXANDER & DIMITRIU (2002) realizam a otimizao de um portflio baseada em cointegrao. Utilizam-na em uma estratgia de negociao baseada em um index tracking, que objetiva replicar uma fonte de referncia de mercado acuradamente em termos de retornos e volatilidade. Tambm utilizam a cointegrao para determinar uma estratgia neutra de mercado de aes long-short: procura minimizar a volatilidade e gerar retornos estveis sob todas as circunstncias de mercado. Para validar sua aplicabilidade, empregam-na em um painel de dados da DJIA e suas aes constituintes, com os resultados apresentados fortemente justificando o uso da cointegrao na determinao da alocao de ativos financeiros. DUNIS & HO (2005) igualmente utilizam o conceito de cointegrao para derivar um portflio quantitativo de aes Europias no contexto de duas aplicaes: a estratgia clssica de index tracking e a estratgia neutra de mercado de aes long-short. Usam dados do ndice Dow Jones EUROStoxx50 e

suas aes constituintes, no perodo de 04 de janeiro de 1999 a 30 de junho de 2003. Tambm, os resultados apresentados reforam a tcnica de cointegrao alocao de ativos. LIN att alli (2006) utiliza o princpio da cointegrao para desenvolver um procedimento que embute uma condio de lucro mnimo dentro de uma estratgia de pairs trading: uma forma comparativa-valor de uma arbitragem estatstica designada para explorar divergncias aleatrias temporrias entre o preo de equilbrio de duas aes. Seguindo os artigos acima explicitados, o objetivo deste artigo aplicar o conceito de cointegrao para derivar um portflio timo atravs da clssica estratgia de investimento index tracking visa replicar uma fonte de referncia em termos de retorno e volatilidade. Dados de preos dirios do ndice da Bovespa e suas principais aes constituintes, no perodo de 02 de janeiro de 2004 a 02 de janeiro de 2008, so utilizados para determinar um portflio timo com 05 aes.3 Resultados apresentados reforam a utilizao da cointegrao nessa estratgia. Nesse sentido, aps esta breve introduo, na qual se reportou questes da cointegrao versus correlao e uma breve reviso literria de alguns artigos que empregaram a metodologia de cointegrao construo de carteiras, na seo 2 ser apresentada formalmente os conceitos de sries noestacionrias e cointegrao. Na seo 3 descrita a clssica estratgia de investimento index tracking. O objetivo ilustrar a aplicabilidade desta estratgia associada cointegrao entre ativos financeiros, de forma a apurar um portflio timo de aes, que simule um ndice de mercado em termos de retorno e volatilidade. Na seo 4 so brevemente descritos os modelos da famlia Garch, os quais so utilizados para modelar a volatilidade condicional dos ativos financeiros. Usualmente, referida volatilidade no mercado financeiro obtida a partir do desvio-padro dos retornos. Na seo 5 so detalhados os dados utilizados neste estudo, e metodologicamente explicado como construdo um tracking portflio. Na seo 6 avaliado empiricamente este portflio com 05 aes em termos de retorno e volatilidade resultados encorajam o uso da metodologia. Por ltimo, apresentada uma concluso dos resultados empricos e indicao de estudos futuros. 2. Sries no-estacionrias e cointegrao A partir do artigo seminal de ENGLE & GRANGER (1987), o conceito de cointegrao tornou-se uma valiosa ferramenta na econometria financeira. Dado o fato de que geralmente as sries econmicas/financeiras apresentam alguma tendncia, a cointegrao avalia a tendncia comum de sries de tempo em um sistema multivariado, bem como providencia uma slida metodologia para modelar tanto a dinmica de curto prazo como de longo prazo. A avaliao padro dos administradores de risco de portflios analisar a correlao entre os retornos de ativos financeiros, que (geralmente) so estacionrios em primeira diferena. Por outro lado, a cointegrao baseada na anlise dos preos dos ativos, ou seja, a partir da srie de tempo em nvel. Ao diferenciar uma srie no-estacionria, removemos qualquer tendncia de longo prazo nos dados. Obviamente, essas tendncias esto implcitas nos retornos dos dados, mas qualquer deciso baseada nas tendncias comuns de longo prazo nos dados de preo excluda na modelagem padro de risco-retorno. Contudo, apesar de ser conceitos relacionados, alta correlao nos retornos no necessariamente implica alta cointegrao nos preos. Em finanas utilizado o termo reverso (ou convergncia) mdia para descrever o que em termos estatsticos denominado a uma srie de tempo com covarincia estacionria, denotado por I(0). Isto um processo estocstico com mdia e varincia constante e finita, e a autocorrelao independente do tempo depende somente da defasagem. Abaixo, a primeira subseo apresenta formalmente os conceitos de estacionariedade e testes de raiz unitria. Em seguida, so detalhados o conceito de cointegrao e os procedimentos para sua deteco. Referidos tpicos so essenciais elaborao da estratgia index tracking.

A escolha de um portflio com somente 05 aes totalmente arbitrria. Construo de portflios maiores e mais diversificados fica como uma proposta de estudo posterior. 3

2.1 Estacionariedade e Testes de Razes Unitrias Uma srie dita ser estacionria (fraca) se a mdia e a autocovarincia no dependem do tempo. Um exemplo de srie de tempo no estacionria um random walk: , onde um termo de distrbio aleatrio estacionrio independente e identicamente distribudo (i.i.d.). A srie tem um valor de previso constante condicional em t e varincia crescente ao longo do tempo. Se os mercados financeiros so fortemente eficientes, ento o log dos preos so random walks. Seja , onde Pt o preo do ativo financeiro em t, o logaritmo neperiano, portanto denota o retorno do ativo no tempo t. O random walk uma srie estacionria em diferena, pois a primeira diferena de estacionria: onde L o operador de defasagem: . 1 , (1)

Uma srie de tempo estacionria em diferena dita ser integrada de ordem d, denotada por I(d). A ordem de integrao o nmero de razes unitrias contidas na srie, ou o nmero de operaes de diferena que so realizadas para torn-la estacionria. No exemplo acima, possui uma raiz unitria, ou seja, I(1). Similarmente, estacionria I(0).4

Pode-se verificar a estacionariedade de uma srie de tempo atravs do teste de raiz unitria. Destacam-se os testes de Dickey-Fuller (DF), o Augmented Dickey-Fuller (ADF) e o de Phillips-Peron (PP).5 Para ilustrar o teste de Dickey-Fuller (DF), considere um processo auto-regressivo de ordem 1 AR(1): onde e so parmetros e ~0, . Se: - || 1: uma srie estacionria; - 1: uma srie explosiva. - =1: uma srie no estacionria (um random walk com drift); Portanto, pode-se avaliar a hiptese de uma srie ser estacionria testando se || 1. Os testes DF, ADF e PP verificam como hiptese nula se : =1. Dado que sries explosivas no tem sentido econmico, a hiptese nula testada contra a hiptese alternativa : < 1. , , (2)

Para realizar o teste DF, estima-se uma equao com subtrado de ambos os lados da equao (2): (3) onde 1, e as hipteses so: : 0 ; : 0.

O teste de raiz unitria (DF) descrito acima, vlido somente se a srie um processo AR(1). Se a srie for correlacionada a ordens de defasagens superiores, a hiptese de ser rudo branco violada. Nesse sentido, o teste Augmented Dickey-Fuller (ADF) realiza uma correo paramtrica para correlao de ordem superior, assumindo que a srie segue um processo AR(p) e ajusta a metodologia do teste. Isto , o ADF controla a correlao maior adicionando termos de diferena defasados da varivel dependente no lado direito da equao (2): . (4)

HENDRY & JUSELIUS (2000) apresentam detalhadamente a origem da no estacionariedade em sries econmicas, bem como derivam as propriedades estocsticas dos processos estacionrios e no estacionrios. 5 Sero apresentados somente os testes DF e ADF, pois so os mais comumentes utilizados. 4

Portanto, a especificao da equao (4) utilizada para testar se: : 0.6 : 0 ;

2.2 Cointegrao O resultado de que muitas sries de tempo possuem uma raiz unitria, estimulou o desenvolvimento da teoria da anlise de sries de tempo no estacionrias. Se o log de preos de ativos financeiros (em geral, no estacionrios) so cointegrados, suas trajetrias ao longo do tempo podem, em um determinado ponto, serem divergentes. Geralmente, a melhor previso individual dessa srie o seu valor atual mais uma constante. Entretanto, um modelo multivariado, em que os preos dos ativos so cointegrados, pode revelar importantes informaes sobre o equilbrio de longo prazo no sistema. Preos de ativos cointegrados possuem uma tendncia estocstica comum: eles caminham juntos, isto , no longo prazo seus spreads convergem para a mdia, mesmo que no curto prazo possam divergir. ENGLE & GRANGER (1987)7 apontaram que uma combinao linear de duas ou mais sries no estacionrias, pode ser estacionria. Se isto ocorrer, existe uma combinao linear e as sries so ditas cointegradas. A combinao linear chamada de vetor de cointegrao e pode ser interpretada como um relacionamento de equilbrio de longo prazo entre as variveis. Portanto, cointegrao no mercado financeiro significa que existe um relacionamento de longo prazo entre as aes que o constituem. Formalmente, se e so I(1) e so cointegradas, tal que I(0), ento no longo prazo, e no divergem, pois ~0, . Dessa forma, pode ser interpretado como um equilbrio ou relacionamento de longo prazo entre esses mercados e denotado como o termo de correo do erro, pois origina o valor do erro em e, portanto, o desvio do equilbrio, que zero no longo prazo. Se somente duas sries so consideradas para cointegrao, podemos ter no mximo um vetor de cointegrao. Genericamente, cointegrao existe entre n sries integradas se existe pelo menos uma, mas no mais do que n -1 combinaes lineares estacionrias: cada combinao linear estacionria um vetor de cointegrao. Existem diferentes metodologias para determinar a cointegrao. ENGLE & GRANGER (1987) e ENGLE & YOO (1987) propem um mtodo de estimao de dois passos. O primeiro passo consiste em realizar uma regresso de cointegrao por mnimos quadrados entre as sries integradas de forma a estimar o relacionamento de longo prazo de equilbrio. O segundo passo testar os resduos defasados dessa regresso para estacionariedade estimar o relacionamento dinmico da correo do erro. Por exemplo, no caso do log de preos de e , o mtodo de Engle-Granger realizar uma regresso por mnimos quadrados ordinrios e testar os resduos para estacionariedade atravs do teste ADF. Vale observar que vlido regressar log de preos em log de preos somente quando esses log de preos so cointegrados, de forma que, portanto, os resduos sero estacionrios. A mesma observao aplica-se para dados de preos reais. Contudo, usualmente emprega-se o log de preos, pois os resduos denotam os retornos e os coeficientes so alocaes ponderadas. , (5)

Infelizmente, os valores crticos do teste ADF dependem tambm da presena de uma constante, uma constante e uma tendncia linear ou nenhuma no processo gerador dos dados. Conforme HENDRY & JUSELIUS (2000), incluindo uma constante e uma tendncia linear no modelo estimado assegura que o teste ter a correta freqncia de rejeio sob a hiptese nula, pois as outras especificaes so casos especiais dessa especificao mais geral. Entretanto, incluindo irrelevantes regressores na equao (4) reduz o poder do teste, possivelmente concluindo que existe raiz unitria, quando no existe. O princpio geral escolher uma especificao plausvel com a descrio dos dados. 7 A definio de cointegrao dada em ENGLE & GRANGER (1987) mais geral do que a apresentada. Mas, suficiente para os propsitos deste artigo. 5

Se for estacionrio, e so cointegrados e o vetor de cointegrao . Neste caso, no importa se ou expresso como varivel dependente. Porm, quando existem mais de duas sries, o mtodo de Engle-Granger pode sofrer de vis e deve-se deixar absolutamente claro qual a srie que dever ser utilizada como varivel dependente na regresso. Nesse sentido, JOHANSEN (1991 e 1995), diferentemente do mtodo de Engle-Granger, props uma metodologia para investigar a cointegrao em um sistema multivariado, sob a hiptese de existir mais de um vetor de cointegrao desde que o nmero de sries no sistema seja superior a dois. Seja um VAR (Vetor Auto-Regressivo) de ordem p: onde um vetor com k variveis no estacionrias I(1), um vetor com d variveis exgenas e um vetor de inovao. Reescrevendo o VAR como um VEC (vetor de correo de erro):8 onde , ,
.

(6)

(7)

Se o coeficiente da matriz possui posto reduzido (r < k), existe k x r matrizes e , cada qual com posto r, tal que e I(0). r o nmero de relaes de cointegrao (o posto de cointegrao) e cada coluna de o vetor de cointegrao. Os elementos de so conhecidos como os parmetros de ajustamento no modelo de vetor de correo de erro. O mtodo de Johansen estimar a matriz na forma de um VAR no restrito e testar se podemos rejeitar as restries implcitas pelo posto reduzido de .9 Entretanto, apesar da metodologia de Johansen ser comumente considerada superior a de EngleGranger em um sistema multivariado, ALEXANDER (1999) afirma que em aplicaes financeiras de cointegrao existem boas razes para este ltimo mtodo ser o preferido. Primeiro, muito direto a sua forma de implementao. Segundo, em aplicaes de administrao do risco, geralmente dado maior importncia ao critrio de Engle-Granger - de varincia mnima, ao invs do critrio de Johansen - de mxima estacionariedade. Terceiro, existe freqentemente uma natural escolha da varivel dependente em regresses de cointegrao (por exemplo, um arbitrrio ndice de aes). E, finalmente, o vis de EngleGranger em pequenas amostras no ser necessariamente um problema, pois amostras so geralmente muito grandes em anlises financeiras e o vetor de cointegrao super consistente. 3. Tracking Portflio Uma clssica estratgia de investimento - index tracking,10 consiste em replicar um benchmark em termos de retorno e volatilidade. Nessa estratgia deve-se atentar principalmente para a anlise do tracking error, ou seja, a diferena entre o retorno do tracking portflio e o retorno de mercado (geralmente denotado por um ndice de mercado). Tracking error uma idia que surge naturalmente no contexto desta tcnica de investimento chamada index tracking. A premissa bsica para indexing a noo de que extremamente difcil acertar o timing do mercado. Portanto, a estratgia adotada investir passivamente em ndices de mercado. Alternativamente, para reduzir custos de transao, pode-se investir em carteiras que buscam replicar o retorno de algum ndice de mercado. Um tracking portflio consiste de uma carteira de aes que busca seguir um ndice. Se a composio do portflio a mesma do ndice, ento o preo de ambas ser o mesmo em todos os momentos do tempo. Porm, se o portflio composto por um nmero de aes menor que o nmero que compe o ndice, ento possivelmente existir um erro de trajetria (tracking error). Isto , o retorno do
8

VEC um modelo dinmico baseado na correlao dos retornos, mas com a restrio que desvios de curto prazo do equilbrio de longo prazo eventualmente sero corrigidos. 9 O procedimento de Johansen para determinar o nmero de vetores de cointegrao (se existente) entre as variveis disponvel em vrios softwares economtricos, como o Eviews, Stata, PcGive, R-Plus. 10 Uma traduo literal seria ndice seguidor. Dado a inexistncia na literatura brasileira desse conceito (de meu conhecimento), optei por utilizar o termo em ingls ao longo desse estudo. 6

portflio, tambm chamado de index tracking, no exatamente o mesmo retorno do ndice. A discrepncia nos retornos expressa como tracking error. Numa situao ideal, o tracking error deve ser um processo com rudo branco - mdia zero e varincia constante. Isto asseguraria que o tracking portflio seria consistente ou no apresentaria grandes desvios em relao ao benchmark. Outra propriedade desejvel do tracking error a baixa correlao com o retorno de mercado. Geralmente os portflios index tracking so construdos com base na correlao entre os retornos, sendo necessrios freqentes re-balanceamentos para mant-los em linha com o benchmark. Entretanto, se as alocaes em um portflio so feitas para replicar um ndice, o portflio deve ser cointegrado com o ndice: no curto prazo o portflio pode at se desviar do ndice, mas eles devem convergir no longo prazo. O uso de cointegrao no lugar de correlao para a construo do portflio permite o uso total das informaes contidas nos preos das aes e a composio do portflio baseada no comportamento de longo prazo das aes. E, segundo ALEXANDER & DIMITRIU (2002), a construo de um tracking portflio baseado em cointegrao, ao invs da simples correlao, se deve s seguintes caractersticas dos sistemas cointegrados: a) O tracking error ir por construo convergir para a mdia; b) Estabilidade dos pesos das aes no portflio e, conseqentemente, reduzida quantidade de transaes para reequilibrar o portflio; c) Melhor uso das informaes, em particular as informaes contidas nos preos das aes. A construo de um portflio que index tracking consiste de duas partes igualmente importantes. A primeira a seleo das aes que iro compor o portflio, sendo que a qualidade do tracking portflio altamente dependente desta seleo de aes. Na ausncia de um critrio que torne essa seleo endgena, vrias composies alternativas devem ser testadas at a escolha final do portflio. A segunda etapa visa determinar os pesos de cada ao no portflio. Esses pesos so determinados pelos coeficientes da equao de cointegrao entre o log (logaritmo natural) do preo do ndice de mercado e o log do preo das aes como variveis exgenas, onde as estimativas so feitas com base no perodo amostral escolhido: onde ibov o ndice da Bovespa (Ibovespa),11 , o preos das aes no tempo t e ~0, . Tomar o log das sries produz sries homogneas, e uma vez que as variveis so cointegradas em nvel, os logs das variveis tambm sero. Alm disso, usar o log dos preos tem a vantagem que o tracking error assume a forma de retorno, e os coeficientes so os pesos do portflio. Esses coeficientes devem ser normalizados para somar 1 (um), representando a porcentagem de cada ao selecionada no tracking portflio. Os retornos do tracking portflio so calculados como a soma, ponderada pelos normalizados, dos retornos dirios das aes que o compem. Por fim, vale destacar que a aplicao do mtodo de mnimos quadrados ordinrios para variveis no-estacionrias, como o preo em nvel dos ativos financeiros, s possvel no caso de uma relao de cointegrao. Ou seja, se a srie dos resduos, o tracking error , estacionria. 4. Famlia GARCH Esta seo apresenta os principais modelos de volatilidade para modelar a varincia condicional dos ativos financeiros utilizados neste estudo e, dessa forma, testar se o tracking portflio replica, em termos de volatilidade, o Ibovespa ndice de mercado de aes utilizado como benchmark na estratgia de investimento index tracking. Existem vrios modelos que podem ser utilizados para descrever ou gerar a volatilidade de um ativo. Os modelos derivados da famlia GARCH generalized autoregressive conditional
11

log log, ,

(8)

Na seo 2, que apresenta o processo de cointegrao, foi justificado o porqu da escolha do Ibovespa como varivel dependente no index tracking.

heteroscedasticity, so baseados a partir de hipteses similares, ou seja, sobre os retornos histricos dos ativos. Contudo, advindo de suas caractersticas especficas de estimao, podem gerar previses imprecisas (ou no) sobre o futuro comportamento do retorno do ativo. Os modelos de volatilidade variando no tempo descrevem um processo para a volatilidade condicional. Uma distribuio condicional uma distribuio condicionada a um conjunto de informaes, e a volatilidade condicional no tempo t a raiz quadrada da varincia da distribuio condicional no tempo t. Os modelos de varincia condicional heteroscedstica so reconhecidamente interessantes para analisar o comportamento da volatilidade nas sries financeiras, pois possuem propriedades que procuram explicar alguns dos fatos estilizados em variveis econmicas e financeiras: a) A distribuio no-condicional dos retornos possui caudas grossas em relao distribuio Normal; b) Varincias que mudam a cada perodo de tempo; c) Para alguns tipos de retornos, a volatilidade reage de maneira diferenciada se os preos esto aumentando ou declinando. Geralmente, as subidas so lentas e as quedas so abruptas denotando uma volatilidade maior. Nesse sentido, ENGLE (1982) props uma estrutura especifica para modelar e prever a varincia condicional: modelos ARCH Autoregressive Conditional Heteroscedasticity, onde o primeiro e o segundo momento da srie so modelados de forma conjunta. Desde ento, diversas extenses do modelo original foram propostas na literatura, bem como diferentes mtodos de estimao e testes para a presena de erros tipo ARCH:12 GARCH, EGARCH, GJR, IGARCH, FIGARCH, FIEGARCH ... a) Modelo ARCH O modelo ARCH (q) pode ser expresso como: ~ . . . 0,1,

O modelo ARCH pode descrever a aglomerao de volatilidade presente em sries financeiras. A varincia condicional de uma funo crescente do quadrado do choque que ocorreu em . Logo, se era grande em valor absoluto, espera-se que e (portanto) tambm seja grande em valor absoluto.
Mesmo se a varincia condicional do modelo ARCH variar no tempo ( , a varincia incondicional de constante e, providenciado que 0 1, resulta que:

onde D(.) uma funo de densidade de probabilidade com mdia zero e varincia unitria, q a ordem de defasagem que determina o perodo de tempo em que o choque persiste em condicionar a varincia de erros subseqentes. Quanto maior o valor de q, mais longos so os episdios de volatilidade. Para a varincia condicional ser positiva para todo t, 0, 0 1, , .

(9)

1 .

Os erros tipo ARCH podem ser verificados atravs do teste ARCH-LM. Este teste um multiplicador de Lagrange para a heterocedasticidade condicional autoregressiva nos resduos (ENGLE (1982)). Atravs de uma regresso auxiliar: , em que o resduo, computado o teste estatstico 2 ARCH-LM = TR , sendo T o nmero de observaes e o R2 obtido da regresso auxiliar. Sob H0: 0, o teste ARCH-LM assintoticamente distribudo como . 8

12

O excesso de kurtose, observado em praticamente todas as sries de tempo financeiras, pode tambm ser explicado pelo modelo ARCH. Como mostrado por ENGLE (1982), no caso de um ARCH (1), sob a hiptese de normalidade, a kurtose de igual b) Modelo GARCH Da experimentao emprica com modelos da classe ARCH (q), tornou-se aparente que a ordem do modelo ajustado era muito grande q grande. Numa analogia direta com modelos da classe AR(p) auto-regressivos de ordem p, onde a soluo parcimnica incluir termos MA(q) (mdia mvel de ordem q) formando um modelo ARMA,13 o processo ARCH(q) foi generalizado para incluir esses termos MA(q). Esta a motivao por trs do modelo GARCH (p,q), proposto por BOLLERSLEV (1986). O modelo GARCH General Autoregressive Conditional Heteroscedasticity, estende a formulao ARCH no sentido de que permite uma memria mais longa e uma estrutura de defasagens para a varincia mais flexvel. Este modelo tambm pode ser utilizado para entender a relao entre a volatilidade e os retornos esperados: com as restries dadas por q > 0, p > 0, 0, 0 1, , 0 1, , . Se p = 0, o modelo se reduz a um ARCH (q) e se p = q = 0, ento um rudo branco. Para que o processo seja bem
definido, requerido tambm que ,

(10)

1 0 estejam fora do crculo unitrio. c) Modelo EGARCH

seja no negativo, e que as razes do polinmio

O modelo exponencial GARCH (EGARCH) foi introduzido por NELSON (1991) para tratar com a questo de que em algumas sries de tempo (como o retorno de aes), a volatilidade subseqente a um choque negativo seria maior que a gerada por choque positivo. Este fenmeno ficou conhecido como leverage effect efeito de alavancagem. BOLLERSLEV & MIKKELSEN (1996) re-expressam o modelo EGARCH com vistas a captar esse tipo de assimetria:14 onde | | | | e / o resduo padronizado. O valor de | | depende da hiptese feita sobre a densidade incondicional de . O modelo assimtrico devido existncia do coeficiente em , que capta o efeito de alavancagem, onde choques de retornos positivos geram menor volatilidade do que choques de retornos negativos. O segundo coeficiente capta o efeito de magnitude, ou seja, grandes erros provocam maiores impactos na volatilidade, sejam eles de valores positivos ou negativos. Note que a forma logartmica do modelo EGARCH no requer a imposio de restries quanto aos sinais dos parmetros. d) Modelo GJR Outro modelo que visa captar o efeito leverage foi proposto por GLOSTEN, JAGANNATHAN & RUNKLE (1993):
onde toma o valor 0 se positivo e 1 quando negativo. Desta forma, o impacto de em vai ser diferente quando positivo ou negativo.
13

ln ,

(11)

(12)

Modelos ARMA (p,q) so utilizados para modelar a equao da mdia, isto , o primeiro momento de uma srie de tempo. 14 A intuio por trs do efeito assimetria justamente determinar quanto o mercado diferencia um efeito positivo de um negativo sobre a volatilidade. 9

e) Modelo IGARCH Em muitas aplicaes de sries de tempo financeiras de alta freqncia, a varincia condicional estimada utilizando um modelo GARCH (p, q) - equao (10), exibe uma forte persistncia, isto ,
Se 1 o processo estacionrio de segunda ordem e um choque na tm um impacto de decaimento de quando h aumenta e assintoticamente negligencivel. Contudo, se 1 o efeito de no desaparece assintoticamente. Esta propriedade denominada na literatura de persistncia da volatilidade. 1.

O modelo GARCH (p,q) pode ser expresso como um processo ARMA. Utilizando o operador de defasagem L, reescreve-se a equao (10) como: 15 Quando o polinmio 1 tem uma raiz unitria,16 ou seja, 1, 17 resulta no modelo Integrado GARCH (IGARCH) de ENGLE & BOLLERSLEV (1986) choques tero um efeito permanente na varincia condicional em qualquer horizonte de tempo t. Os autores denominaram o modelo acima de integrado na varincia se 0 e integrado na varincia com tendncia se 0. Reescrevendo a equao (13) como:
1 1 1 1

(13)

(14)

onde 1 1

Rearranjando a equao (14) para expressar a varincia condicional em funo dos resduos ao quadrado:
1 1 1 .

da ordem , , 1.

(15)

f) Modelo FIGARCH Como mostrado em DING, GRANGER & ENGLE (1993), entre outros, choques na varincia condicional tendem a persistir por um longo intervalo de tempo. No entanto, a distino entre processos I(0) e I(1) parece ser muito restritiva. A propagao de choques em um processo I(0) decresce a uma taxa exponencial tal que ele captura somente a curta memria, enquanto que num processo I(1) a persistncia de choques infinita. Na mdia condicional, a especificao ARFIMA18 (modelo ARMA com Integrao Fracionria) foi proposta para preencher o espao entre modelos de persistncia curta e longa, tal que o comportamento de curto prazo da srie descrito pelos parmetros ARMA, enquanto que o parmetro de diferena fracionria admite a modelagem da dependncia de longo prazo. Neste contexto, BAILLIE, BOLLERSLEV & MIKKELSEN (1996) (denotados por BBM), sugeriram modelos GARCH com Integrao Fracionria FIGARCH. O modelo FIGARCH obtido substituindo o operador de primeira diferena na equao (14) por 1 . Dessa forma, a varincia condicional do modelo FIGARCH (p, d, q) dada por:
1 1 1 ,

(16)

Deve-se primeiro acrescentar o termo 1 em ambos os lados da equao (10). Neste caso, o processo da varincia condicional no estacionrio. 17 Um conceito similar existe na equao da mdia. Quando 1, o processo ARMA integrado ARIMA. 18 Uma descrio dos modelos ARFIMA pode ser vista em Greene (2000), p. 785.
15 16

10

ou de forma mais concisa: com 0 1. Note que truncar em 1000 defasagens.

,

(17)

a qual, na prtica, tem de ser truncada. BBM propem

Vale destacar que existem importantes diferenas na dissipao dos choques na varincia condicional para d = 0 e 0 1. No caso dos processos GARCH, os choques decaem a uma taxa exponencial mais rpida, enquanto no modelo FIGARCH os choques decaem a uma taxa hiperblica (mais lenta). Se d = 1 obtm-se o modelo IGARCH, no qual os choques persistem indefinidamente. Ou seja, o parmetro de diferena fracionria providencia importante informao sobre o padro e a velocidade com que choques no processo de volatilidade so propagados. g) Modelo FIEGARCH A idia de integrao fracionria pode ser estendida para outros tipos de modelos GARCH. Similarmente ao processo GARCH (p,q), o EGARCH (p,q) pode tambm ser estendido para explicar o processo de longa memria. O modelo FIEGARCH (p,d,q) de BOLLERSLEV & MIKKELSEN (1996) especificado como: (18)
ln 1 L 1 Lgz .

Esta formulao FIEGARCH (p,d,q) aninha o convencional modelo EGARCH para d = 0 e o modelo Integrado EGARCH (IEGARCH) para d = 1.19 5. Dados e Construo do Tracking Portflio Dados Os dados utilizados neste estudo compreendem os preos dirios de fechamento do ndice Bovespa (IBOV) e das 15 principais aes constituintes do ndice para o quadrimestre de set/dez 2007, em participao percentual decrescente. Referem-se ao perodo de 02/01/2004 a 02/01/2008, totalizando 990 observaes. Conseqentemente, os retornos dos ativos importam o perodo de 05/01/2004 a 02/01/2008 989 observaes, os quais so utilizados para apurar a volatilidade.20 A Tabela 1 apresenta a relao das aes selecionadas.21 Como consta tambm na Tabela 1, foram realizados testes de raiz unitria para todos os ativos financeiros em nvel: conforme valores do P-value, todas as sries so I(1). Igualmente, o teste ADF para as primeiras diferenas dos ativos mostra que todos so I(0).22 Construo do Portflio Para a construo de qualquer portflio index tracking, primeiramente, temos que definir um portflio inicial cointegrado in-sample rodar a equao (8), de modo que, seja I(0). Nesse sentido, foi utilizado o perodo de 02/01/2004 a 28/12/2006 (744 observaes) 03 anos de negociaes dirias, para definir um portflio inicial cointegrado (P0).23 Este o portflio que progressivamente foi expandido at
19

Os modelos da famlia GARCH foram estimados utilizando os approach de Mxima Verossimilhana (MLE) e Quasi-Mxima Verossimilhana (QMLE) no software Ox, pacote GARCH. Para a especificao dos resduos so utilizadas as distribuies Gaussiana, t-Student, t-Student Assimtrica e a do Erro Generalizado (GED). 20 Referidos retornos rt - utilizados para apurar a volatilidade do tracking portflio, so obtidos a partir da primeira diferena em ln dos ativos: ln ln , onde Pt o preo do ativo financeiro em t. 21 Conforme seo 3, os preos de todos os ativos utilizados neste estudo foram transformados em logaritmos naturais (ln) e, portanto, interpretam-se os coeficientes dos vetores de cointegrao como pesos no portflio. 22 Ao longo deste artigo utilizado o caractere (.) como separador decimal. 23 Vale ressaltar que tal escolha de dados para definir um portflio totalmente arbitrria. Como no total existem 04 anos de dados de negociao diria, optou-se por utilizar 03 anos de dados para criar o tracking portflio e avali-lo ao longo do perodo de 01 ano. Por outro lado, a opo de utilizar dados somente a partir de 2004 foi no sentido de 11

dez/2007. Ou seja, o portflio inicial (P0), construdo ao longo do perodo de jan/2004 a dez/2006, foi utilizado para simular out-of-sample o portflio em jan/2007 obtendo-se o primeiro tracking portflio cointegrado (P1). Ento, para o segundo tracking portflio cointegrado (P2), a partir do j definido portflio in-sample, foi utilizado o perodo amostral de jan/2004 a jan/2007 para realizar simulaes outof-sample em fev/2007. O (P3) simulado out-of-sample em mar/2007 a partir dos dados de jan/2004 a fev/2007, e assim sucessivamente. Portanto, 12 portflios out-of-sample (P1 a P12) so obtidos.
Tabela 1 - IBOV e Composio Carteira Terica Set/Dez 2007
Cdigo IBOV 1. PETR4 2. VALE5 3. BBDC4 4. USIM5 5. ITAU4 6. VALE3 7. GGBR4 8. TNLP4 9. CSNA3 10. UBBR11 11. ITSA4 12. CMIG4 13. AMBV4 14. PRGA3 15. CPLE6 Ao NDICE BOVESPA PETROBRAS VALE R DOCE BRADESCO USIMINAS ITAUBANCO VALE R DOCE GERDAU TELEMAR SID NACIONAL UNIBANCO ITAUSA CEMIG AMBEV PERDIGAO S/A COPEL PN PNA EB PN PNA PN ED ON EB PN PN ON UNT PN PN PN ON PNB Tipo Qtde. Terica 143.277 140.302 43.859 15.952 18.172 30.654 28.952 28.459 11.211 56.578 97.622 26.140 5.263 16.137 17.489 Part.(%) 13.689 10.426 3.929 3.412 2.859 2.72 2.544 2.289 2.285 2.278 2.108 1.808 1.31 1.128 1.024 ADF- Nvel 0.9530 0.9832 0.9678 0.8962 0.5711 0.8436 0.9921 0.8069 0.1469 0.9761 0.9265 0.9143 0.6735 0.9426 0.6179 0.8729
1

ADF - 1 dif 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Fonte: www.bovespa.com.br 1. Teste de raiz unitria. Valor do P-Value acima de 0.05 significa que hiptese Ho rejeitada. Includo somente o intercepto na equao do teste. Testes realizados no Eviews 5.0.

Os coeficientes da regresso de cointegrao obtidos no portflio inicial (P0), assegurado que passa no teste de cointegrao, so subseqentemente re-estimados mensalmente para definirmos a composio (o peso) de cada ao no portflio. Ressalta-se que somente os pesos relativos da composio das aes no portflio so subseqentemente modificados. Por exemplo, o ltimo tracking portflio cointegrado (P12) foi simulado out-of-sample de 03/12/2007 a 02/01/2008, a partir dos coeficientes estimados do portflio utilizando os dados de 02/01/2004 a 30/11/2007. Questo crtica na construo do portflio index tracking o procedimento de seleo das aes. Para fins de diversificao, aplicou-se o mais simples critrio de seleo disponvel (totalmente arbitrrio). Foram selecionadas as aes em ordem decrescente da participao no Ibovespa para construir o portflio P0 contendo 05 aes, que eram mais altamente cointegradas com o Ibovespa em 28/12/2006.24 Como j destacado, a equao de cointegrao de Engle-Granger permite que os pesos do portflio sejam determinados atravs dos coeficientes da regresso, normalizando-os para somar 1. No existe nenhuma restrio especfica no portflio: so admitidas tanto posies compradas como vendidas. O coeficiente negativo do ativo no portflio significa que deve ser vendido no ato da ponderao do portflio, para posteriormente ser comprado novamente a um preo mais baixo. Ou seja, espera-se que o preo da ao tenha uma queda no tempo de maturidade do portflio, implicando em retornos positivos no ativo em questo. Por ltimo, para avaliar a estratgia de negociao index tracking replicar em termos de retorno e volatilidade uma fonte de referncia de mercado, primeiramente calculou-se o retorno mensal de cada tracking portflio cointegrado. No sentido de reduzir os custos de transao envolvidos em todas as reexcluir qualquer significativa quebra estrutural ocorrida anterior a esse perodo, principalmente no final de 2002 e incio de 2003. 24 Obviamente, pode ser que a composio decrescente estrita da participao dos ativos no Ibovespa no seja cointegrada. De fato, para criar o portflio com 05 aes, foi necessrio utilizar aes que no estavam entre as cinco primeiras participaes no ndice, at encontrar o conjunto de ativos que resultasse que fosse I(0) na equao (8). 12

parametrizaes dos portflios, foram tambm avaliados os retornos mensais considerando rebalanceamentos bimestral e trimestral. Comparaes de retornos com outros ativos so igualmente aplicados. Posteriormente, testou-se a aderncia do tracking portflio em termos da volatilidade condicional, utilizando-se os modelos da famlia GARCH. Destaca-se que o padro no mercado financeiro a utilizao do desvio padro nessas avaliaes. 6. Avaliao Emprica do Index Tracking Avaliao do Retorno do Tracking Portflio com 05 aes A tabela 2 apresenta os resultados da equao (8) - estimao dos coeficientes do portflio com 05 aes in-sample, que se define como o (P0): os resduos estimados dessa regresso, rejeitam a hiptese de raiz unitria atravs do teste ADF. De fato, utilizando a premissa de encontrar um tracking portflio com 05 aes, este foi o nico conjunto de ativos que se mostrou cointegrado com o Ibovespa, no sentido de Engle e Granger.25 Portanto, o conjunto de ativos objetos de avaliao da estratgia index tracking, alm do Ibovespa, so: Petrobrs PN, Cia Vale do Rio Doce PN, Usiminas PN, Gerdau PN e Cia Siderrgica Nacional ON. Todos os coeficientes so estatisticamente significantes a 1%, conforme a estatstica t. Como estamos trabalhando com as variveis em ln, os coeficientes estimados so ponderados para definir os pesos de cada ativo na composio da simulao out-of-sample do portflio para o perodo de 02/01/2007 a 01/02/2007 - apresentados na quarta coluna da tabela 2. exceo da USIM5, a estratgia com as demais aes importam em posies compradas dos ativos, sendo a participao da PETR4 de 41,8%. A ltima coluna apresenta o retorno percentual de cada ao, ponderado pela participao no portflio, no perodo in-sample (de 02/01/2004 a 28/12/2006). O rendimento acumulado da carteira neste perodo foi de 94,013%, ou 1,858% a.m., enquanto que o do Ibovespa foi de 68,384% ou 1,458% a.m.. Portanto, a partir da definio do tracking portflio cointegrado, mensalmente foram re-estimados os coeficientes pelo mtodo de Engle-Granger, aumentando-se na mesma proporo a janela de dados amostrais, de forma a re-balancear o portflio inicial.26 A tabela 3 apresenta a composio mensal do portflio. Destaca-se que ao longo dos meses a PETR4 e a USIM5 decresceram suas participaes, enquanto que a VALE5 aumentou sua participao no portflio.
Tabela 2 - Portflio com 05 aes in-sample: P0 Variable Coeficiente Estatstica t Portf.ponderado Retorno % IBOV C PETR4 VALE5 USIM5 GGBR4 CSNA3 7.963 0.305 0.183 -0.086 0.147 0.179 472.721 17.155 11.061 -3.965 10.783 9.521

0.418 0.251 -0.118 0.202 0.246

44.013 21.432 -12.501 22.301 18.769

Estimao por MQO realizada no Eviews 5.0. Amostra de 02/01/2004 a 28/12/2006 (744 obs.). R2 ajust. = 0.981182. Erros Padres robustos heterocedasticidade de White. Teste ADF nos resduos rejeita hiptese de raiz unitria.

Ativo PETR4 VALE5 USIM5* GGBR4 CSNA3

* Short Position.

Jan-07 0.42 0.25 -0.12 0.20 0.25

Feb-07 0.39 0.29 -0.12 0.21 0.23

Tabela 3 - Composio Mensal do Tracking Portflio Cointegrado Mar-07 Apr-07 May-07 Jun-07 Jul-07 Aug-07 Sep-07 0.33 0.33 -0.15 0.23 0.26 0.31 0.35 -0.17 0.24 0.28 0.29 0.36 -0.18 0.24 0.29 0.26 0.38 -0.21 0.25 0.32 0.24 0.38 -0.23 0.26 0.33 0.24 0.39 -0.23 0.27 0.34 0.24 0.38 -0.23 0.27 0.33

Oct-07 0.25 0.37 -0.21 0.27 0.31

Nov-07 0.26 0.36 -0.16 0.26 0.28

Dec-07 0.25 0.35 -0.06 0.24 0.22

Composio determinada atravs da ponderao dos coeficientes obtidos na regresso de cointegrao de Engle-Granger.

25 26

Vale destacar que so empresas ligadas ao setor de commodities. Note que sempre a soma dos coeficientes ponderados deve ser igual a 1. 13

Os retornos mensais (em percentuais) do tracking portflio cointegrado, considerando o rebalanceamento mensal, bimestral e trimestral, so apresentados na tabela 4. So tambm relacionados os rendimentos de outros ativos financeiros para comparaes. exceo dos meses de fev/2007 e abr/2007, em todos os demais meses o rendimento do tracking portflio foi superior ao Ibovespa ativo utilizado como fonte de referncia do retorno mdio no mercado de aes brasileiro. Inclusive, o portflio respondeu bem a momentos de grandes volatilidades no mercado, pois, por exemplo, nos ms de jan/2007, jul/2007, nov/2007 e dez/2007, nos quais o retorno do Ibovespa foi negativo, o retorno do portflio foi praticamente zero (jan/2007 e Nov/2007), positivo em 2,82% e 8,41% (re-balanceamento trimestral) nos meses de jul/2007 e dez/2007, respectivamente. No acumulado de jan/2007 a dez/2007, o retorno do portflio com re-balanceamento trimestral ligeiramente superior ao mensal e bimestral.27
Tabela 4 - Retornos do Tracking Portflio Cointegrado c/Rebal. Mensal, Bim. e Trim., e Outros Ativos em % Jan-07 Feb-07 Mar-07 Apr-07 May-07 Jun-07 Jul-07 Aug-07 Sep-07 Out-07 Nov-08 Dez-07 Acumulado Rebal. Mensal Rebal. Bim. Rebal. Trim. IBOVESPA CDI IPCA -0.06 -0.06 -0.06 -1.26 1.08 0.44 -3.00 -3.25 -3.25 -2.94 0.87 0.44 8.40 8.40 8.75 4.67 1.05 0.37 5.96 5.74 5.96 8.15 0.94 0.25 9.35 9.35 9.20 7.68 1.02 0.28 3.52 4.00 4.18 3.58 0.90 0.28 2.82 2.82 2.82 -2.08 0.97 0.24 2.29 2.28 2.28 1.10 0.99 0.47 18.69 18.69 18.73 12.83 0.80 0.25 13.207 13.554 13.207 2.706 0.92 0.30 -0.615 -0.615 -0.565 -1.336 0.84 0.38 5.822 7.592 8.419 -0.611 0.84 0.74 66.37 68.49 69.66 32.51 11.22 4.44

Em suma, levando em conta os custos de transaes envolvidos nos processos de rebalanceamentos do portflio e avaliando somente sob o aspecto do retorno, pode-se indicar que o apurado tracking portflio acima, com re-balanceamento trimestral, como a melhor estratgia a ser seguida pelo investidor. Avaliao da Volatilidade do Tracking Portflio com 05 aes A principal caracterstica dos modelos de varincia condicional heteroscedstica permitir a volatilidade variar ao longo do tempo e, assim, explicar alguns fatos estilizados em variveis de alta freqncia.28 Dado o objetivo de avaliar a estratgia index tracking, em termos da volatilidade condicional, alguns procedimentos so implementados. O primeiro, consistiu em apurar as especificaes da famlia GARCH que, levando em conta todo o perodo amostral dos retornos (05/01/2004 a 02/01/2009 989 observaes), bem como o mtodo de estimar do geral para o especfico, obedeceram aos seguintes critrios:29 a) A existncia de convergncia no modelo proposto, bem como se as restries estimao dos coeficientes dos modelos foram observadas; b) O modelo capturava a dinmica do primeiro e segundo momentos dos retornos do ativo atravs da anlise da estatstica Q de Box-Pierce;30 c) Os coeficientes estimados eram estatisticamente significantes; d) O teste ARCH-LM rejeitava a hiptese de efeitos ARCH na varincia. Avaliados os modelos sob esses condicionantes, foram selecionadas as melhores formulaes para cada ativo financeiro do tracking portflio, que minimizavam o critrio de informao de Akaike

Indubitavelmente, o rendimento no mercado de aes, ao longo do perodo de anlise deste estudo, muito superior ao mercado de renda fixa, balizado por rendimentos vinculados aos Certificados de Depsitos Interbancrios CDI, conforme se depreende da anlise da tabela 4. 28 Esses modelos foram detalhadamente apresentados na seo 4. 29 O software economtrico Ox, verso 4.1, pacote G@rch 4.2, foi o programa utilizado nas estimaes dos modelos da famlia GARCH. Esse pacote est disponvel para download no seguinte endereo: http://www.garch.org. 30 Veja Greene (2000), p. 762, para maiores detalhes sobre a estatstica Q. 14

27

e/ou o de Schwarz.31 A tabela 5 apresenta as especificaes resultantes. Como no possvel identificar claramente qual o melhor modelo por estes testes, adicionalmente foram realizadas previses out-ofsample com 10 observaes, para atravs do erro absoluto mdio (MAE), da raiz do erro quadrtico mdio (RMSE) e do erro percentual absoluto mdio (MAPE) tambm relacionados na tabela 5, concluir qual a melhor especificao para a varincia.32
Tabela 5 - Modelos Familia GARCH Estimados log likel AIC SIC Q(10) resid 2694.15 -5.43003 -5.385468 0.1004337 2682.18 -5.41189 -5.382186 0.3918944 2683.87 -5.4153 -5.385597 0.2829328 2688.49 -5.42062 -5.381006 0.0406486 2693.3 2514.3 2513.18 2523.54 2516.2 2514.47 2509.51 2410.29 2405.81 2413.51 2409.98 2136.51 2129.79 2140.72 2128.72 2120.61 2309.61 2301.71 2309.51 2309.79 2310.22 2246.48 2240.08 2246.21 2239.4 2238.96 2245.16 -5.4283 -5.0724 -5.07216 -5.08098 -5.0722 -5.07072 -5.06272 -4.86206 -4.8429 -4.86656 -4.86144 -4.30437 -4.29483 -4.31086 -4.28862 -4.27423 -4.65442 -4.64452 -4.65422 -4.65275 -4.65363 -4.52473 -4.51987 -4.52823 -4.51043 -4.51559 -4.52005 -5.383743 -5.042695 -5.0474 -5.026515 -5.032587 -5.036065 -5.033011 -4.832349 -4.788437 -4.831899 -4.831733 -4.264756 -4.265123 -4.266301 -4.249013 -4.239572 -4.614809 -4.619763 -4.614612 -4.608191 -4.609069 -4.480166 -4.495116 -4.493568 -4.465864 -4.485883 -4.470536 0.1099088 0.203378 0.2046427 0.2039753 0.2241165 0.231591 0.3019009 0.8195731 0.6483796 0.8538453 0.8334267 0.2529336 0.3609152 0.2947929 0.2532636 0.1965072 0.372271 0.3387479 0.3758214 0.3614041 0.3586137 0.3333851 0.7070328 0.6654156 0.3679461 0.7345012 0.3707178

Ativo IBOV

Eq. Mdia ARMA (1, 2)c ARMA (0, 0)c ARMA (0, 0)c ARMA (1, 1)c ARMA (1, 2)c ARMA (0, 0)C ARMA (0, 0)C ARMA (0, 0)c ARMA (0, 0)c ARMA (0, 0)c ARMA (0, 0)c ARMA (1, 0)C ARMA (1, 0)C ARMA (1, 0)C ARMA (1, 0)C ARMA (2, 1)c ARMA (0, 1)c

Eq.Varincia GARCH (1, 1)c GJR (1, 1) FIGARCH (0, d, 1)c FIGARCH (0, d, 1)c FIGARCH (0, d, 1)c GARCH (1, 1)C GARCH (1, 1)C GJR (3, 2)c FIGARCH (2, d, 1)c FIGARCH (2, d, 1)c FIGARCH (2, d, 1) GARCH (1, 1)C EGARCH (3, 2)c GJR (1, 1)c FIGARCH (0, d, 1)c GARCH (1, 1)c GARCH (1, 1)c GJR (1, 1)c FIGARCH (1, d, 1) FIGARCH (0, d, 1) GARCH (1, 1)c GARCH (1, 1)c FIGARCH (0, d, 1)c FIGARCH (1, d, 1)c FIGARCH (0, d, 1)c GARCH (1, 1)c GARCH (1, 1)c GJR (2, 1)c FIGARCH (1, d, 1) FIGARCH (1, d, 1)c FIGARCH (1, d, 1)c

Distrib. St-Assim St-Assim St-Assim St-Assim St-Assim st-assim t-stud st-assim st-assim t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud t-stud st-assim t-stud t-stud t-stud t-stud t-stud t-stud

Q(10) resid ^ 0.5641361 0.2961672 0.6504476 0.7029037 0.8692507 0.548931 0.556159 0.8066023 0.9004983 0.911513 0.9115999 0.6274294 0.0003062 0.5987433 0.84382 0.9994807 0.9993601 0.9999261 0.9993524 0.9997377 0.2470634 0.3560507 0.3604573 0.2877849 0.359641 0.694755 0.6379523 0.794451 0.984842 0.6505035 0.717999

MAE 0.0003181 0.0003189 0.0003071 0.0003076 0.0003062 0.0004789 0.000479 0.0004843 0.0004698 0.0004732 0.0005524 0.0003419 0.8148 0.0003543 0.0003215 0.0005531 0.000553 0.0005782 0.001 0.0009064 0.0006859 0.0006954 0.0006752 0.0006816 0.0006751 0.0007466 0.0007453 0.0007837 0.0007644 0.0007539 0.0007527

RMSE 0.0005449 0.0005397 0.0005409 0.0005428 0.0005398 0.0008222 0.0008225 0.000835 0.0007779 0.0007791 0.0008164 0.0004091 1.237 0.0004151 0.0003861 0.0007638 0.0007649 0.0007677 0.00109 0.0009866 0.000962 0.0009448 0.001008 0.0009863 0.001009 0.001443 0.001439 0.001482 0.001386 0.00142 0.001422

MAPE 67.37 60.47 62.31 60.5 61.26 1.012 1.005 0.8324 1.235 1.253 1.598 4.195 6058 4.194 4.119 4.528 4.526 4.052 21.95 19.62 1.55 1.78 1.248 1.461 1.24 10.33 10.8 1.8 22.85 17.39 16.98

* PETR4

VALE5

* USIM5 *

ARMA (2, 1)c ARMA (2, 1)c ARMA (2, 1)c GGBR4 ARMA (2, 1)c ARMA (0, 0)c ARMA (2, 1)c ARMA (2, 1)c * ARMA (2, 1)c CSNA3 ARMA (2, 2)c ARMA (0, 0)c * ARMA (0, 0)c ARMA (2, 2)c ARMA (0, 0) ARMA (2, 2)c

Os dados dos ativos compreendem os retornos no perodo de 05/01/2004 a 02/01/2008. A letra 'c' aps a especificao da equao da mdia ou varincia, denota a constante. As distribuies para os resduos so a gaussiana , t-Student , GED e t-Student Assimtrica. Em todos os modelos o melhor mtodo de estimao foi o de Quasi-Mxima Verossimilhana. Q(10) a estatstica-Q no lag 10 - no existe autocorrelao residual (ou nos resduos ao quadrado) na ordem 10 - informados os valores do p-value. * refere-se a especificao selecionada para o ativo.

Assim, a partir dos critrios definidos acima, foi escolhida a melhor formulao para a varincia condicional de cada ativo do tracking portflio. A tabela 6 sintetiza referidas estimaes. Conseqentemente, dessa forma, obteve-se 06 sries de varincia condicional para o perodo de 05/01/2004 a 02/01/2008. Um segundo procedimento para testar o index tracking, em termos da volatilidade condicional, foi definir os pesos de cada ativo no tracking portflio a composio da carteira, considerando o mesmo perodo amostral dos retornos dos ativos. A tabela 7 apresenta tais resultados obtidos a partir da equao de regresso de cointegrao (8).
31

nmero de observaes e o resduo estimado. O critrio de informao de Schwarz : . Vale destacar que o pacote G@rch apresenta outros testes estatsticos - todos devidamente analisados, como: Residual-Based Diagnostic for Conditional Heteroskedasticity of Tse (2001), Diagnostic test based on the news impact curve (EGARCH vs. GARCH), Joint Statistic of the Nyblom test of stability, Adjusted Pearson Chi-square Goodness-of-fit test. 32 Suponha que o perodo de previso , 1, , , e seja o valor real e o valor previsto no perodo t. Ento,

O critrio de informao de Akaike dado por:

, onde k nmero de parmetros, n o

|, |

, 100

15

A partir desses resultados, um terceiro procedimento a construo da varincia condicional diria do tracking portflio, definida como:
, , , ,

(19)

onde , a varincia condicional em t do tracking portflio, , so os pesos de cada ao no portflio determinados pela equao de cointegrao e apresentados na quarta coluna da tabela 7, , a varincia condicional em t de cada ativo do tracking portflio definida conforme especificao relacionada na tabela 6, , e , definem a volatilidade do ativo i ou j - obtida atravs da raiz quadrada de , ou , o coeficiente de correlao entre os retornos dos ativos i e j relacionados na tabela 8, e N a quantidade total de ativos financeiros que compem o tracking portflio.33

Dessa forma, por fim, avalia-se a estratgia do index tracking, em termos da volatilidade condicional, a partir da seguinte regresso:
onde , a varincia condicional em t do Ibovespa definida conforme especificao apresentada na tabela 6, ~ . . . 0, . Se na equao (20) - 0 e 1, pode-se afirmar que o tracking portflio replica eficientemente e sem vis a volatilidade do ativo tomado como benchmark na estratgia de investimento index tracking. , , ,

(20)

Coef.\Ativo Cte.Mdia AR(1) AR(2) MA(1) MA(2) Cte.Varincia Garch(Beta1) Garch(Beta2) Arch(Phi1) Arch(Alpha1) GJR(Gamma1) d-Figarch

Tabela 6 - Estimativa dos Parmetros das Varincias Condicionais IBOV PETR4 VALE5 USIM5 GGBR4 0.001375 0.001899 0.001953 0.001773 0.001849
3.507 3.138 2.767 2.278 2.694

CSNA3 0.001702
2.189

0.425144
2.948

0.075606
2.356

0.840348
5.344

0.828077
5.516

-0.133758
-3.983

-0.061932
-2.094

-0.44601
-3.024

-0.732439
-4.675

-0.785049
-5.158

-0.10927
-3.132

0.62318
3.356

0.68789
1.827

1.191114
3.192

1.438096
2.304

2.018216
3.092

0.290993
5.513

-0.543399
-4.079

0.699195
8.046

1.78761
33.97

0.322904
3.167

-0.850304
-17.71

-0.201261
-4.86

-0.870866
-12.29

-0.160948
-3.022

-0.096749
-1.725

0.043825
1.228

0.011169
1.554

0.166507
2.591

0.012826
1.419

0.210556
5.489

0.328087
3.237

0.206277
4.103

0.144979
2.946

Estatstica t abaixo das estimaes dos coeficientes.

33

Notem que os nicos valores fixos na equao (19) so os e o . 16

Variable IBOV C PETR4 VALE5 USIM5 GGBR4 CSNA3

Tabela 7 - Estimao Portflio Ponderado Coeficiente Estatstica t Portf.ponderado 7.935997 0.183194 0.261287 0.001609 0.168456 0.131395 533.5125 18.201 29.0455 0.155683 14.11625 12.78291

0.245588 0.350278 0.002157 0.225830 0.176147

Estimao por MQO realizada no Eviews 5.0. Amostra de 05/01/2004 a 02/01/2008 (989 obs.). R2 ajust. = 0.990212. Erros Padres robustos heterocedasticidade de White. Teste ADF rejeita hiptese de raiz unitria nos resduos.

PETR4 VALE5 USIM5 GGBR4 CSNA3

Tabela 8 - Matriz de Correlao dos Retornos dos Ativos do Tracking Portflio PETR4 VALE5 USIM5 GGBR4 1 0.614089107 1 0.479260794 0.489235021 1 0.543815694 0.597138313 0.641624114 1 0.551175552 0.633319922 0.725316761 0.696068

CSNA3

Contudo, para se evitar o problema de regresso espria - ocorre na presena de variveis no estacionrias, verificou-se, antes da estimao da equao (20), se as sries de varincias condicionais dirias do Ibovespa e do tracking portflio rejeitam a hiptese de raiz unitria: referidas sries so I(0). A Tabela 9 apresenta as estimaes da equao (20). Pelo valor de 0.0000361, pode-se inferir que em mdia a varincia condicional diria do tracking portflio inferior a varincia condicional diria do Ibovespa em 0.0000361. Isto, em termos de volatilidade condicional diria igual a 0.0060083.34 Ou seja, a volatilidade mdia diria do tracking portflio inferior em torno de 0.6%, quando comparada com a volatilidade mdia do Ibovespa. Em termos de volatilidade condicional anual obtida pela multiplicao da volatilidade condicional diria por 252, a volatilidade do Ibovespa superior em 0.0953 ou 9,5%, volatilidade do tracking portflio. Quanto ao valor de 1.263, um aumento de 1% na volatilidade do tracking portflio implica um aumento de 1.263% na volatilidade do Ibovespa. Assim, apesar do tracking portflio no replicar eficientemente, em termos de volatilidade, o ndice Bovespa, bem como viesado, apresentou um menor risco no perodo analisado.
Tabela 9 - Avaliao Volatilidade Tracking Portflio Variable Coeficiente Desvio Padro Estatstica t VarCond(ibov) -0.0000361 0.0000131 -2.757436 Constante 1.2627740 0.0581130 21.72948 VarCond(trackport)
Estimao por MQO realizada no Eviews 5.0. Amostra de 05/01/2004 a 02/01/2008 (989 obs.). R2 ajust. = 0.619028. Erros Padres robustos heterocedasticidade de White. Coeficientes estatisticamente significantes a 5%. Teste ADF nos resduos rejeita hiptese de raiz unitria.

Em suma, os resultados acima demonstram algo comum no mercado financeiro, explicitado na teoria do portflio: o processo de diversificao conduz a um risco menor, que pode estar associado a maiores retornos. No entanto, esse processo de diversificao refere-se a composio de uma carteira com empresas dos mais distintos setores da economia. Todavia, no presente estudo, o critrio para incluso das 5 empresas no tracking portflio foi o processo de cointegrao desses ativos, no sentido de Engle e Granger, com o Ibovespa, a partir das 15 empresas com maior participao no ndice. Essa metodologia
34

A volatilidade condicional obtida atravs da raiz quadrada da varincia condicional. 17

levou a composio de uma carteira com empresas ligadas ao setor de commodities, que apresentaram uma elevao de preos ao longo do perodo analisado: esses fatores podem explicar o resultado da menor volatilidade do tracking portflio do que o Ibovespa. Ou seja, a utilizao do conceito de cointegrao entre os ativos mais lquidos do Ibovespa com o prprio ndice, resultou em uma carteira cointegrada mais concentrada que o Ibovespa, com maior retorno e menor volatilidade. 7. Concluses O objetivo deste artigo foi derivar um portflio timo para o mercado brasileiro, a partir da aplicao do conceito de cointegrao, utilizando-se a clssica estratgia de investimento denominada de index tracking: visa replicar uma fonte de referncia de mercado em termos de retorno e volatilidade. Nesse sentido, dados de preos dirios do ndice da Bovespa e suas principais aes constituintes, no perodo de 02/01/2004 a 28/12/2006, so utilizados para determinar um portflio timo cointegrado in-sample de 05 aes: PETR4, VALE5, USIM5, GGBR4 e CSNA3 - denominado de tracking portflio. Como neste processo so usados os logaritmos de preos dos ativos, os coeficientes da equao de cointegrao servem para indicar a composio do portflio out-of-sample para o prximo ms, bimestre ou trimestre. Referidos re-balanceamentos so apurados re-estimando a equao de cointegrao com os ativos definidos in-sample, concomitantemente com o aumento do perodo amostral. Dessa forma, so obtidos 12 portflios com re-balanceamento mensal, 06 com re-balanceamento bimestral e 04 com rebalanceamento trimestral, compreendendo um perodo amostral total com 990 observaes dirias do log de preos dos ativos: de 02/01/2004 a 02/01/2008. Os resultados em termos da rentabilidade da estratgia de investimento index tracking e a utilizao do mtodo de cointegrao para derivar um tracking portflio, so fortemente promissores. Em todos os meses do ano de 2007, exceo dos meses de fevereiro e abril, o rendimento do tracking portflio foi superior ao Ibovespa. Inclusive, o portflio respondeu bem a momentos de grandes instabilidades no mercado, pois nos ms de janeiro, julho, novembro e dezembro - nos quais o retorno do Ibovespa foi negativo, o retorno do portflio foi praticamente zero em janeiro e novembro, e positivo (na estratgia de re-balanceamento trimestral) em 2,82% no ms de julho e em 8,41% no ms de dezembro. No acumulado do ano de 2007, o retorno do portflio com re-balanceamento trimestral (70%) foi ligeiramente superior ao mensal e bimestral, bem como 114% superior rentabilidade apresentada pelo Ibovespa no mesmo perodo 33%. No tocante avaliao da estratgia index tracking, em termos da volatilidade condicional, apurada a partir da utilizao dos modelos da famlia GARCH, infere-se que em mdia a varincia condicional diria do Ibovespa superior a varincia condicional diria do tracking portflio em 0.0000361, que igual a 0.0060083 em termos de volatilidade condicional diria, ou superior diariamente em torno de 0.6%. Portanto, em termos de volatilidade condicional anual, a volatilidade do Ibovespa superior em 0.0953 ou 9.5%, volatilidade do tracking portflio. Apesar dos resultados demonstrarem que o tracking portflio no replica eficientemente, em termos da volatilidade condicional, o ndice Bovespa, bem como viesado, apresentou um menor risco no perodo analisado. Em suma, apesar dos rendimentos do tracking portflio serem bastante superiores ao Ibovespa, a avaliao da volatilidade da carteira confirma um jargo conhecido no mercado financeiro, explicitado na teoria do portflio: quanto mais diversificada for uma carteira, menor o risco em jogo, que pode estar associado a maiores retornos. Contudo, no presente estudo, a construo de um tracking portflio (com somente 05 aes) atravs da metodologia de cointegrao das 15 empresas de maior participao no Ibovespa com o prprio ndice, conduziu-nos a uma carteira com empresas ligadas ao setor de commodities, que mantiveram uma trajetria de elevao de preos ao longo do perodo analisado: esses fatores podem explicar o resultado da menor volatilidade do tracking portflio do que o Ibovespa. Enfim, sem dvida a metodologia da cointegrao mostrou-se altamente promissora construo de portflios de longo prazo, pois foi possvel derivar uma carteira cointegrada mais concentrada que o Ibovespa, com maior retorno e menor volatilidade. Porm, deve ser ampliada no sentido de compor carteiras com um maior nmero de aes, bem como mais diversificadas, incluindo-se empresas de vrios ramos setoriais da economia.

18

8. Referncias Bibliogrficas ALEXANDER, Carol (1999). Optimal Hedging Using Cointegration. Philosophical Transactions of the Royal Society, London, Series A, 357, p. 2039-2058. ALEXANDER, Carol (2001). Market Models: a guide to financial data analysis. New York: John Wiley & sons, Inc.. ALEXANDER, Carol; DIMITRIU, Anca (2002). The Cointegration Alpha: Enhanced Index Tracking and Long-Short Equity Market Neutral Strategies. ISMA Discussion Papers in Finance 2002-08, ISMA Centre, University of Reading, UK. BOLLERSLEV, T. (1986). Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, v. 31, p. 307-328. BAILLIE, R. T.; BOLLERSLEV, T.; MIKKELSEN, H. O. (1996). Fractionally Integrated Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, v. 74, p. 3-30. BOLLERSLEV, T.; MIKKELSEN, H. O. (1996). Modeling and Princing Long-Memory in Stock Market Volatility. Journal of Econometrics, v. 73, p. 151-184. 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, p. 83-106. DUNIS, Christian L.; HO, Richard (2005). Cointegration Portfolios of European Equities for Index Tracking and Market Neutral Strategies. Journal of Asset Management, v. 6, n. 1, p. 33-52. ELTON, E.J.; GRUBER, M.J.; BROWN, S.J.; GOETZMANN, W.N. (2007). Modern Portfolio Theory and Investment Analysis. 7. ed. New York: John Wiley & Sons, Inc. ENGLE, R. F. (1982). Autoregressive Conditional Heteroskedasticity With estimates of the Variance of the United Kingdom Inflation. Econometric, v.50, p. 987-1007. ENGLE, R.; BOLLERSLEV, T. (1986). Modeling the Persistence of Conditional Variance. Econometric Reviews, v. 5, p. 1-50. ENGLE, R.F.; GRANGER, C.W.J. (1987). Cointegration and Error Correction: Representation, Estimation and Testing. Econometrica, v. 55, p. 251-276. ENGLE, R.F.; YOO, B.S. (1987). Forecasting and Testing in Cointegrated Systems. Journal of Econometrics, v. 35, p. 143-159. GABE, J.; PORTUGAL, M.S. (2004). Volatilidade Implcita Versus Volatilidade Estatstica: Um Exerccio Utilizando Opes e Aes da Telemar S.A. Revista Brasileira de Finanas, v. 2, n. 1, p. 4773. GATEV, E.; GOETZMANN, W.N.; ROUWENHORST, K.G. (2006). Pairs Trading: Performance of a Relative-Value Arbitrage Rule. The Review of Financial Studies, v. 19, n. 3, p. 797-827. GLOSTEN, L. R.; JAGANNATHAN, R.; RUNKLE, D. E. (1993). On The Relation Between Expected Value and The Volatility of The Nominal Excess Return on Stocks. Journal of Finance, v. 48, p. 17791801. GREENE, William H.(2000). Econometric Analysis. 4. ed. Upper Saddle River: Prentice-Hall, Inc.. HENDRY, D.F.; JUSELIUS, K. (2000). Explaining Cointegration Analysis: Part I. Energy Journal, v. 21, n. 1, p. 1-42. HENDRY, D.F.; JUSELIUS, K. (2001). Explaining Cointegration Analysis: Part II. Energy Journal, v. 22, n. 1, p. 75-120. JOHANSEN, Soren (1991). Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector Autoregressive Models. Econometrica, v. 59, p. 1551-1580. JOHANSEN, Soren (1995). Likelihood-based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.

19

LIN, Yan-Xia; McCRAE, Michael; GULATI, Chandra (2006). Loss Protection in Pairs Trading Through Minimum Profit Bounds: A Cointegration Approach. Journal of Applied Mathematics and Decision Sciences, v. 2006, p. 1-14. LUCAS, Andre (1997). Strategic and Tactical Asset Allocation and the Effect of Long-Run Equilibrium Relations. Research Memorandum 1997-42, Vrije Universiteit Amsterdam. NELSON, D. (1991). Conditional Heteroskedasticity in Asset Returns: a New Approach. Econometrica, v. 59, p. 347-370. SHIRYAEV, Albert N. (1999). Essentials of Stochastic Finance: Facts, Models, Theory. Singapore: World Scientific Publishing Co. Pte. Ltd. ZIEGELMANN, F. A. (2002). Estimation of Volatility Functions: Nonparametric and Semi-Parametric Methods. Tese de Doutorado, University of Kent at Canterbury (UK), Departament of Statistics.

20