FACULDADE IBMEC SO PAULO

Programa de Mestrado Profissional em Economia

ANTONIO ARTHUR PITANGUY SAMPAIO







ALOCAO DE ATIVOS COM MODELOS DE VOLATILIDADE
MULTIVARIADA EVIDNCIAS COM DADOS BRASILEIROS



















So Paulo
2006


ANTONIO ARTHUR PITANGUY SAMPAIO








ALOCAO DE ATIVOS COM MODELOS DE VOLATILIDADE
MULTIVARIADA -EVIDNCIAS COM DADOS BRASILEIROS








Dissertao apresentada ao Programa de
Mestrado Profissional em Economia da
Faculdade Ibmec So Paulo, como parte dos
requisitos para a obteno do ttulo de Mestre em
Economia.


rea de concentrao: Finanas





Orientador: Prof. Dr. Pedro Luiz Valls Pereira Ibmec SP







So Paulo, Brasil
2006




































Sampaio, Antonio Arthur Pitanguy
Alocao de ativos com modelos de volatilidade
multivariada- evidncias com dados brasileiros / Antonio Arthur
Pitanguy Sampaio; orientador Prof. Dr. Pedro Luiz Valls Pereira.
So Paulo: Ibmec So Paulo, 2006.
33 f.

Dissertao (Mestrado Programa de Mestrado de
Profissional em Economia. rea de concentrao: Finanas)
Faculdade Ibmec So Paulo.


1. Alocao de Ativos 2. Volatilidade 3. Finanas




ANTONIO ARTHUR PITANGUY SAMPAIO







ALOCAO DE ATIVOS COM MODELOS DE VOLATILIDADE
MULTIVARIADA EVIDNCIAS COM DADOS BRASILEIROS




Dissertao apresentada ao Programa de Mestrado
Profissional em Economia Ibmec So Paulo, como
requisito parcial para a obteno do ttulo de Mestre
em Economia.

rea de concentrao: Finanas Aplicadas



Aprovado em: Dezembro/ 2006



Banca Examinadora:


____________________________________
Prof. Dr. Pedro Luiz Valls Pereira
Instituio: Ibmec So Paulo

____________________________________
Prof. Dr. Rinaldo Artes
Instituio: Ibmec So Paulo

____________________________________
Prof. Dr. Jose Valentim Machado Vicente
Instituio: Banco Central do Brasil


AGRADECIMENTOS


Agradeo a todos os professores do curso de mestrado, mas sobretudo agradeo ao
meu orientador. o professor Pedro Valls pelo suporte dado ao longo da elaborao deste
trabalho. Agradeo tambm ao professor Marcio Laurini, em especial, por todo o tempo
despendido ajudando-me com as rotinas computacionais sem as quais no teria sido possvel a
realizao deste trabalho.

Agradeo tambm a todos os meus colegas cujo convvio pude desfrutar ao longo de
todo o curso.

















































Helena, e aos meus pais Yedda Lucia
e Acio(in memoriam)



RESUMO

SAMPAIO, Antonio Arthur Pitanguy. Alocao de ativos com modelos de volatilidade
multivariada evidncias com dados brasileiros. So Paulo, 2006. 33 p. Dissertao
(Mestrado) Faculdade de Economia e Finanas - IBMEC SO PAULO.

O objetivo deste trabalho testar se existem ganhos econmicos significantes com o uso de
modelos de volatilidade condicional multivariada no processo de alocao de ativos.
Avaliamos a significncia econmica de se modelar a volatilidade condicional comparando o
desempenho de carteiras de investimento com vrias estratgias que operam ativamente a
volatilidade esperada. Comparamos os resultados destas metodologias com estratgia de
alocao esttica baseada na varincia no condicional e tambm com uma estratgia de pesos
iguais para os ativos da carteira. A base de dados utilizada neste estudo composta por ativos
pertencentes ao ndice IBX-50, no perodo de Janeiro de 2000 a Dezembro de 2005. O
processo de alocao de ativos realizado considerando-se um investidor avesso ao risco no
contexto de mdia-varincia de Markowitz. Conclumos que tanto no caso de considerarmos
taxa livre de risco como nos casos em que no a levamos em conta, as estratgias estticas
no so inferiores s estratgias com matriz de varincia condicional. Isto , no podemos
dizer que as estratgias que fazem o timing da volatilidade e rebalanceamentos peridicos so
melhores em termos de ganhos econmicos. A comparao realizada para o perodo fora da
amostra.

Palavras-chave: Alocao de Ativos; Volatilidade Condicional; Mdia-Varincia.


ABSTRACT

SAMPAIO, Antonio Arthur Pitanguy. Economic gains in modeling the volatility of
portfolios of stocks Brazilian case. So Paulo, 2006. 33 p. MSc Dissertation Faculdade
de Economia e Administrao. IBMEC SO PAULO.

The objective of this study is to test the economic significance of conditional volatility
modelling in the asset allocation process. In other to do so, we compare the performance of
portfolios with different dynamic strategies in which we time the expected volatility. We
compare the results of those strategies to static non conditional volatility strategies and also to
a strategy with equally weighted portfolio. In this study, we used thirty of the stocks that
compose the Brazilian IBX-50 index in the period from January 2000 to December 2005. We
considered that the investor is risk-averse in the Markowitz mean-variance context. Our
conclusion is that with or without a risk-free interest rate, the static strategies are not inferior
to the strategies with conditional variance. We cannot affirm that the strategies that time the
volatility with periodical rebalancing achieve better results (higher economic gains). We
conducted our comparison with out-of-sample data.

Keywords: Asset Allocation, Conditional Volatility, Mean-Variance.








LISTA DE TABELAS

Tabela 1 - Aes que compe a carteira................................................................................... 26
Tabela 2 Resultados das estratgias em diferentes perodos de rebalanceamento ................ 30


SUMRIO

1 INTRODUO..................................................................................................................... 9
2 DESCRIO DOS MODELOS ........................................................................................ 11
2.1 MODELO FATORIAL PARA RETORNO DE ATIVOS............................................. 11
2.1.1 Especificao Geral dos Modelos de Fatores ................................................... 12
2.1.2 Modelo de Fatores Estatsticos (latentes) para os retornos ............................ 13
2.2 GARCH-Ortogonal......................................................................................................... 16
2.3 DCC-GARCH................................................................................................................. 17
3 ESCOLHA DA CARTEIRA TIMA ............................................................................... 21
3.1 ESCOLHA DINMICA DA CARTEIRA TIMA NO CONTEXTO DA MDIA-
VARINCIA................................................................................................................. 21
3.2 MEDIDA DE PERFORMANCE DAS ESTRATGIAS ............................................... 23
4 DESCRIO DOS DADOS............................................................................................... 26
5 ANLISE DOS RESULTADOS........................................................................................ 28
6 CONCLUSO...................................................................................................................... 32
BIBLIOGRAFIA................................................................................................................. 33


9
1 INTRODUO

A importncia da estimao da volatilidade crucial em diversas reas do estudo de
Finanas, em especial no tocante gesto de carteiras de investimento. Isto tanto no que tange
a escolha dos ativos como, tambm, no controle e administrao de risco.
Nas ltimas dcadas, inmeros artigos se destacaram no estudo da volatilidade: Engle;
(1982) desenvolve os modelos ARCH; Bollerslev (1986) os ARCH Generalizados (GARCH)
Nelson (1991) GARCH Exponencial (EGARCH) e Alexander (2005) Modelo Garch
Ortogonal.
O modelo DCC (Correlao Condicional Dinmica) apresentado por Engle (2002)
como uma generalizao do modelo CCC (Correlao Condicional Constante) proposto por
Bollerslev (1990).
A maioria dos estudos se concentra no desempenho dos modelos de volatilidade.
Nosso objetivo, contudo, no ser checar a preciso destes modelos mas, sim, testar a
vantagem econmica de modelarmos a volatilidade.
Iremos, portanto, contrapor os resultados obtidos por meio de estratgias de
rebalanceamento de uma carteira de investimento como fruto de mudanas na projeo da
matriz de varincia dos retornos dos ativos.
Como sugerido por Fleming et al. (2001), utilizaremos uma anlise de Mdia
Varincia para implementar a alocao de ativos. Para compararmos carteiras, fixaremos a
averso relativa ao risco. Iremos escolher tambm o ponto de retorno mdio na curva de
carteiras eficientes para efeito de comparao.
Vamos utilizar dois modelos: Modelo de GARCH Ortogonal e o Modelo DCC-
GARCH proposto por Engle (2002). Iremos comparar estes modelos com uma estratgia
ingnua de alocao 1/N e uma alocao baseada puramente no retorno e matriz de varincia
histricos (calculados de forma no condicional com os dados amostrais). Por fim, nossa
anlise ser baseada em uma carteira de 30 aes listadas na Bovespa ( todas componentes do
IBX-50).
Seguindo a metodologia proposta por Han (2006) para quantificar o valor econmico
de se modelar a volatilidade, calculamos uma taxa de desempenho estimada que o investidor

10
esteja disposto a pagar para trocar uma estratgia esttica tima por uma carteira construda
sob as premissas dos Modelos Volatilidade GARCH Ortogonal e Modelo DCC -GARCH.
Tanto o Modelo GARCH Ortogonal como o DCC-GARCH nos permite trabalhar com
um portflio bem diversificado com um grande nmero de ativos. Ao invs de se modelar a
alocao utilizando-se ndices de mercado, utilizamos fatores latentes.
Comparando estratgias baseadas em cada um dos modelos com as respectivas
estratgias estticas, chegamos concluso que no temos ganhos em rebalancearmos a
carteira.


11
2 DESCRIO DOS MODELOS

Nesta seo iremos descrever as metodologias estatsticas utilizadas no processo de
alocao de ativos. Nosso processo de alocao baseado nas seguintes metodologias
alocao esttica baseada na matriz de mdias e varincias no condicionais, Modelos
Estatsticos de Fatores, Modelos Multivariados de Volatilidade Condicional do tipo GARCH
Ortogonal e DCC-GARCH.
Com o objetivo de descrever o modelo GARCH Ortogonal iremos descrever primeiro
de forma geral os Modelos de Fatores e mais especificamente os Modelos de Fatores nos
quais os mesmos so no observveis, isto , eles so latentes. Em seguida apresentaremos o
modelo GARCH Ortogonal como descrito por Alexander (2005). Como alternativa ao
GARCH ortogonal escolhemos o DCC-GARCH, como proposto por Engel (2002).


2.1 MODELO FATORIAL PARA RETORNO DE ATIVOS

Inicialmente vamos descrever a utilizao dos Modelos Multifatoriais para descrever a
estrutura da covarincia dos retornos.
No Modelo de Fatores decompe-se o retorno dos ativos em Fatores Comuns a todos
os ativos, que compem a carteira, mais um Fator Especfico para cada ativo.
O que o modelo faz isolar as sensibilidades de cada ativo aos Fatores Comuns de
Risco. Pelo fato destes fatores impactarem de alguma forma todos os ativos da carteira eles
so interpretados como Fatores Fundamentais de Risco.
Como em Zivot e Wang (2005) os Modelos de Fatores so divididos em trs tipos
principais:

1) Modelos de Fatores Fundamentais;
2) Modelos de Fatores Macroeconmicos;
3) Modelos de Fatores Estatsticos (ou latentes ).


12
Os Modelos Macroeconmicos utilizam dados macroeconmicos como fatores. Os
Modelos de Fatores Fundamentais utilizam dados especficos das empresas como dados de
balano, Lucro Lquido, Patrimnio Lquido etc. Os Modelos de Fatores Estatsticos (ou
latentes) utilizam Fatores Comuns que so no observados.


2.1.1 Especificao geral dos Modelos de Fatores

Podemos descrever a formato geral dos Modelos de Fatores como se segue:

it t i i it Kt Ki t i t i i it
f f f f R + + = + + + + + =
'
2 2 1 1
L


onde o retorno (real ou o excesso de retorno sobre um ativo sem risco) do ativo i ( i = 1,
..., N) no perodo de tempo t ( t = 1, ... , T ),
it
R
i
o intercepto, o k-simo Fator Comum
(k = 1, ... , K ),
Kt
f
ki
a carga do k-simo fator para o ativo i, e
it
o fator especfico do ativo
i. No modelo multifatorial assume-se que as realizaes dos fatores f
t
, so I(0) com os
momentos no condicionais:

E[f
t
] =
f

cov [f
t
] = E[(f
t
- ) (f
t
- )] =
f f f

Os erros especficos
it
so no correlacionados com cada um dos fatores comuns
tal que cov(
Kt
f
it kt
f , ) = 0, para todo k, i e t. Os termos
it
so serialmente no correlacionados
e contemporaneamente no correlacionados entre os ativos, isto ,

cov (
it
,
js
) = para todo i = j e t = s
2
i

= 0, caso contrrio



13
O modelo pode ser reescrito como um modelo de regresso cross-sectional no tempo t:

R
t
= + B f
t
+
t
, t = 1,..., T
E[
t

t
f
t
] = D

onde B a matriz de cargas ( N x K ) , o vetor ( N x N ) de interceptos, f
t
vetor de
realizaes dos Fatores no perodo de tempo t ( K x 1) ,
t
o vetor ( N x 1 ) de erros
especficos dos ativos com D como a matriz diagonal covarincia ( N x N ).
Deste modo, a matriz de covarincia dos retornos dos ativos pode ser escrita como
abaixo:

cov ( R
t
) = = + D
f


2.1.2 Modelo de Fatores Estatsticos ( latentes ) para os retornos

Os Modelos Estatsticos de Fatores no precisam de dados de possveis variveis
explicativas e no apresentam problemas de multicolinearidade. Uma desvantagem dos
Modelos com Fatores Latentes no termos necessariamente uma interpretao econmica
das variveis.
Uma das tcnicas estatsticas mais populares, no desenvolvimento dos Modelos
Multifatoriais aplicados administrao de ativos de risco, a Anlise de Componentes
Principais.
O Modelo de Fatores Ortogonais obtido quando os Fatores de Risco so tomados
como os Componentes Principais do sistema. Utilizamos, assim, o Mtodo de Componentes
Principais no Modelo de Volatilidade Condicional do tipo GARCH Ortogonal.
Como mencionado anteriormente, no Modelo de Fatores Estatsticos ( ou latentes) as
realizaes dos fatores f
t
no so diretamente observadas e, portanto, o que se faz extra-las
dos retornos observveis R
t
. O mtodo que destacamos aqui a Anlise de Componentes
Principais.

14
A Anlise de Componente Principal baseada na matriz de covarincia (N x N) da
amostra:


'
1
^
RR
N
=
, onde R a matriz ( N x T ) de retornos observados.

Anlise de Componente Principal nos proporciona uma reduo da dimenso que
teramos que utilizar. Os Componentes Principais so combinaes lineares dos retornos. Os
Componentes Principais so construdos e ordenados de forma que o primeiro Componente
Principal explica a maior parte da matriz de covarincia dos retornos amostrais, o segundo
Componente Principal explica a segunda maior parte e, assim por diante. Na construo dos
Componentes Principais impomos que eles sejam ortogonais entre si e normalizados para
terem norma igual a um.
Os K Componentes Principais mais importantes so as realizaes dos fatores. Ento
as cargas destes fatores podem ser estimadas usando-se tcnicas de regresso.
Denotamos
^
a matriz de covarincia amostral dos retornos dos ativos. O primeiro
Componente Principal x
*
1
R
t
onde o vetor (N x 1) x
*
1
resolve

x
'
x s.a. x
'
1
x
1
= 1
1
max
x
1
^

1

onde N o nmero de ativos.
A soluo x o autovetor associado ao maior autovalor de . O segundo
Componente Principal x
*
2
R
t
onde o vetor ( N x 1) x
*
resolve
*
1
^

2

x
'
x s.a. x
'
x = 1 e x x = 0
2
max
x
2
^

2 2 2
*
1 2

A soluo x o autovetor associado ao segundo maior autovalor de
*
2
^
. Este
processo repetido at que o k-simo Componente Principal seja computado.

15
As estimativas para os fatores realizados so simplesmente os k-simos primeiros
Componentes Principais

= x R
t
, k = 1,..., K.

t k
f
*
k

As cargas dos fatores para cada ativo,
i
, e a varincia dos resduos, var(
t i
) =
podem ser estimadas via MQO a partir da regresso da srie de tempo.
2
i

R =
f
+
t i
'
i

t i
, t = 1, ... , T

obtendo-se e para i = 1, ... , N. Os vetores de dados ficam desta maneira, descritos
como uma combinao linear dos componentes principais acrescidos dos vetores de erros.
i

2
i

A matriz de covarincia dos retornos ento:

^ ^ ^ ^ ^
' D B B
F
+ =

onde

= , = ,

'
'
1
N

M
D

2
2
1
0
0 0
0 0
N

L
O


e

T
t
T
1
1
1
(
f
-
f
) (
f
-
f
) ,

t
__
t
__

f
__
=

=
T
t
T
1
1
f

t
.

Usualmente

F
= I porque os Componentes Principais so ortonormais. Como os
Componentes Principais so ortogonais a matriz de covarincia no condicional diagonal.
K

16
A grande vantagem da utilizao dos Componentes Principais a reduo da
dimenso do problema de otimizao. Outra vantagem est na ortogonalizao das variveis
facilitando a construo de grandes matrizes de covarincia positivas definidas. Neste caso a
matriz de covarincia fica bastante simplificada dado que passa a ser uma matriz diagonal.
Alexander (2005) ressalta que os dados de entrada devem ser estacionrios e devem estar
normalizados para que o componente principal no seja dominado pela varivel com a maior
volatilidade. Esta normalizao geralmente feita simplesmente subtraindo-se a mdia
amostral e dividindo-se pelo desvio padro amostral.
Devido ao problema de dimensionalidade na estimao de GARCH Multivariados, o
que impede o uso de modelos Diagonal VEC de Bollerslev et al. (1988), BEKK de Engle e
Kroner (1995), etc decidimos pelo uso de modelos baseados na estimao de GARCHs
univariados como o GARCH Ortogonal e o DCC-GARCH.


2.2 GARCH-ORTOGONAL

Assim para chegarmos ao modelo de GARCH-Ortogonal a partir do modelo de
Fatores Ortogonais devemos estimar os termos da matriz de varincia dos componentes
principais com o modelo GARCH. A idia do GARCH ortogonal que por meio dos fatores
ortogonais consigo diminuir a dimenso do modelo construindo ento a matriz de covarincia
dos fatores atravs da varincia de GARCHs univariados. Isto , a matriz de covarincia
uma matriz diagonal das varincias dos fatores.
Utilizamos o modelo GARCH (1,1), assim a varincia condicional de cada fator
modelada com o abaixo:

2
1
2
1
2

+ + =
t t t


De posse dos componentes principais e da matriz de cargas, temos como voltar para a
matriz de covarincia do sistema original. Assim para projetarmos a matriz de covarincia dos
retornos dos ativos k passos frente, basta que projetemos as varincias univariadas dos

17
fatores pelo modelo GARCH, montemos a matriz

F
e a multipliquemos pela matriz de
cargas como abaixo:

2.3 DCC-GARCH

O modelo DCC (Correlao Condicional Dinmica) uma extenso do modelo CCC
(Correlao Condicional Constante) que baseado no modelo GARCH Multivariado com
Correlao Condicional Constante. Para que as variveis sigam um modelo GARCH, elas
devem ser estritamente estacionarias.
Considerando o processo n-dimensional X
t

Txn
, t = 1,..., T gerado por:

X
t
= ) (
t
+ H
t t
) (
2 / 1

) (
t
= E ( X
t 1 t
I

)

H
t
= Var (X
t 1 t
F )

onde F
t
o conjunto de informaes no tempo t, e
t
um processo i.d.d. No DCC H
t

modelada diretamente como uma funo de varincias dinmicas univariadas e correlaes
dinmicas lineares,

H
t
D
t
R
t
D
t


R
t
= (Q
*
t
) Q
t
( Q
*
t
)
1 1


18
Q
t
= ( 1-

=
L
l 1
l
-

)
=
S
s
s
1
Q + + Q

=

L
t
l t l t l
1
'

=
S
s
s
1

s t

onde
Q =
*
t

nn
q
q
q
q
L
M O M M M
L
L
L
0 0 0
0 0 0
0 0 0
0 0 0
33
22
11


D
t
a matriz diagonal ( n x n ) com os elementos
t i
h , i = 1, ..., n , t = 1, ..., T, Q a
matriz de varincia- covarincia no condicional de
t
. Isto , Q= E(
t

t
), e
l
e
s
so
parmetros escalares que satisfazem

=
L
l 1
l
+ < 1 .

=
S
s
s
1

A dinmica permite que a estimao seja feita em duas etapas, o que torna vivel a
estimao de processos X
t
com grande dimenso.
Para ilustrar o processo de estimao em duas etapas assumimos primeiro que o vetor
dos erros padronizados tem distribuio normal,
t
~ N(0,P
t
). Chamando o vetor de
parmetros na matriz de varincia-covarincia condicional H
t
, a funo de Log
verossimilhana, L
T
( ) para T observaes do estimador,

L ( ) = X
t T
=
T
t
f
1
( log ,
1

t
)

dado por

L
T
( ) =
2
1

=
T
t 1
{n log(2 ) + log H
t
+ r
t
H r
t
}
1
t

L
T
( ) =
2
1

=
T
t 1
{n log(2 ) + log D
t
P
t
D
t
+ r
t
( D
t
P
t
D
t
) r
t
}
1

19
L
T
( ) =
2
1

=
T
t 1
{n log(2 ) + log D
2
t
+ log P
t
+
t
P
1
t

t
}

onde substitumos
t
= D r
t
.
1
t
Engle (2002) props que no primeiro estgio da estimao assumamos que
t
~
N(0,I) onde I uma matriz identidade (n x n). Particionando o vetor de parmetros em dois
subconjuntos = (, ), onde contm os parmetros das n volatilidades univariadas e
contm os parmetros das correlaes, a funo de log-verossimilhana pode ser expressa
como,

L
T
( ) = L
T
( ) ( ) + L
T
( )

A estimao no primeiro estgio consiste em maximizar a funo

L
T
( )=
2
1

=
T
t 1
n log(2 ) + log D
2
t
+ r
t
D r
t

2
t

L
T
( )=
2
1

=
T
t 1
[ n log(2 ) + ( log

=
n
i 1 it
it
it
h
r
h
2
+ ) ]

L
T
( )=
2
1

=
T
t 1
[ ( log(2

=
n
i 1
) + log
it
it
it
h
r
h
2
+ ) ]

Uma vez que o vetor estimado, o vetor dos erros padronizados
t
= D r
t

empregado no segundo estgio, que corresponde maximizao da funo,
1
t

L( ) =
2
1

=
T
t 1
log P
t
+
t
P
1
t

t


sob a premissa de
t
~ N(0, R
t
).


20
O modelo DCC-GARCH generaliza o modelo CCC por permitir correlaes
condicionais evoluam dinamicamente, mas permitindo a estimao em estgios utilizando-se
o modelo GARCH univariado.
Se modelarmos a matriz de varincia-covarincia com l e s iguais a um, a matriz tem o
formato abaixo:

Q
t
= ( 1- - ) Q + +
'
1 1 t t
Q
1 t

Uma vez estimados todos os parmetros, para projetarmos a matriz de varincia K
passos frente, projetamos as varincias univariadas K-1 passos frente e aplicamos na
equao abaixo

Q = ( 1- )
K t +

Q + Q

1 +K t



21
3 ESCOLHA DA CARTEIRA TIMA.


3.1 ESCOLHA DINMICA DA CARTEIRA TIMA NO CONTEXTO DA MDIA-
VARINCIA.

Consideramos que o investidor avesso ao risco com preferncias definidas sobre a
media e varincia dos retornos. Ao longo de todo o processo de escolha da carteira tima ns
tratamos os retornos esperados das aes da mesma forma para todos os modelos. O objetivo
isolar o efeito do timing da volatilidade. Fleming, Kirby e Ostdiek (2001) e Aguilar e West
(2000) tambm procederam da mesma maneira. Como retorno esperado de cada papel utiliza
a mdia simples dos retornos de cada papel, calculada com os dados dentro da amostra.
Dividimos nossa anlise em duas partes, em um primeiro momento supomos a no
existncia de taxa livre de risco e em um segundo momento introduzimos a taxa livre de risco.
Contudo em ambos os casos no so permitidas vendas a descoberto nem alavancagem. Como
taxa livre de risco utilizamos taxa de remunerao da poupana ao longo de 2005 (9,19%).
Vamos supor que o investidor pode operar de acordo com duas estratgias de mdia
varincia:
1) a estratgia de volatilidade mnima, que minimiza a volatilidade dado um nvel de
retorno esperado;
2) a estratgia de maximizar a utilidade esperada maximizando o valor esperado de
uma funo de utilidade mdia-varincia.
Na estratgia de volatilidade mnima, sem levar em conta a taxa livre de risco, como
exposto por Elton e Gruber (1995 ), o investidor resolve a programao quadrtica abaixo.

min

= = =
+
N
i
N
j
j i j i i
N
i
i
X X X
1 1
2
1
2


s.a. 1)

=
= 1
N
i
i
X
1
2) P i
N
i
i
R R X
__ __
1
=

=
3) 0 , i = 1, ... , N
i
X

22
Variando entre o retorno do portflio de mnima varincia e o retorno do portflio
de retorno mximo, traamos a fronteira eficiente.
P R
__
Na estratgia de maximizao da utilidade, sem levar em conta a taxa livre de risco, o
investidor resolve a programao quadrtica abaixo.

{ E[u( W )] = E[ ] - 0,005 *A* }
t W
max
1 + t 1 , + t p
R
2
1 , + t p

com =
2
1 , + t P

= = =
+
N
i
N
j
j i j i i
N
i
i
X X X
1 1
2
1
2


s.a. P i
N
i
i
R R X
__ __
1
=

=
= 1

=
N
i
i
X
1

, i = 1, ... , N 0
i
X

onde A o coeficiente de averso absoluta ao risco.

Na estratgia de volatilidade mnima, levando em conta a taxa livre de risco temos:

min

= = =
+
N
i
N
j
j i j i i
N
i
i
X X X
1 1
2
1
2


s.a. 1)

=
1
N
i
i
X
1

2) P
f
N
i
i
i
N
i
i
R r X R X
__
1
__
1
) 1 ( = +

= =
3) 0 , i = 1, ... , N
i
X


23
Na estratgia de maximizao da utilidade, levando em conta a taxa livre de risco
temos:

t W
max {E[u( W )] = E[ ] - 0,005 *A* }
1 + t 1 , + t p
R
2
1 , + t p

com =
2
1 , + t P

= = =
+
N
i
N
j
j i j i i
N
i
i
X X X
1 1
2
1
2


s.a. 1)

=
N
i
i
X
1
1
2) P
f
N
i
i
i
N
i
i
R r X R X
__
1
__
1
) 1 ( = +

= =
3) 0
i
X , i = 1, ... , N


3.2 MEDIDAS DE PERFORMANCE DAS ESTRATGIAS

Para medir o valor econmico da modelagem da volatilidade, comparamos o
desempenho de estratgias dinmicas com o desempenho de estratgias estticas no
condicionais, de mdia-varincia no perodo fora da amostra.
Vamos utilizar trs medidas de desempenho:
1) ndice de Sharpe;
2) Alfa de Jansen;
3) Taxa de desempenho Delta.

Nossa primeira medida de desempenho ser o ndice de Sharpe (SR). O ndice de
Sharpe mede quanto retorno extra (retorno acima da taxa livre de risco) obtemos pelo risco
que incorremos. Calculamos e comparamos os ndices de Sharpe da seguinte forma:
Primeiro calculamos o retorno realizado das carteiras dentro de cada perodo de
rebalanceamento. Para tal utilizamos os retornos observados de cada uma das aes
ponderadas pelos respectivos pesos, levando-se em conta os custos de transao por ocasio
dos rebalaceamentos da carteira e tambm o custo de venda no final do perodo fora da
amostra.

24
Uma vez obtidas as sries de retorno lquido dos custos transacionais, calculamos a
mdia (
p
) e o desvio padro ( ) para todo o perodo fora da amostra e ento calculamos
os ndices de Sharpe, SR = (
p

p
- )/ .
f
r
p

Se as estratgias dinmicas geram ndices de Sharpe maiores do que as estratgias

estticas, a modelagem da volatilidade tem valor econmico significante para os investidores.
importante ressaltar que o ndice de Sharpe no leva em conta a volatilidade variando no
tempo. O desvio padro da amostra (volatilidade no condicional) superestima o risco
condicional que um investidor incorre quando ele segue estratgias de timing de volatilidade.
Deste modo podemos estar subestimando o desempenho das estratgias dinmicas ao
utilizarmos os ndices de Sharpe realizados.
A outra medida de desempenho que vamos utilizar o Alfa de Jansen. Um valor
positivo do Alfa de Jansen indica retornos anormais ou desempenho superior de uma
estratgia ativa com relao a uma estratgia passiva. Estimaremos o alfa de Jansen como
sendo o intercepto em uma regresso do excesso de retorno da estratgia dinmica contra os
excessos de retorno da estratgia esttica como abaixo

t f t S f t d
u r r r r + + = ) (
, ,
, ) , 0 ( ~
2
N u
t

onde a rentabilidade realizada da estratgia dinmica e a rentabilidade realizada
da estratgia esttica.
t d
r
, t S
r
,
A terceira e ltima medida de desempenho utiliza uma abordagem baseada na
utilidade para medir o desempenho de estratgias dinmicas. Conforme Fleming, Kirby e
Ostdiek (2001), utiliza-se uma taxa de desempenho que captura o ganho em termos de
utilidade de se trocar uma estratgia dinmica pela esttica. Ento modelamos a utilidade
quadrtica realizada como

u( ) = - 0,005 *A*
1 , + t p
R
1 , + t p
R
2
1 , + t p
R

onde o retorno bruto realizado da carteira, A o coeficiente da averso absoluta ao
risco, o qual assumimos como 6 em nossa anlise. Com o objetivo de medir o valor
1 , + t p
R

25
econmico de se modelar a volatilidade vamos calcular uma constante Delta ( ) tal que a
utilidade mdia realizada gerada pela estratgia dinmica seja a mesma das estratgias
estticas. Para estimar esta taxa de desempenho Delta(

) devemos achar o valor de Delta ( )

que iguala os dois lados da equao:

=
1
0
1 T
t
T
[( - ) - 0,005 *A* ( -
1 , + t d
R
1 , + t d
R ) ] =
2

=
1
0
1 T
t
T
[( ) - 0,005 *A* ]
1 , + t S
R
1 , + t S
R
2

Depois de construir a estimativa da matriz de covarincia montamos os portflios
dinmicos e avaliamos seu desempenho. Nossa medida de valor do timing da volatilidade o
custo estimado de que o investidor avesso ao risco esteja disposto a pagar para trocar do
portflio ex-ante esttico para o portflio dinmico.
Usamos uma anlise de mdia- varincia para implementar as estratgias de alocao
de ativos. Consequentemente elas so timas somente se os investidores tem funo utilidade
logartmica e os primeiros dois momentos caracterizarem completamente a distribuio
conjunta dos retornos.



26
4 DESCRIO DOS DADOS

Escolhemos 30 aes de empresas que compe o IBX-50. Na escolha dos papis
inicialmente nos preocupamos em escolher aqueles que j fossem listados no incio do
perodo dentro da amostra e depois escolhemos aqueles cujas sries de preo apresentassem
menos interrupes. Utilizamos a diferena do logaritmo dos preos de um dia para o outro
como o retorno do ativo.
A amostra foi separada em duas partes uma parte inicial utilizada na estimao e
uma parte utilizada para validao fora da amostra dos modelos de alocao.
Os retornos dirios de 2 de Janeiro de 2000 at 31 de Dezembro de 2004 so
considerados dentro da amostra e de 2 de Janeiro de 2005 at 31 de Dezembro de 2006 so
considerados fora da amostra.
Os cdigos das aes, assimetria e curtose esto na Tabela 1 a seguir:


Tabela 1. Aes que compem a carteira



Ao Mdia Desv. Pad. Assimetria Curtose
1 Aces4 27.93% 49.6% 0.0862 5.7295
2 Ambv4 27.17% 36.8% -0.2511 7.3891
3 Arce3 75.96% 44.4% 0.3104 7.1236
4 Arcz6 23.39% 39.7% 0.2037 4.3325
5 Bbas3 39.07% 44.8% 0.1665 3.8571
6 Bbdc4 20.83% 39.5% -0.0134 4.4146
7 Brkm5 41.59% 47.2% -0.0353 4.4697
8 Brto4 2.58% 43.6% 0.1969 3.5560
9 Brtp4 -6.83% 44.9% 0.3035 3.9284
10 Cmig4 14.88% 44.7% 0.1316 3.4258
11 Cruz3 43.33% 37.0% 0.1768 6.7151
12 Csna3 50.41% 44.6% 0.0543 4.1194
13 Ebtp4 34.45% 68.8% -0.3657 6.9167
14 Elet6 5.81% 50.6% 0.1232 4.3201
15 Embr4 30.98% 45.2% -0.4825 7.3114
16 Ggbr4 47.43% 43.0% -0.0287 4.5462
17 Itau4 26.00% 37.7% 0.0760 3.7158

27
Ao Mdia Desv. Pad. Assimetria Curtose
18 Itsa4 28.29% 34.6% 0.1442 3.4632
19 Klbn4 34.29% 47.4% 0.2789 4.3565
20 Lame4 55.17% 49.2% 0.5215 6.1926
21 Ligt3 18.64% 57.9% 0.3955 6.6753
22 Petr4 22.31% 34.5% 0.0064 4.6929
23 Sbsp3 1.93% 42.1% -0.0261 3.6893
24 Sdia4 39.80% 36.7% 0.2300 4.9178
25 Tcsl4 -5.73% 55.4% 0.0458 4.0118
26 Tmcp4 0.52% 57.6% 0.3681 6.5563
27 Tnlp4 3.20% 42.3% 0.0323 4.1084
28 Ubbr11 13.14% 47.6% -0.0969 5.1868
29 Usim5 46.62% 50.3% -0.0212 3.7820
30 Vale5 38.10% 33.7% 0.1720 4.5872
Fonte: Elaborada pelo autor.

28
5 ANLISE DOS RESULTADOS

Inicialmente iremos comparar as estratgias estticas sem levarmos em considerao a
existncia de taxa livre de risco na estimao dos pesos das carteiras. Iremos comparar as
estratgias:

1) 1/N todos os ativos tm pesos iguais;
2) RMH Rentabilidade Mdia Histrica. Estratgia de mnima varincia na qual o investidor
escolhe como rentabilidade alvo a rentabilidade mdia dos portfolios de mnima e mxima
rentabilidade na fronteira eficiente. A matriz de varincia/covarincia no condicional
calculada com os dados dentro da amostra;
3) RMOG Retorno Mdio GARCH-Ortogonal. Estratgia de mnima varincia na qual o
investidor escolhe como rentabilidade alvo a rentabilidade mdia dos portfolios de minima
e maxima rentabilidade na fronteira eficiente. A matriz de varincia/covariancia estimada
utilizando-se o modelo GARCH-Ortogonal;
4) RMDCC Retorno Mdio DCC. Estratgia de mnima varincia na qual o investidor
escolhe como rentabilidade alvo a rentabilidade mdia dos portfolios de mnima e mxima
rentabilidade na fronteira eficiente. A matriz de varincia/covarincia estimada
utilizando-se o modelo DCC.

Neste caso a estratgia que apresentou o maior ndice de Sharpe foi a RMOG. Quando
comparadas com suas respectivas estratgias dinmicas, observamos que no temos ganhos
com os rebalanceamentos semanais, pois temos quedas no ndices de Sharpe e muito
prximo de zero, nulo ou mesmo negativo. Isto posto, deveramos utilizar estratgia
esttica estimando a matriz de varincia pelo modelo GARCH Ortogonal.
Em seguida passamos a supor a existncia de taxa livre de risco e o critrio para a
escolha dos ativos passa a ser a maximizao da utilidade ao longo da fronteira eficiente.
Teramos trs estratgias estticas e suas respectivas estratgias dinmicas:


29
1) MUH Maximizao da utilidade esperada com matriz de varincia histrica
2) MUOG Maximizao da utilidade esperada com matriz de varincia estimada com o
modelo GARCH Ortogonal
3) MUDCC Maximizao da utilidade esperada com matriz de varincia estimada com o
modelo DCC.

Neste caso a estratgia esttica que apresenta o melhor resultado a MUOG,
Maximizao da utilidade e estimao da matriz de varincia com o modelo GARCH
Ortogonal.
Cabe ressaltar que o rebalanceamento semanal nos trs modelos (MUH, MUOG,
MUDCC) levou a uma queda nos indices de Sharpe. Este resultado pode ser corroborado
pelos valores nulos ou negativos do como tambm do . Assim seria prefervel seguir uma
estratgia esttica utilizando-se o modelo GARCH Ortogonal ao invs de rebalancearmos a
carteira semanalmente.
Em seguida aumentamos o prazo de rebalanceamento (fora da amostra) para
quinzenal.
Novamente comeamos a anlise pelos modelos que no levam em considerao a
taxa livre de risco. Nestes casos o rebalanceamento no leva a um ganho econmico (queda
nos ndices de Sharpe), os valores de so nulos ou prximos de Zero e no descartamos a
hiptese nula de que seja zero. Pelos resultados apresentados (retorno e risco e ndice de
Sharpe) as estratgias RMOG e RMDCC estticas seriam as melhores e levariam a resultados
quase iguais.
Levando-se em conta a taxa livre de risco, a maximizao da utilidade e o
rebalanceamento semanal a melhor estratgia a MUOG esttica. Os resultados so
apresentados na Tabela 2 a seguir.

30
Tabela 2
Estratgia Esttica Estratgia Dinmica
Modelo mdia desv. Pad SR mdia desv. Pad SR ( bp ) (%) estat. - t
Rebalanceamento Semanal
1 / N 21.16 22.28 0.5371 19.65 22.45 0.4659 -0.0251 -0.0264
-
1.04276
RMH 19.38 28.02 0.3636 19.57 26.98 0.3849 0.0036 0.0134 0.12295
MUH 18.78 27.23 0.3524 21.80 27.45 0.4595 0.0503 0.0510 0.59737
RMOG 28.23 27.96 0.6811 -0.60 25.41 ------- -0.5099 -0.4450
-
1.79372
MUOG 31.99 29.24 0.7799 10.63 30.40 0.0475 -0.3548 -0.3331
-
1.29022
RMDCC 27.62 29.85 0.6173 23.06 41.05 0.3379 -0.3189 -0.2972
-
2.43741
MUDCC 27.86 29.84 0.6258 34.20 47.27 0.5292 -0.3003 -0.3026
-
2.29108

Rebalanceamento quinzenal
1 / N 22.13 26.00 0.49779 20.61 25.81 0.4422 -0.0507 -0.0470
-
0.97127
RMH 21.45 33.95 0.36110 24.59 32.59 0.4726 0.1041 0.1224 0.87773
MUH 20.72 32.96 0.34982 25.71 33.06 0.4997 0.1632 0.1636 1.40469
RMOG 30.88 34.93 0.62107 8.45 30.70 -0.0241 -0.7543 -0.6155
-
1.21942
MUOG 35.01 36.62 0.70517 17.86 36.96 0.2345 -0.5490 -0.5106
-
1.04223
RMDCC 30.09 33.65 0.62109 15.86 16.30 0.4093 -0.4572 -0.0005 -0.1514
MUDCC 30.39 33.93 0.62483 17.82 16.98 0.5080 -0.3993 0.0000 0.00366

Fonte: Elaborada pelo autor.

importante notar que um modelo GARCH estacionrio possui uma matriz de
varincia no condicional constante, e se o objetivo um ganho de longo prazo talvez a
alocao esttica usando esta matriz seja mais eficiente (menor custo de rebalanceamento) o
horizonte de investimento pode ser importante.
Outro ponto a ser notado que o clculo da matriz de var-covar dinmica pode ter
outras aplicaes alm da alocao por exemplo, o clculo de VaR dinmico a modelagem

31
da volatilidade condicional importante, e assim a gesto de risco pode se beneficiar desta
metodologia

32
6 CONCLUSO

Concluindo, testamos neste trabalho a existncia de ganhos econmicos ao
modelarmos a matriz de varincia dos ativos de uma carteira de investimentos e efetuarmos os
respectivos rebalanceamentos peridicos. Levamos em considerao custos transacionais.
Utilizamos tambm duas tcnicas de estimao: GARCH Ortogonal e DCC-GARCH.
As estratgias dinmicas no levaram a ganhos representativos e pelo contrrio
algumas vezes pareceram ser contraproducentes. possivelmente pelo custo de
rebalanceamento das carteiras sob esse critrio.
Portanto, temos indcios para crer que no temos ganhos econmicos em estimarmos a
matriz de varincia de forma condicional.
Como avano deste estudo propomos testar a existncia de ganhos econmicos ao se
modelar volatilidade utilizando-se um modelo de Volatilidade Estocstica em conjunto com
outra tcnica de estimao como MCMC.




33
BIBLIOGRAFIA

AGUILAR, O. e WEST, M. (2000) Bayesian Dynamic Factor Modles ans Variance Matrix
Discountimg for portfolio allocation, Journal of Business and Economics Statistics, 18, 338-
357.
ALEXANDER, C. (2005). Modelos de Mercado: Um Guia para a Anlise de informaes
Financeiras, Bolsa de Mercadorias & Futuros, 1a edio.
BOLLERSLEV, T., (1986), Generalised autoregressive conditional heteroskedastity,
Journal of Econometrics, 31, 307-327.
BOLLERSLEV, T., Engle, R.F. e Wooldridge, J.M. (1988) A Capital-Asset Pricing Model
with Time-Varying Covariances, Jopurnal of Political Economy, 96, 116-131.
BOLLERSLEV, T. (1990), Modelind the Coherence in Short-run Nominal Exchange Rates:
a Multivariate Generalized ARCH Model, Review of Economics and Statistics, 72, 498-505.
ELTON, E. J., GRUBEr, M.J.(1995). Modern Portfolio Theory and Investment Analysis,
John Wiley & Sons, Inc, 5a edio, cap. 7, pp.104.
ENGLE R.F., (1982), Autoregressive conditional heteroskedasticity with estimates of the
Variance of United Kingdom Inflation, Econometrica, 50 (4), 987-1007.
ENGLE R.F., (2002), Dynamic conditional Correlation a simple class of multivariate
Garch models, Journal of Business and Economic Statistics, 20 (3), 339-350
ENGLE, R.F. e KRONER, K.F. (1995) Modeling the Persistence of Conditional Variances,
Econometric Theory, 11, 122-150
FLEMING, J., KIRBY, C., e Ostdiek, B. (2001) The Economic Value of Volatility Timing.
Journal of Finance, 56 (1), 329-351.
HAN, Y. (2006) Asset Allocation with a High Dimensional Latent Factor Model The
Review of Financial Studies, 19 (1), 237-271.
NELSON, D.B. (1991). Conditional Heterocedasticity in Asset Returns: a New Approach,
Econometrica, 59 (2), 347-370.
ZIVOT, E. e WANG, J. (2006), Modeling Financial Time Series with S-Plus, Springer, 2
a
Edio, cap. 15, pp.569-614.
Livros Grtis
( http://www.livrosgratis.com.br )

Milhares de Livros para Download:

Baixar livros de Administrao
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Cincia da Computao
Baixar livros de Cincia da Informao
Baixar livros de Cincia Poltica
Baixar livros de Cincias da Sade
Baixar livros de Comunicao
Baixar livros do Conselho Nacional de Educao - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Domstica
Baixar livros de Educao
Baixar livros de Educao - Trnsito
Baixar livros de Educao Fsica
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmcia
Baixar livros de Filosofia
Baixar livros de Fsica
Baixar livros de Geocincias
Baixar livros de Geografia
Baixar livros de Histria
Baixar livros de Lnguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemtica
Baixar livros de Medicina
Baixar livros de Medicina Veterinria
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Msica
Baixar livros de Psicologia
Baixar livros de Qumica
Baixar livros de Sade Coletiva
Baixar livros de Servio Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo