Академический Документы
Профессиональный Документы
Культура Документы
= 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
= , = ,
'
'
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
=
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