Вы находитесь на странице: 1из 13

Abordagem Bayesiana para modelos estocsticos com heterocedasticidade para

os retornos IBovespa

Sandra C. Oliveira
Universidade Estadual Paulista UNESP/Campus de Tup Tup-SP
sandra@tupa.unesp.br

Marinho G. Andrade
Universidade de So Paulo USP/ICMC So Carlos-SP
marinho@icmc.usp.br

Resumo

Neste trabalho comparamos as estimativas Bayesianas obtidas para os parmetros de processos da


famlia ARCH considerando distribuio normal e t de student para a distribuio condicional da
srie de retornos. Adotamos ainda distribuio a priori no-informativa e consideramos uma
reparametrizao dos modelos estudados para mapear o espao dos parmetros no espao real. Os
sumrios a posteriori foram obtidos por meio dos mtodos de simulao de Monte Carlo em
Cadeias de Markov (MCMC). Com a reparametrizao adotada, reduzimos a taxa de rejeio do
algoritmo de simulao MCMC, acelerando o processo de convergncia deste. A metodologia foi
avaliada considerando uma srie de retornos IBovespa. Para selecionar o modelo que apresentou
melhor ajuste aos dados, utilizamos o Critrio da Densidade Preditiva Ordenada.

Palavras-chave: processos da famlia ARCH, abordagem Bayesiana, mtodos MCMC, retornos


financeiros.

1. Introduo

Existe uma ampla variedade de modelos para a estimao da volatilidade de sries de


retorno de ativos financeiros, e os mais difundidos na literatura so os modelos auto-regressivos
com heterocedasticidade (ARCH), propostos por Engle (1982), e sua extenso, os modelos ARCH
Generalizados (GARCH), propostos por Bollerslev (1986). Tais modelos caracterizam uma
dependncia no-linear entre os retornos, funo da dependncia serial da varincia condicional.
Uma ampla reviso das propriedades destes modelos pode ser encontrada em Bollerslev (2008).
Como considerado que a volatilidade em um dado instante de tempo depende dos valores
passados da srie, a determinao de estimadores de Mxima Verossimilhana (MV) dos
parmetros de modelos da famlia ARCH requer a maximizao de uma funo no-linear.
Portanto, as estimativas s podem ser obtidas numericamente. Engle (1982) sugere o uso do mtodo
de Newton como um mtodo iterativo para o clculo das estimativas de MV. Este procedimento
relaxa as restries impostas aos parmetros, que asseguram estacionariedade na covarincia. Por
outro lado, a determinao de estimadores de MV com tais restries envolve algumas dificuldades.
Alm disso, procedimentos para identificao, ajuste e diagnstico dos modelos, assim
como previso de valores de sries de retorno, necessitam de propriedades da teoria assinttica.
Como os modelos esto muito distantes da linearidade, as propriedades assintticas destes
estimadores s se verificam para sries muito longas e, em geral, so mais apropriadas na presena
de distribuio simtrica para os erros e de distribuio normal para os dados. Uma alternativa para
fazer a estimao destes modelos, contornando tais dificuldades, considerar uma abordagem
Bayesiana.
Neste contexto, o objetivo deste trabalho comparar as estimativas Bayesianas para
parmetros de modelos AR(p)-ARCH(q), ARCH(q) e GARCH(q,r) considerando distribuies
normal e t de student para a distribuio condicional da srie. Adotamos ainda distribuies a priori
no-informativas e consideramos, em cada caso, uma reparametrizao dos modelos estudados para
mapear o espao dos parmetros no espao real. Os sumrios a posteriori foram obtidos por meio
dos mtodos de simulao de Monte Carlo em Cadeias de Markov (MCMC).

2. Modelos estocsticos com heterocedasticidade para sries temporais

2.1. Modelos AR(p)-ARCH(q)

O modelo de regresso, proposto por Engle (1982), com uma mdia no-nula e expresso
como uma combinao linear de variveis exgenas, tem uma estrutura que pode ser resumida
como:
yt = x t + z t (1)

y t | t 1 ~ P(x t , ht ) (2)
q
ht = 0 + j z t2 j (3)
j =1

z t = yt x t (4)

em que y t representa uma srie de retornos, P() uma distribuio paramtrica, usualmente a

Normal ou t de student, x t representa um vetor de variveis exgenas que pode incluir valores de

y t defasados no tempo, um vetor de parmetros desconhecidos e t 1 representa o conjunto de


informaes disponveis at o instante t 1 . Neste trabalho vamos considerar somente os modelos

AR(p)-ARCH(q) tais que x t = ( y t 1 , y t 2 ,..., y t p ) . Assim, temos:
p
y t = i y t i + z t (5)
i =1

Seja z t um processo que satisfaz o modelo z t = ht1 / 2 t em que { t , t 0 } uma seqncia


de variveis aleatrias independentes e identicamente distribudas com mdia zero e varincia um,
independente de x t . Na prtica, comumente suposto que t ~ N (0,1) ou t ~ t v (distribuio t de
student com v graus de liberdade). Uma interpretao para o modelo definido em (1)-(4) que os
distrbios na regresso linear seguem um processo ARCH(q).
Para que o modelo (1)-(4) seja plausvel ( ht > 0 para todo t), devemos ter 0 > 0 e

j 0, j = 1,..., q . Alm disso, o processo y t tem varincia finita e, portanto, tem covarincia
p q
estacionria se, e somente se, todas as razes dos polinmios 1 i l i e 1 j l j estiverem
i =1 j =1

fora do crculo de raio unitrio (ENGLE, 1982: Teorema 2). Quando estas condies so satisfeitas,
0 p

pode ser mostrado que a varincia incondicional de y t dada por: 1 i i ,
q

1 j
i =1

j =1
i
em que i = , sendo 0 = V ( y t ) = E ( y t2 ) e i = E ( y t y t i ) , i = 1,..., p . Portanto, a condio
0
q p
suficiente para que o processo tenha covarincia estacionria que j < 1 e
j =1

i =1
i <1.

Seja Y = {y t , t = 1,2,..., T } uma trajetria observada do processo y t e que x t envolva

somente os p valores passados de y t . Considerando normalidade para t , temos que a funo de

verossimilhana de y t , t = p + q + 1,..., T , condicionada s p+q primeiras observaes


(assumindo que elas so conhecidas) definida como:
1/ 2
(T p q ) T
1 ( y x t ) 2

L(Y | , ) = (2 )

2 exp t (6)
t = p + q +1 ht 2ht


sendo = ( 0 , 1 ,..., q ) e = ( 1 ,..., p ) . Assumindo que t tem uma distribuio t de student

tv
padronizada, tal que t v ~ t de student com v graus de liberdade, isto , t = , temos que a
v (v 2 )

funo de verossimilhana de y t , t = q + 1,..., T , condicionada s p + q primeiras observaes,


dada por:
( v +1 )
1/ 2
T
((v + 1) / 2 ) 1 ( y x t )2 2
L (Y | , ) = 1 + t (7)
t = p + q +1 (v / 2 ) (v 2 ) ht

ht (v 2 )


sendo = ( 0 , 1 ,..., q ) , = ( 1 ,..., p ) e para algum v.

2.2. Modelos ARCH(q)

Se no modelo de regresso proposto por Engle (1982), definido pelas expresses (1)-(4),
considerarmos = 0 , ento, temos uma nova estrutura, resumida como:
yt = zt (8)

z t | t 1 ~ P(0, ht ) (9)
q
ht = 0 + j z t2 j (10)
j =1

em que z t representa uma srie de retornos, P() uma distribuio paramtrica, e t 1 representa
o conjunto de informaes disponveis at o instante t 1 . Uma interpretao para o modelo
definido em (8)-(10) que os retornos na regresso linear seguem um processo ARCH(q).
Da mesma forma, para que o modelo (8)-(10) seja plausvel ( ht > 0 para todo t), devemos

ter 0 > 0 e j 0 para j = 1,..., q . Alm disso, o processo z t tem varincia finita e, portanto, tem
q
covarincia estacionria se, e somente se, todas as razes do polinmio 1 j l j estiverem fora
j =1

do crculo de raio unitrio. Assim, pode ser mostrado que a varincia incondicional de z t dada por

q
q
0 1 j , cuja condio para que o processo tenha covarincia estacionria j < 1.
j =1 j =1

Seja Z = {z t , t = 1,2,..., T } uma trajetria observada do processo z t . Considerando

normalidade para t , temos que a funo de verossimilhana de z t , t = q + 1,..., T , condicionada s


q primeiras observaes (assumindo que elas so conhecidas) dada por:
1/ 2
(T q ) T
1 z t2
L(Z | ) = (2 )

2
t = q +1 ht
exp (11)
2ht

sendo = ( 0 , 1 ,..., q ) . Assumindo que t tem uma distribuio t de student padronizada, temos

que a funo de verossimilhana de z t , t = q + 1,..., T , condicionada s q primeiras observaes,


dada por (MORETTIN, 2008):
( v +1)
1/ 2
T
((v + 1) / 2 ) 1 z t2 2
L(Z | ) = 1 +
h (v 2 )
t = q +1 (v / 2 ) (v 2 ) ht t (12)


sendo = ( 0 , 1 ,..., q ) e para algum v.

Assim, as funes de verossimilhana descritas em (6), (7), (11) e (12) podem ser
maximizadas com respeito aos respectivos parmetros desconhecidos.

2.3. Modelos GARCH(q,r)

O modelo de regresso proposto por Engle (1982), e generalizado por Bollerslev (1986),
com mdia nula e expresso como uma combinao linear de variveis exgenas, tem uma estrutura
que pode ser resumida como:
yt = zt (13)

z t | t 1 ~ P(0, ht ) (14)
q r
ht = 0 + j z t2 j + i ht i (15)
j =1 i =1

em que zt representa uma srie de retornos, P() uma distribuio paramtrica e t 1 representa

o conjunto de informaes disponveis at o instante t 1 . Quando r = 0 , o processo se reduz a um


ARCH(q).
Seja zt um processo que satisfaz o modelo zt = ht1 / 2 t tal que { t , t 0 } uma seqncia de
variveis aleatrias independentes e identicamente distribudas com mdia zero e varincia um.
Desta forma, uma interpretao para o modelo definido em (13)-(15) que os distrbios na
regresso linear seguem um processo GARCH(q,r).
Para que o modelo (13)-(15) seja plausvel ( ht > 0 para todo t), devemos ter

q > 0, r 0, 0 > 0, j 0, j = 1,2,..., q, i 0, i = 1,2,..., r . Assim, pode ser mostrado que a

q r
varincia incondicional de z t dada por 0 1 j j , cuja condio para que o
j =1 i =1
q r
processo tenha covarincia estacionria j j < 1.
j =1 i =1

Seja Z = {z t , t = 1,2,..., T } uma trajetria observada do processo zt e

= ( 0 , 1 ,..., q , 1 , 2 ,..., r ) . Considerando normalidade para t , temos que a funo de


'

verossimilhana de zt , t = q + r + 1,..., T , condicionada s q+r primeiras observaes (assumindo


que elas so conhecidas) dada por:
1/ 2
(T q r ) T
1 z2
L(Z | ) = (2 )

2
t = q + r +1 ht
exp t (16)
2ht
tv
Assumindo que t tem uma distribuio t de student padronizada, isto , t = tal
v (v 2)

que t v ~ t de student com v graus de liberdade, temos que a funo de verossimilhana de zt ,


t = q + r + 1,..., T , condicionada s q+r primeiras observaes dada por (MORETTIN, 2008):
(v +1
1/ 2
T
((v + 1) / 2 ) 1 z t2 2
L(Z | ) = 1 + (17)
h (v 2 )
t = q + r +1 (v / 2 ) (v 2 ) ht t

= ( 0 , 1 ,..., q , 1 , 2 ,..., r ) e para algum v. Assim, as funes de verossimilhana descritas em


'

(16) e (17) podem ser maximizadas com respeito aos respectivos parmetros desconhecidos.

3. Inferncia Bayesiana

Considerando uma trajetria observada de retornos Y = {y t , t = 1,2,..., T } , a abordagem


Bayesiana para a inferncia dos parmetros dos processos AR(p)-ARCH(q), ARCH(q) e
GARCH(q,r) parte da combinao das funes de verossimilhana definidas para esta trajetria
com uma distribuio a priori para os parmetros, atravs da regra de Bayes:
( | Y) L(Y | ) () (18)

A expresso ( | Y ) chamada de distribuio a posteriori do(s) parmetro(s) de interesse


e diz como esta(s) varivel(eis) aleatria(s) est(o) distribuda(s) aps os dados terem sido
observados.
Quando se tem pouco ou nenhum conhecimento prvio sobre a distribuio dos parmetros
de um modelo, pode-se adotar uma distribuio a priori no-informativa (BOX & TIAO, 1973).
Neste trabalho propomos distribuio a priori no-informativa para os parmetros de processos
AR(p)-ARCH(q) e ARCH(q) baseada na proposta de Geweke (1989), definida como:
q

1 j
j =1
, 0 > 0, j 0,j = 1,..., q
( ) 0 (19)



0 , caso contrrio
Condicionada a j = 0, j = 1,..., q , esta a distribuio a priori invariante de Jeffreys para o

modelo de regresso linear normal. Consideramos ainda uma reparametrizao definida por
(OLIVEIRA, 2005):
j a j
j = log

j = 0,1,2,..., q (20)
b j j
Os valores de a j e b j podem ser escolhidos com base em alguma informao obtida por

meio de estudos anteriores sobre a srie analisada. Esta reparametrizao conduz escolha de uma
transformao que mapeia os intervalos (,+) no domnio (a j , b j ) e vice-versa. Assim, pode-se

reduzir a taxa de rejeio do algoritmo de simulao MCMC, acelerando o processo de


convergncia deste. Usando a reparametrizao definida em (20), tem-se:
1

1 2
( ) , - < j < , j = 0,1,..., q
k ( ) (21)

0 , caso contrrio

q
bje j + a j
)
sendo = (0 , 1 ,..., q , k ( ) = 0 1 j e j =

, j = 0,1,..., q
j =1 1+ e j
De forma similar, uma distribuio a priori para os parmetros de processos GARCH(q,r),
j a j
baseada na proposta de Geweke (1989) e na reparametrizao j = log , sendo
b
j j

j = j ou j , j = 0,1,..., q + r , dada por:

1 2
( ) , - < j < , j = 0,1,..., q + r
k ( ) (22)

0 , caso contrrio

q r
onde = ( 0 , 1 ,..., q +r ) e k ( ) = 0 1 j + j .
j =1 i =1
Assim, escrevendo a volatilidade ht em funo dos parmetros dos modelos, devidamente

transformados em j , obtivemos as distribuies conjuntas a posteriori para , as quais esto

descritas na Tabela 1 a seguir.


Deste modo, usando o algoritmo de simulao Monte Carlo em Cadeias de Markov
(MCMC), podemos obter amostras representativas das distribuies a posteriori descritas na Tabela
10, e recuperar os parmetros estimados por meio de transformaes inversas.
Tabela 1: Distribuies conjuntas a posteriori.

Modelo AR(p)-ARCH(q)

Distribuio normal 1
12
T
1
1/ 2
( y x )2 2
para t (M1)
( | Y ) exp t t

k ( ) t = p + q +1 ht ( ) 2ht ( )

( v +1 )
12 1/ 2
Distribuio t de student 1 T
((v + 1) / 2 ) 1 ( y x )2 2
( | Y ) 1 + t t
para t (M2) k ht ht (v 2 )
( ) t = p + q +1 (v / 2 ) (v 2 ) ( ) ( )
Modelo ARCH(q)
12 1/ 2
Distribuio normal 1 T
1 z t
2

para t (M3)
( | Z ) exp
k ( ) t = q +1 ht ( ) 2ht ( )
( v +1 )
12 1/ 2
Distribuio t de student 1 1
((v + 1) / 2) zt2
T 2
( | Z ) 1 +
para t (M4) k ht ht (v 2)
( ) t = q +1 (v / 2 ) (v 2 ) ( ) ( )
Modelo GARCH(q,r)
12 1/ 2
Distribuio normal 1 (T q r ) T
1 z t
2

para t (M5)
( | Z ) (2 )

2 exp
k ( ) t = q + r +1 ht ( ) 2ht ( )
( v +1 )
12 1/ 2
Distribuio t de student 1 T
((v + 1) / 2 ) 1 zt2 2
( | Z ) 1 +
para t (M6) k (v / 2 ) (v 2) ht ht (v 2 )
( ) t = q + r +1 ( ) ( )

O mtodo de simulao MCMC uma forma de integrao de Monte Carlo. A idia


simular uma cadeia de Markov irredutvel aperidica cuja distribuio estacionria a distribuio
de interesse, ou seja, a distribuio a posteriori. Existem dois mtodos para gerar cadeia de Markov
com distribuio estacionria especificada. O Metropolis-Hastings (CHIB & GREENBERG, 1995),
que tem sido usado por muitos anos em fsica estatstica; e o Gibbs Sampling, que foi trazido para a
literatura estatstica por Gelfand & Smith (1990).
Quando as distribuies condicionais a posteriori no so facilmente identificadas como
possuidoras de uma forma padro (normal, gama, etc.), que impossibilita a gerao direta a partir
destas distribuies, usamos o algoritmo Metropolis-Hastings. Esta tcnica requer um ncleo, isto ,
uma densidade de transio q( , ') , que no necessariamente tem probabilidade de equilbrio ,
mas que represente uma regra de passagem que defina uma cadeia. Consideremos tambm a
( )
probabilidade de aceitao p (l 1) , ' definida abaixo. O algoritmo segue os seguintes passos:

Passo 1: Atribuir um valor inicial = (0 ) e iniciar o contador de iteraes em l = 1 .

Passo 2: Mover a cadeia para um novo valor de ' gerado da densidade q( (l 1) , ') .
Passo 3: Gerar u da distribuio uniforme (0,1) .
Passo 4: Aceitar o valor gerado ' se

( ( ')q ' , (l 1)
)
u p (l 1) , ' = min1,
( )


(l 1)
, q (l 1) , ' ( ) ( )
caso contrrio, ficar com (l ) = (l 1) .
Passo 5: Incrementar l e voltar ao passo 2.
Assim, para l suficientemente grande, (l ) uma amostra da distribuio a posteriori ( ) .
[ ]
Para o caso vetorial = 0 1 K q , teremos uma densidade de transio dada por q( , ') e uma

( )
probabilidade de aceitao dada por p (l 1) , ' , e devemos proceder da mesma forma.
Existem vrios critrios que podem ser usados para a seleo de modelos, sob um contexto
Bayesiano. Neste trabalho usamos o critrio baseado na densidade preditiva ordenada CPO),
construdo a partir da distribuio de yT + m , condicionada aos dados Y , e aos parmetros de cada

modelo considerado. O CPO consiste em escolher o modelo l que apresentar o maior valor de c(l )
(quantidade obtida por meio da estimativa de Monte Carlo da densidade preditiva). Maiores
detalhes podem ser encontrados em Carlin & Chib (1995).

4. Aplicaes

Apresentamos a seguir os resultados obtidos na implementao dos modelos propostos para


a inferncia dos parmetros de processos AR(p)-ARCH(q), ARCH(q) e GARCH(q,r), considerando
distribuio normal e t de student para t .
A srie histrica analisada apresenta informaes sobre ndices de fechamento da Bovespa
(IBovespa) registrados no perodo de 02/01/1996 a 01/02/1999, totalizando 986 informaes. Seja p t

o preo de fechamento do ndice Bovespa em um dia de negcio. Denotando Pt = ln pt , temos o

retorno dado por yt = ln( pt pt 1 ) = P t Pt 1 . Os ndices da Bovespa e os respectivos retornos esto


ilustrados na Figura 1 a seguir.
28 0.2

26
0.15
24
0.1
22
0.05
20
retorno
preo

18 0

16
-0.05
14
-0.1
12
-0.15
10

8 -0.2
0 100 200 300 400 500 600 700 0 100 200 300 400 500 600 700
tempo tempo

Figura 1: Preo e Retorno - Srie IBovespa.


Os grficos da Figura 2 mostram ainda o comportamento da srie dos quadrados dos
retornos do IBovespa, yt2 . Podemos observar que esta srie correlacionada. Tal comportamento
tipicamente associado ao dos modelos da famlia ARCH.

Figura 2: Histograma, Grfico Normal Probabilstico, Autocorrelao


e Autocorrelao parcial de yt2 - Srie IBovespa.

Na implementao do algoritmo Metropolis-Hastings, para cada parmetro foi simulada uma


cadeia com 50000 iteraes, descartado 50% dos valores para diminuir o efeito das condies
iniciais, e ento tomados valores espaados de 5 em 5, totalizando uma amostra de 5000
observaes. A convergncia do algoritmo foi verificada pelo critrio de Geweke, a um nvel de
significncia de 5% para o teste, sob a hiptese nula Ho (GEWEKE, 1992). Assim, a convergncia
do parmetro foi considerada para valores obtidos pelo diagnstico de Geweke entre -1,96 e 1,96.
Assim, os modelos ajustados srie IBovespa, de acordo com o critrio da CPO, foram:
ARCH(3), AR(3)-ARCH(6) e GARCH(1,1), respectivamente.
As Tabelas 2, 3 e 4 mostram as estimativas Bayesianas para os modelos ajustados, sendo M1
e M2 os processos ARCH, M3 e M4 os processos AR-ARCH, e M5 e M6 os processos GARCH,
com distribuio normal e t de student para t , respectivamente.

Tabela 2: Estimativas Bayesianas dos modelos ARCH M1 e M2.

M1 M2
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00061 0,00005 0,00052;0,00070 0,00070 0,00003 0,00060;0,00071
1 0,16350 0,01113 0,14187;0,18514 0,21672 0,00591 0,20524;0,22858
2 0,06065 0,01139 0,03885;0,08257 0,05228 0,00205 0,04818;0,05624
3 0,33162 0,02134 0,28888;0,37152 0,34961 0,00926 0,33156;0,36665
Tabela 3: Estimativas Bayesianas dos modelos AR-ARCH M3 e M4.

M3 M4
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00048 0,00003 0,00042;0,00056 0,00050 0,00003 0,00044;0,00056
1 0,21579 0,04142 0,13543;0,29508 0,18757 0,00567 0,17646;0,19868
2 0,08565 0,02706 0,03649;0,14026 0,06340 0,00331 0,05691;0,06988
3 0,41482 0,04587 0,32397;0,49956 0,38771 0,00900 0,37007;0,40535
1 -0,09571 0,02879 -0,15259;-0,03821 -0,10020 0,00577 -0,11151;-0,08889
2 -0,01679 0,02853 -0,07421;0,03983 -0,02365 0,00542 -0,03427;-0,01303
3 -0,13483 0,02876 -0,19079;-0,07799 -0,12111 0,00531 -0,13152;-0,11070
4 -0,16456 0,02804 -0,21835;-0,10972 -0,15437 0,00522 -0,16460;-0,14414
5 -0,14604 0,02958 -0,20397;-0,08949 -0,13210 0,00689 -0,14560;-0,11860
6 -0,08765 0,02993 -0,14678;-0,02814 -0,07353 0,00695 -0,08715;-0,05991

Tabela 4: Estimativas Bayesianas dos modelos GARCH M5e M6.

M5 M6
Parmetro Mdia Desvio Intervalo Mdia Desvio Intervalo
Padro Credibilidade (95%) Padro Credibilidade (95%)
0 0,00007 1,5e-009 0,000069;0,000071 0,00007 1,4e-009 0,000069;0,000071
1 0,15010 6,7e-004 0,14870;0,15140 0,15035 6,5e-004 0,14920;0,15100
1 0,75050 1,3e-003 0,74790;0,75290 0,75027 1,2e-003 0,74850;0,75250

De acordo com os valores obtidos pelo CPO pelo ajuste dos modelos propostos, conclumos
que o modelo que melhor se adequou aos dados da srie IBovespa foi o processo GARCH(1,1) com
distribuio t de student para t , ou seja, o modelo M6, conforme Tabela 5 a seguir.

Tabela 5: Critrio de seleo de modelos.

Modelo CPO
M1 1,163e+018
M2 1,190e+018
M3 1,155e+019
M4 1,264e+019
M5 1,173e+019
M6 1,859e+019

A Figura 3 mostra a volatilidade estimada a partir das estimativas obtidas pela abordagem
Bayesiana com distribuio a priori no informativa, por meio do processo GARCH(1,1) com
distribuio t de student para t ,. Podemos observar que, no perodo estudado, houve alguns fatos
que provocaram alteraes (picos) no comportamento da volatilidade, os quais o modelo ajustado
identificou: Moratria da Rssia, em Agosto de 1998; Crise na sia, em Outubro de 1998; e a
Desvalorizao do Real, em Janeiro de 1999.
Figura 3: Volatilidade Estimada - Srie IBovespa: Modelo M6 .

5. Consideraes Finais

Apesar de ser uma representao bastante simplificada do processo gerador de dados dos
retornos condicionais, a distribuio normal amplamente utilizada na estimao de modelos de
volatilidade. Porm, em algumas situaes mais apropriado assumir que t tem distribuio t de
student, como pde ser observado neste caso.
Os resultados deste trabalho mostraram que, de um modo geral, a abordagem Bayesiana
proposta fornece estimativas satisfatrias. Alm disso, consideramos uma reparametrizao dos
modelos estudados e adotamos distribuio a priori no-informativa, conseguindo uma
convergncia mais rpida do processo de inferncia de parmetros de modelos da famlia ARCH
com mtodos MCMC.

Referncias

BOLLERSLEV, T. Glossary to ARCH (GARCH). Research paper, School of Economics and


Manangement, University of Aarthus, 2008. Eletronic copy available at:
http://ssrn.com/abstract=1263250.

BOLLERSLEV, T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of


Econometrics, Vol. 31, pp. 307-327, 1986.

BOX, G. E.; TIAO, G. C. Bayesian Inference in Statistical Analysis. Addison-Wesley, New York,
1973.
CARLIN, B.; CHIB, S. Bayesian Model Choice via Markov Chain Monte Carlo Methods. Journal
of the Royal Statistical Society, Vol. 57, pp. 473-484, 1995.

CHIB, S.; GREENBERG, E. Understanding the Metropolis-Hastings Algorithm. The American


Statistician, Vol. 49, No 4, pp. 327-335, 1995.

ENGLE, R. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of UK


Inflation. Econometrica, Vol. 50, pp. 987-1007, 1982.

GELFAND, A. E.; SMITH, A. F. Sampling Based Approaches to Calculating Marginal Densities.


Journal of the Statistical Association, Vol. 5, No 410, pp. 398-409, 1990.

GEWEKE, J. Exact Predictive Densities for Linear Models with ARCH Disturbances. Journal of
Econometrics, Vol. 40, pp. 63-86, 1989.

GEWEKE, J. Evaluating the Acurracy of sampling-based approaches to calculating posterior


moments (with discussion). Bayesian Statistics, Vol. 4, Oxford University Press, Oxford, pp. 169-
193, 1992.

MORETTIN, P. A. Econometria Financeira: Um curso em Sries Temporais Financeiras. Edgard


Blcher Ltda, So Paulo, 519 p., 2008.

OLIVEIRA, S. C. Modelos Estocsticos com Heterocedasticidade para Sries Temporais em


Finanas. Tese de Doutorado, ICMC-USP, 2005.

SFADI, T., ANDRADE, M. G. (2007). Abordagem Bayesiana de Modelos de Sries Temporais.


Minicurso, Universidade Federal do Rio Grande do Sul, 12 Escola de Sries Temporais e
Econometria.