Вы находитесь на странице: 1из 13

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.

br)

Estimao de Volatilidades
Pedro Luiz Valls Pereira pvalls@ibmec.br

Apresentam-se quatro tcnicas para estimao de volatilidade e matriz de covarincias: o mtodo amostral, o alisamento exponencial, o modelo GARCH e o modelo de volatilidade estocstica. Em geral, os modelos estatsticos desenvolvidos para estimao de volatilidade tentam reproduzir um conjunto de fatos estilizados comuns s sries de retornos dos ativos financeiros, por exemplo, distribuies com caudas pesadas, agrupamento de valores extremos, etc. Estes fatos descritos em alguns trabalhos na rea de estatstica aplicada a finanas se baseiam no estudo sistematizado das caractersticas presentes em diversas sries histricas de ativos financeiros.

1. Desvio-Padro Histrico e Janela de Dados


Inicialmente, considere o problema da estimao das volatilidades (desvios padres) dos retornos dos ativos. Assumindo mdia zero, a volatilidade amostral dos retornos do ativo i utilizando uma amostra de T observaes definido como:

Si =

ri2t ,
t =1

O clculo do estimador utilizando toda amostra permite pouca adaptabilidade s informaes mais recentes. Isto decorre do fato de que todas as observaes da amostra recebem o mesmo peso. Para contornar este problema, utiliza-se, ao invs de toda amostra, uma janela mvel com um nmero fixo de observaes. Apesar de ainda manter peso igual para todas observaes utilizadas na janela, consegue-se alguma flexibilidade, pois podese controlar a importncia da observaes mais recentes atravs da escolha do tamanho da janela (figura 1). No entanto, o uso deste estimador apresenta outro inconveniente. Em geral, a ocorrncia de eventos extremos nas sries financeiras se d com relativa freqncia. Como este estimador utiliza o mesmo peso para todas as observaes da amostra, a volatilidade estimada d um salto para cima aps um retorno extremo permanecendo neste nvel enquanto a observao permanecer na amostra. Quando a observao extrema sai da amostra a volatilidade salta para baixo novamente. Desta forma, em perodos subsequentes a grandes variaes de preos dos ativos, a volatilidade e, por conseqncia, o risco tende a ser superestimado.

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

Figura 1 O grfico ao lado apresenta a volatilidade para o ndice Bovespa usando janelas de 22, 44, 66, 126 e 252 dias teis. Observe que quanto menor o tamanho da janela maiores os picos de volatilidade. Por outro lado quanto menor o tamanho da janela mais rpido a volatilidade volta aos patamares anteriores.
25.00%

Volatilidade Diria do Ibovespa com Janela Mvel

20.00% m=22 15.00% m=44 m=66 10.00% m=126 m=252 5.00%

0.00%
01/05/1997 08/01/1998 17/09/1998 27/05/1999 03/02/2000

2. A Soluo do Alisamento Exponencial (EWMA)


A tcnica de alisamento exponencial uma tentativa de contornar a limitao do mtodo amostral. Neste caso, o estimador da varincia dos retornos dado por:

i2,t = i2,t 1 + (1 )ri2t 1 ,

0 1

A varincia do retorno num dado instante de tempo composta por dois termos. O primeiro, um termo autorregressivo expressando a dependncia temporal da varincia dos retornos, fato estilizado presente na maioria das sries financeiras. O segundo, representando a contribuio da observao mais recente para a varincia estimada. A expresso acima pode ser reescrita da seguinte forma:

i2,T = T i2,0 + (1 ) t ri2T t ,


t =1

T 1

Na expresso acima a estimativa da varincia dos retornos igual a da varincia inicial mais uma soma com pesos geometricamente declinantes dos quadrados dos retornos, que representa a varincia instantnea. A influncia da varincia inicial sobre a varincia presente tende a desaparecer e um candidato natural para estimador deste termo o estimador da varincia amostral. O segundo termo faz com que os efeitos dos choques nas sries de retornos sejam dissipados suavemente com o tempo. Note que o estimador amostral um caso particular da expresso acima com O mesmo princpio pode ser estendido para estimao da covarincia entre retornos de dois ativos. A covarincia entre os retornos i e j dada por:
2 2 ij ,t = ij ,t 1 + (1 )ri ,t 1r j ,t 1

T 1 T .

Da mesma forma que no clculo das varincias, a covarincia inicial pode ser estimada pela covarincia amostral.

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

3. O Parmetro timo de Decaimento


A escolha do parmetro ad hoc no sentido de que no envolve nenhum procedimento estatstico que gere uma estimativa a partir das observaes passadas. O banco JP Morgan na sua metodologia de anlise de risco conhecida como Riskmetrics sugere um procedimento para a escolha de um timo baseado no erro de predio um passo a frente. O previsor da varincia do retorno um passo frente definido como E (rt 21 ) = t2+1|t . + O erro de previso um passo frente definido por t +1|t = rt 2 1 t2+1|t , que satisfaz +

E ( t +1|t ) = 0 .

Um critrio para a escolha do timo de cada ativo seria obter o varincia dos erros de previso um passo a frente:

que minimize a

RMSE i =

1 T 2 (rt +1 t2+1|t ( )) 2 T t =1

Para simplificar o clculo dirio das varincias o Riskmetrics sugere o uso do mesmo para todas as sries calculadas da seguinte forma: Seja a soma do RMSEs mnimos

i :
N i =1

= i

Define-se a medida de erro relativo:

i =

i =1

Tome o conjunto de pesos dados por: 1 i = N i 1 i


i =1

O timo ento definido como:

= i i
i =1

onde, i o fator timo para o ativo i. O mesmo procedimento poderia ser utilizado para o empregado no clculo das covarincias.

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

Por simplificao o Riskmetrics utiliza no clculo das covarincias o mesmo escolhido para o clculos das varincias. A propsito, na literatura de controle de risco o modelo que ficou conhecido como Riskmetrics o modelo delta-normal com estimao por alisamento exponencial da matriz de covarincias. O modelo de alisamento exponencial tem maior capacidade de reproduzir os fatos estilizados do que o modelo amostral. A principal caracterstica do modelo que um valor de prximo de um reproduz o fato estilizado da volatilidade ser altamente persistente. Contudo, o fato da soma dos parmetros do modelo ( e 1 ) ser igual a um gera um inconveniente, a volatilidade no condicional dos retornos igual a zero. Como resultado, a distribuio no condicional dos retornos degenerada, ou seja, sua mdia e varincia so iguais a zero. Desta forma, toda massa da distribuio fica concentrada num nico ponto, fato sem nenhum apoio emprico.

3. O modelo GARCH
Em sries de retornos de ativos financeiros comum o fato de que grandes valores num determinado instante do tempo sejam seguidos por valores tambm elevados nos perodos subsequentes, no necessariamente na mesma direo. Estatisticamente, esta caracterstica pode ser descrita pela presena de elevada autocorrelao no quadrado dos retornos. A autocorrelao presente no quadrado dos retornos das sries financeiras faz com que a varincia condicional dos retornos apresente uma dependncia temporal dos choques passados. O modelo de alisamento exponencial captura esta caracterstica pois a estimativa da varincia dos retornos igual a da varincia inicial mais uma soma com pesos geometricamente declinantes dos quadrados dos retornos. O problema com este modelo que no existe um critrio estatstico para estimao do parmetro que leve em considerao as propriedades especficas de cada srie de retorno. Desta forma, no possvel realizar inferncia sobre as estimativas do modelo. Um modelo mais genrico para a estimao da varincia dos retornos o ARCH proposto por Engle (1982). Este modelo expressa a varincia condicional como uma defasagem distribuda do quadrado dos retornos passados. Seja yt = t t t ~ NI (0,1)
Et 1 ( yt2 ) = t2 = + i yt2i = ( L) yt2
i =1 q

um polinmio no operador defasagem do tipo (L) 2 qi ( L) = 1 L + 2 L + ... + q L e, para garantir a no negatividade da varincia condicional devemos ter que , i > 0 para i = 1,...,q. sendo O modelo acima possui algumas propriedades desejveis. Em primeiro lugar, atravs da tcnica de decomposio de erros de predio, possvel construir a

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

funo de verossimilhana tornando possvel estimao dos parmetros pelo mtodo de mxima verossimilhana. Esta propriedade importante porque estes estimadores possuem distribuies conhecidas que viabilizam a execuo de testes de hipteses diversos. Alm disso, possvel provar que este modelo implica uma distribuio no condicional com caudas pesadas para os retornos. Em geral, existe uma alta persistncia na volatilidade das sries de retornos, o que faz com que o valor de q no modelo ARCH seja elevado implicando a necessidade de estimao de um grande nmero de parmetros. O modelo GARCH proposto por Bollerslev (1986) constitusse numa tentativa de expressar de forma mais parcimoniosa a dependncia temporal da varincia condicional. Neste modelo a varincia condicional alm de depender do quadrado dos retornos passados como no modelo ARCH, depende tambm dos passados das prprias varincias condicionais. A varincia condicional num modelo GARCH(p,q) expressa por:

= + i y
2 t i =1

2 t i

+ j t2 j = ( L) y t2 + ( L) t2
j =1

sendo (L) e (L) so polinmios no operador defasagem L. A condio de no negatividade da varincia condicional neste modelo dada por: > 0 , i 0 , j 0 para i = 1,,q j = 1,,p A equao acima pode ser escrita da seguinte forma:
y t2 = + ( ( L) + ( L)) y t2 + (1 ( L)) t

onde, t = ( yt2 t2 ) uma diferena martingal no Gaussiana. Esta representao evidencia que um modelo GARCH(p,q) um modelo ARMA(p,q) para os quadrados dos retornos. Esta caracterstica permite a utilizao de tcnicas convencionais dos modelos da classe ARMA para a identificao de p e q. Para garantir que este processo ARMA para o quadrado dos retornos seja covarincia estacionria, as razes de:
1 ( L ) ( L) = 0

tm que estar fora do crculo unitrio. Com a condio de no negatividade satisfeita isto garantido se

i + i < 1. Se esta condio valer a varincia no


i =1 i =1

condicional de yt2 dada por:

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

E ( yt2 ) = E ( t2 ) = =

1 i i
i =1 i =1 q p

e a esperana condicional da varincia n passos a frente igual a: q p 2 n 2 + Et ( t + n ) = ( i + i ) t q p q p i =1 i =1 1 i i 1 i i i =1 i =1 i =1 i =1 o que significa que existe uma tendncia para a varincia condicional retornar ao valor da varincia no condicional. Se

i + i = 1 ento o processo ARMA para yt2 possui uma raiz unitria. Engle
i =1 i =1

e Bollerslev (1986) nomearam o modelo em que esta condio se verifica de GARCH integrado ou IGARCH. Se yt segue um IGARCH, ento sua varincia no condicional no definida e os processos yt e yt2 no satisfazem a definio de processos covarincia estacionrios. No entanto, ainda possvel que yt atenda as condies de estacionaridade estrita no sentido de que sua densidade no condicional no varia no tempo. Esta propriedade demonstrada em Nelson (1991). O processo EWMA definido anteriormente , portanto, um IGARCH com = 0 com os parmetros fixos arbitrariamente. Deste modo, os retornos teriam distribuio degenerada, isto , sua distribuio no condicional teria mdia e varincia iguais a zero. Desta forma, ao assumir que os retornos de determinado ativos tm varincia condicional definida por um EWMA est-se, na verdade, fazendo uma restrio que pode no ser justificada pelos dados. Metodologicamente, o procedimento mais indicado seria estimar um GARCH e ento testar a hiptese de que os parmetros aceitam uma restrio do tipo = 0 , + = 1 . Isto garantia a estimao de um modelo coerente com a realizao do processo estocstico dos retornos. Entretanto, testar estas duas restries, conjuntamente, complicado, pois, sob a nula, a distribuio seria degenerada. O modelo GARCH facilmente generalizado para o caso multivariado. Para tanto considere GARCH(p,q) para N ativos. Seja o vetor de retornos N x 1 y t com matriz de covarincias condicionais dadas por t tem-se que vech( t ) ii relacionado com vech( yt y t ) e com vech( t 1 ) atravs de: vech( t ) = + i vech( t 1 ) + j vech( yt j yt j )
i =1 j =1 p q

onde um vetor com N(N+1)/2 elementos e e so matrizes N(N+1)/2 x N(N+1)/2. Portanto, o nmero total de parmetros deste modelo igual a

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

(p+q)N2(N+1)2/2 + N(N+1)/2. Este o maior inconveniente deste modelo, o nmero de parmetros cresce rapidamente com N impossibilitando sua estimao. Por exemplo, um GARCH (1,1) com N=5 o nmero de parmetros totais igual a 465. Outra complicao destes modelos garantir que t seja positiva definida. A literatura de GARCH multivariados se concentra em achar restries plausveis sobre t que reduzam o nmero total de parmetros a serem estimados e, ao mesmo tempo, faam que esta matriz de covarincias seja positiva semi-definida. Bollerslev, Engle e Wooldridge (1988) sugerem restringir as matrizes e a matrizes diagonais o que implica que o elemento (i,j) de t no caso em que p = q = 1 seja representado por:
2 2 ij ,t = ij + ij ij ,t 1 + ij y i ,t 1 y j ,t 1

Neste modelo a condio para que a matriz t seja positiva semi-definida que as matrizes de parmetros ij , ij e ij sejam todas positivas semi-definidas.

[ ] [ ] [ ]

Neste caso particular tem-se um total de 3N(N+1)/2 parmetros a serem estimados. Portanto, para N = 5 o total de parmetros reduz-se para 45. Outra especificao simplificadora deste modelo apresentada em Engle, Ng e Rothschild (1990). Neste artigo os autores sugerem a seguinte estrutura dinmica para a matriz de covarincias condicional:
t = k k kt +
k 1 K

onde uma matriz N x N positiva semi-definida, k so vetores linearmente independentes no estocsticos e kt so variveis aleatrias positivas que representam os fatores que afetam os segundos momentos condicionais dos retornos. Neste modelo garantido que t seja sempre positiva semi-definida. Outra propriedade importante deste modelo que sempre possvel construir portflios cujas varincias condicionais podem substituir os fatores kt . Isto significa que t pode sempre ser reescrita na forma:
t = k k kt + *
k 1 K

onde kt so as varincias condicionais de alguns portflios apropriadamente construdos. Para provar esta propriedade escolha k tal que k seja ortogonal a j para j k
e k j = 1 . A varincia condicional dos retornos p kt = k y t , um portflio construdo

com k como vetor de pesos, igual a:

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

kt k, t k = kt + s k
onde , s k k k o que implica:
t = k k, kt +
k =1 K *

com

K = k k, s k k =1

Os portflios construdos utilizando k como pesos so chamados de portflios representativos dos fatores. A varincia condicional destes portflios perfeitamente correlacionada com a varivel latente kt . Esta propriedade garante que a informao contida nos portflios representantes dos fatores suficiente para prever as varincias e covarincias dos ativos originais. Isto implica que existe causalidade na varincia dos portflios representantes de volatilidade para os ativos individuais. Esta caracterstica do modelo permite estudar a dinmica de t atravs do comportamento dinmico das varincias condicionais dos portflios construdos. A maneira mais simples e, ao mesmo tempo, mais restritiva de construir o portflio representativos dos fatores assumir uma especificao univariada para este portflio. Um conjunto de K porflios representativos de fatores dito ter uma representao de portflios univariados se cada srie de retornos ( p kt ) dos portflios representativos puder ser representada por um processo de srie de tempo univarido condicional ao conjunto de informao multivariado completo. Um exemplo desta simplificao impor que os retornos dos K portflios representativos de fatores sigam um processo em que sua mdia condicional dependa da sua varincia condicional e esta, por sua vez, evolua como uma GARCH(1,1), ou seja, supor uma estrutura ARCH-M para estes retornos como em Engle, Lilien & Robins (1987). Neste caso tem-se:
p kt = c k + k kt + u kt
2 kt = k + k u kt 1 + k kt 1

u kt | I t i ~ N (0, kt )

Desde que u kt = k t , tem-se kt = kt + s k . Esta especificao requer que a dinnica de kt satisfaa:

kt = [ k + s k ( k 1)] + k ( k, t 1 ) + k kt 1
2

Assim, a matriz de covarincias dos retornos pode ser escrita como:

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

, t = C * + k k k, k t 1 k =1

, + k k k, k t 1 k

)}

onde, K * C * k k, k + k =1 Uma representao mais geral pode ser obtida assumindo o que os autores chamam de representao de portflio recursiva. Um conjunto de K portflios representativos de fatores dito seguir uma representao de porflios recursiva se eles podem ser rearranjados de tal forma que o k-simo portflio dependa somente da informao relacionada ao seu prprio passado e do comportamento passado dos primeiros k-1 portflios. Um exemplo deste tipo de representao dado por: p kt = c k + k kt + u kt u kt | I t i ~ N (0, kt )
2 kt = k + kk u kt 1 + kk kt 1 + { kj u 2 1 + kj jt 1 } jt k 1 j =1

se ki = ki = 0 para jk tem-se o caso anterior. Se no a varincia em um portflio til para prever a varincia de outro, ou seja, existe uma causalidade na varincia de um portflio representativo de fatores para outro. Sob esta restrio, a matriz de varincia condicional dos retornos representada por:
t = C * + Ak t t,1 Ak, + G k t 1G k, ,
k =1 K

K * onde, C * k k, k + , k =1

Ak kj k ,j ,
j =1

G k kj k ,j
j =1

Uma ltima e mais geral especificao proposta pelos autores o que eles chamam de hiptese de representao genrica de portflios. Um conjunto de K portflios representativos de fatores dito seguir uma representao genrica de portflios se o retorno em um portflio depende somente da informao relacionada ao comportamento passado de todos os K portflios representativos de fatores. Em Bollerslev (1990) apresentado um modelo GARCH multivariado onde a reduo no nmero de parmetros a serem estimados obtida atravs da imposio da hiptese de que as varincias e covarincias condicionais evoluem no tempo, mas as correlaes condicionais so invariantes. O modelo dado por:

yit = i + it
2 2 ii ,t = i + i1 ii ,t 1 + i1 it 1

ij ,t = ij ( ii jj )1 / 2

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

10

onde ij a correlao condicional entre os retornos dos ativos i e j, ii a varincia condicional do retorno do ativo i e ij a covarincia condicional entre os retornos dos ativos i e j.

4. O modelo de Volatilidade Estocstica


A idia bsica do modelo de volatilidade estocstica tratar a volatilidade como um componente no observado com seu logaritmo sendo diretamente modelado como um processo autorregressivo. A estrutura desta classe de modelos uma discretizao dos processos estocsticos em tempo contnuo a partir dos quais so construdas generalizaes do modelo de Black & Scholes (1973) como em Hull e White (1987) e Taylor (1994). O modelo Volatilidade Estocstico (V.E.) univariado foi proposto por Taylor (1980) e tem a seguinte estrutura (na forma discreta):
h (19) rt = t exp t 2 ht +1 = 0 + 1ht + t (20)
2 onde t ~ NID(0,1) e t ~ NID(0, ) o que implica que a distribuio condicional dos retornos normal, isto , rt | ht ~ N (0, exp(ht )) .

Assim ht , o log-volatilidade , um componente no observado. Se | 1 |< 1 ento ht . Como rt o (1 1 ) (1 12 ) produto de dois processos estritamente estacionrios, segue-se que rt tambm estritamente estacionrio. Alm disto temos que rt apresenta excesso de curtoses em relao distribuio normal capturando o fato estilizado presente em sries financeiras mencionado anteriormente. Este modelo tambm pode ser reescrito da seguinte forma:
log(rt 2 ) = ht + log( t2 )

estritamente estacionrio com mdia 0

2 e varincia

(21) (22)

ht +1 = 0 + 1ht + t

esta verso nos logs uma representao de espao-estado linear para o modelo onde a primeira equao seria a equao de medida e a segunda a equao de transio. A classe de modelos de volatilidade estocstica (VE) tem sua origem tanto em finanas matemtica quanto em econometria de finanas. Por exemplo, Clark (1973) sugeriu modelar retornos de ativos como funo de um processo aleatrio da

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

11

chegada de informao ao mercado. Esta abordagem chamada de deformao temporal implica num modelo para o retorno de ativos com volatilidade que varia ao longo do tempo. Tauchen e Pitts (1983) propem uma mistura de distribuies com dependncia temporal na chegada de informao. Hull e White (1987) propem um modelo de precificao de opes Europias assumindo que o ativo subjacente segue um modelo de volatilidade estocstica a tempo contnuo. Uma outra abordagem surgiu do trabalho de Taylor (1986) que especifica um modelo de volatilidade estocstica a tempo discreto como uma alternativa ao modelo autorregressivo com heteroscedasticidade condicional (ARCH). At pouco tempo a estimao do modelo de Taylor, ou de qualquer outro modelo da classe VE, era bastante difcil, mas tcnica moderna de econometria permitiu que a estimao desta classe de modelos se tornasse factvel. Deste modo esta classe se tornou uma alternativa aos modelos ARCH. Os modelos VE so capazes de reproduzir alguns dos fatos estilizados presentes em sries financeiras. Considere o modelo VE dado por:

h rt = t exp t 2 ht +1 = 0 + 1ht + t
onde rt representa o retorno de um ativo e ht o log da volatilidade que um componente no observado relacionado a chegada de informao ao mercado. Devido a estrutura do modelo pode-se mostrar que a distribuio de rt gerada por este modelo tem caudas pesadas alm disto devido a estrutura autorregressiva do logaritmo da volatilidade ela gera agrupamentos de volatilidade. Se os choques que influenciam os retornos e o logaritmo da volatilidade, isto , t e t respectivamente so negativamente correlacionados temos o efeito alavancagem. As evidncias empricas na estimao deste modelo so de que 1 muito prximo de um implicando em alta persistncia ou mesmo em memria longa. Este modelo facilmente generalizado para vrios retornos. Num contexto multivariado podemos ter estruturas autorregressivas comuns entre os logaritmos das volatilidades que geram os co-movimentos em volatilidade. A maior dificuldade com os modelo VE que no se podem obter explicitamente expresses para as funes de verossimilhana como no caso de outros modelos de volatilidade condicional tais como os da famlia GARCH. Existem uma srie de mtodos de estimao para contornar este problema dentre eles temos: mtodo generalizado de momentos(GMM), mtodo de quase mxima verossimilhana (QMV) e Mtodo das Cadeias de Markov de Monte Carlo (MCMC). A generalizao para o caso multivariado imediata. Seja rt agora um vetor Nx1 cujos elementos so dados por:

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

12

h rit = it exp it 2

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

(23)

onde, rit a observao em t da srie i e t = ( 1t ,..., Nt ) um vetor normal multivariado com mdia zero e matriz de covarincia cujos termos da diagonal principal so iguais a um e os termos fora desta diagonal so denotados por ij . Como em (22), as log-varincias so geradas por:
hi ,t +1 = i ,0 + i ,1 hi ,t + i ,t
onde,

i = 1,..., N

(24)
.

i ,t = (1,t ,..., N ,t )

normal multivariado com mdia zero e matriz de covarincias

Aplicando a mesma transformao que em (21) obtm-se a representao espaoestado do modelo:

t = ht + t (25) ht = 0 + 1 ht 1 + t (26)
onde, t e t so vetores Nx1 com elementos it = log(ri 2 ) e t = log( i2,t ) , ,t respectivamente. Tratando (25) e (26) como um modelo espao-estado Gaussiano os estimadores de quasi-mxima verossimilhana podem ser obtidos atravs do uso do filtro de Kalman. Como demonstrado em Harvey et alli. (1994), o elemento ij da matriz de * * covarincias de t , denotada por , dado por 2 / 2 ij , onde ii = 1 e

* ij =

2 2

(1 / 2)
n =1

(n 1)! 2 n ij nn

i j i, j = 1,..., N

(27)

onde, ( x) n = x( x + 1)...( x + n 1) . Desta forma, os valores absolutos de ij , as correlaes entre os diferentes i ,t s , podem ser estimados, mas os seus sinais no podem porque a informao relevante foi perdida quando as observaes foram elevadas ao quadrado. No entanto, o sinal pode ser estimado voltando para as observaes no transformadas e lembrando que o sinal de cada par i ,t ji ,t igual ao sinal do respectivo par y i y j . Desta forma o sinal de ij pode ser estimado como positivo se mais da metade dos pares y i y j 's forem positivos e negativo caso contrrio.

RiskTech.com - o Portal Brasileiro de Risco (www.risktech.com.br)

13

5. Bibliografia
(1) (2) (3) Black F. & Scholes, M. (1973) The pricing of options and corporate liabilities. Journal of Political Economy, 81, p. 637-59. Bollerslev, T. (1986) "Generalized autorregressive conditional heteroskedasticity" . Journal of Econometrics, 31, p.303-327. Bollerslev, T.; Engle, R. F. & Wooldridge, J. M. (1988) A Capital Asset Pricing Model with Time-Varying Covariances. Journal of Political Economy, 96, p.116-31 Clark, P.K. (1973) A subordinated Stochastic Process model with finite variance for speculative prices. Econometrica, 41, p.135-155. Engle, R. F. (1982) "Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation" . Econometrica, 50, n 4, p. 987-1007. Engle, R. F. & Bollerslev, T. (1986) "Modeling the persistence of conditional variances. Econometric Review, 5, n. 1, p1-50. Engle, R.F.; Lilien, D. & Robins, R. (1987) "Estimating Time-Varying Risk Premia in the Term Structure: The ARCH-M model. Econometrica, 55, p.251-276. Engle, R. F.; Ng, V. & Rothschild, M. (1990) "Asset Pricing with a Factor ARCH Covariance Structure: Empirical Estimates for Treasury Bills. Journal of Econometrics, 45, p.213-238. Harvey, A.C.; Ruiz, E. & Shephard, N. (1994) Modeling Stochastic variance models Review of Economic Studies, 61, 247-267. J & White, W. (1987) "The pricing of options on assets with stochastic volatility". Journal of Finance, 42, p.281-300 Nelson, D. (1991) "Conditional heteroskedasticity in assets returns: a new approach". Econometrica, 59, n.2, p.347-370. Tauchen, G.E. & Pitts, M. (1983) The price variability-volume relationship on speculative markets. Econometrica, 51, p. 485-505. Taylor, S.J. (1980) Conjectured models for trend in financial prices, tests and forecast. Journal of the Royal Statistical Society, Series A, 143, p. 338-362. Taylor, S.J. (1986) Modeling Financial Time Series. New York: John Wiley. Taylor, S.J. (1994) Modeling Stochastic Volatility. Mathematical Finance, 4, p.183-204.

(4) (5)

(6) (7)

(8)

(9) (10) (11) (12) (13) (14) (15)

i ii

tal que

O operador vech empilha a parte inferior de uma matriz N x N num vetor N(N+1)/2 x 1.

Lyt = yt 1 .

Вам также может понравиться