2. INTRODUÇÃO
Modelo não-linear no que se refere à
variância, introduzido por Engle (1982).
Muito usado para séries financeiras.
Variância condicional do retorno
volatilidade.
3. NOTAÇÃO
Pt preço de um ativo financeiro no instante t
Xt retorno logarítmico no instante t.
μt = E(Xt | Ft-1)
ht = V(Xt | Ft-1)
Ft-1 é a informação até o instante t-1 que
consideramos ser {Xt-1, ..., X1}
=
−1
ln
t
t
t
P
P
X
4. MODELOS NÃO-LINEARES
Xt = g(at-1, at-2,…) + ath(at-1, at-2,…)
com at supostos i.i.d.
g(.) representa a média condicional
h2
(.) representa a variância condicional
Se g(.) for não-linear o modelo é não-linear
na média
Se h2
(.) for não-linear o modelo é não-linear
na variância
5. EXEMPLOS
Exemplo 1:
é um modelo não-linear na média, pois
e h(.) = 1
Exemplo 2:
é um modelo não-linear na variância, pois g(.) = 0
e
2
1−+= ttt aaX α
2
1(.) −= tag α
2
1−= ttt XaX α
2
1(.) −= tXh α
6. MODELOS ARCH
Modelo auto-regressivo com heteroscedasticidade
condicional (AutoRegressive Condicional
Heterocedasticity)
O objetivo era estimar a variância da inflação
A idéia básica é que o retorno Xt é não-
correlacionado serialmente, mas a volatilidade
(variância condicional) depende de retornos
passados por meio de uma função quadrática.
Agrupamento da volatilidade
7. ARCH(r) – DEFINIÇÃO
onde εt é uma seqüência de variáveis aleatórias
independentes e identicamente distribuídas com
média zero e variância um;
α0 > 0, αi ≥ 0, i > 0
22
22
2
110 ... rtrttt
ttt
XXXh
hX
−−− ++++=
=
αααα
ε
8. ARCH (1)
com α0 > 0, α1 ≥ 0
Média: E(Xt) = 0
Variância: V(Xt) = E(Xt
2
) = α0 + α1 E(Xt-1
2
)
Se o processo for estacionário de segunda ordem:
2
110 −+=
=
tt
ttt
Xh
hX
αα
ε
1
0
1
)(
α
α
−
=tXV
9. ARCH (1)
Autocovariância: γX(k) = 0, k ≥ 1
Curtose maior que 3 caudas longas
Xt é uma seqüência de variáveis aleatórias não
correlacionadas (ruído branco) com média zero e
variância 1
0
1
)(
α
α
−
=tXV
11. TRABALHANDO COM ARCH
Se houver correlação serial na série, ajusta-
se um modelo ARMA para removê-la. Nesse
caso teremos:
sendo at ~ ARCH (r)
tt aBXB )()( 0 θθφ +=
12. TRABALHANDO COM ARCH
Para verificar se a série apresenta
heteroscedasticidade condicional, aplica-
se os seguintes testes:
– Teste de Box-Pierce-Ljung para Xt
2
– Teste de Multiplicadores de Lagrange de Engel
(ML)
13. TRABALHANDO COM ARCH
Os estimadores dos parâmetros do modelo são
obtidos pelo método da máxima verossimilhança
condicional.
A verificação do modelo é feita pelo cálculo da
estatística Q de Ljung-Box para a seqüência Xt
padronizada.
Os programas EViews, SPLUS (módulo
S+FinMetrics), PcGIVE e RATS, entre outros,
podem ser usados para se trabalhar com modelos
ARCH e GARCH.
14. EXEMPLO
Ajuste um modelo ARCH (1) aos retornos
diários (Yt) da série A9 – Petrobrás do livro
do Morretin e Toloi (2004). A série pode ser
conseguida em http://www.ime.usp.br/pam
Essa série possui observações da ação
Petrobrás PN do período de 03/01/1995 até
27/12/2000.
15. EXEMPLO
Aparente estacionariedade
Média em torno de zero
Agrupamento de volatilidades (crise do México; crise
da Ásia; moratória russa; desvalorização do Real;
queda da Nasdaq)
16. EXEMPLO
1º passo: ajustar um modelo ARMA (p, q) à série de retornos
para eliminar a correlação serial entre as observações.
No EViews 6:
31. MODELOS GARCH
Generalização do modelo ARCH sugerida
por Bollerslev (1986)
Assim como um modelo ARMA pode ser
mais parcimonioso que um modelo AR ou
MA puro, um modelo GARCH pode
apresentar menos parâmetros que um
modelo ARCH.
32. GARCH(r,s) – DEFINIÇÃO
onde εt i.i.d. (0,1)
α0 > 0, αi ≥ 0, βi ≥ 0
, q = max (r,s)
∑∑ =
−
=
− ++=
=
s
j
jtj
r
i
itit
ttt
hXh
hX
11
2
0 βαα
ε
∑=
<+
q
i
ii
1
1)( βα
33. GARCH (r,s)
E(Xt) = 0
Volatilidades altas são precedidas de retornos ou
volatilidades grandes.
As caudas de Xt são mais longas do que as da curva
gaussiana.
∑=
+−
= q
i
ii
tXE
1
02
)(1
)(
βα
α
35. GARCH (1,1)
Assim temos um modelo ARMA para Xt
2
, mas vt não
é, em geral, um processo i.i.d.
11
2
1110
2
)( −− −+++= tttt vvXX ββαα
36. TRABALHANDO COM GARCH
A identificação da ordem do modelo GARCH
é usualmente difícil.
Modelos de ordem baixa, como (1,1), (1,2)
ou (2,1).
Escolha baseada em critérios como o AIC,
BIC, valores de assimetria e curtose, da log-
verossimilhança ou de uma função perda.
37. TRABALHANDO COM GARCH
Os estimadores dos parâmetros do modelo
são obtidos pelo método de máxima
verossimilhança condicional.
A verificação do modelo é feita pelo cálculo
da estatística Q de Ljung-Box para a
seqüência Xt padronizada.
38. EXEMPLO
Vamos ajustar um modelo AR(1) - GARCH
(1,1) aos retornos diários (Yt) da Petrobrás
de 14/10/1998 a 22/09/2008 supondo εt ~
N(0,1).
11
2
110
11 ,
−−
−
++=
=+=
ttt
tttttt
hXh
hXXYY
βαα
εφ