Previsão da volatilidade intradiária: análise das distribuições alternativas Outros Idiomas

ID:
4535
Resumo:
A previsão da volatilidade tem sido de grande interesse tanto no âmbito acadêmico quanto profissional em todo o mundo. Não há, entretanto, um consenso sobre o melhor modelo a ser aplicado no processo de estimar a volatilidade. Novas modelagens têm incluído medidas de assimetria, mudanças de regime e diferentes distribuições. Destes fatos estilizados, poucos estudos têm sido feitos considerando as diferentes distribuições. Este trabalho visa investigar como a especificação da distribuição influencia a performance da previsão da volatilidade em dados intradiários do Ibovespa, usando o modelo APARCH. As previsões foram realizadas supondo seis distribuições distintas: normal, normal assimétrica, t-student, t-student assimétrica, generalizada e generalizada assimétrica. Os resultados obtidos evidenciaram que o modelo considerando a distribuição t-student assimétrica foi o que melhor se ajustou aos dados dentro da amostra, porém, na previsão fora da amostra, o modelo com distribuição normal apresentou melhor desempenho.
Citação ABNT:
CERETTA, P. S.; BARBA, F. G.; VIEIRA, K. M.; CASARIN, F. Previsão da volatilidade intradiária: análise das distribuições alternativas. Revista Brasileira de Finanças, v. 9, n. 2, art. 152, p. 209-226, 2011.
Citação APA:
Ceretta, P. S., Barba, F. G., Vieira, K. M., & Casarin, F. (2011). Previsão da volatilidade intradiária: análise das distribuições alternativas. Revista Brasileira de Finanças, 9(2), 209-226.
Link Permanente:
http://www.spell.org.br/documentos/ver/4535/previsao-da-volatilidade-intradiaria--analise-das-distribuicoes-alternativas/i/pt-br
Tipo de documento:
Artigo
Idioma:
Português
Referências:
Awartani, Basel, & Corradi, Valentina. 2005. Predicting the Volatility of the S&P500 Stock Index Via GARCH Models: The Role of Asymmetries. International Journal of Forecasting, 21, 167–183.

Balakrishnan, Narayanaswamy, & Nevzorov, Valery B. 2003. A Primer on Statistical Distributions. New Jersey: Wiley.

Charles, Amelie. 2010. The Day-of-the-Week Effects on the Volatility: The Role of the Asymmetry. European Journal of Operational Research, 202, 143–152.

Giot, Pierre. 2000. Intraday Value-at-Risk. Department of Quantitative Economics, Maastricht University (Holland) and Center for Operations Research and Econometrics (CORE), UCL (Belgium). Disponíıvel em http://www. gloriamundi.org/var/wps.html. Acesso em: 28/01/2010.

Jubert, Roberto, Paixão, Márcia, Monte, Paulo, & Lima, Willemberg. 2008. Um Estudo Do Padrão de Volatilidade Dos Principais Índices Financeiros Do Bovespa: Uma Aplicação de Modelos ARCH. Revista UnB Contábil , 11, 221– 239.

Krishnamoorthy, K. 2006. Handbook of Statistical Distributions with Applications. Boca Raton, NW: Chapman & Hall/CRC.

Taylor, Stephen J. 1994. Modeling Stochastic Volatility: A Review and Comparative Study. Mathematical Finance, 4, 183–204.

Andersen, Torben G. 2000. Some Reflections on Analysis of High-Frequency Data. Journal of Business & Economic Statistics, 18, 146–153.

Andersen, Torben G., & Bollerslev, Tim. 1997. Intraday Periodicity and Volatility Persistence in Financial Markets. Journal of Empirical Finance, 4, 115–158.

Andersen, Torben G., & Bollerslev, Tim. 1998. Deutsche Mark-Dollar Volatility: Intraday Activity Patterns, Macroeconomic Announcements, and Longer Run Dependencies. The Journal of Finance, 53, 219–265.

Andersen, Torben G., & Bollerslev, Tim. 1999. Forecasting Financial Market Volatility: Sample Frequency Vis-A-Vis Forecast Horizon. Journal of Empirical Finance, 6, 457–477.

Baillie, Richard T., & Bollerslev, Tim. 1989. The Message in Daily Exchange Rates: A Conditional Variance Tale. Journal of Business and Economic Statistics, 7, 297–305.

Bali, Turan. 2007. Modeling the Dynamics of Interest Rate Volatility with Skewed Fat-Tailed Distributions. Annals of Operational Research, 151, 151–178.

Box, George E., & Tiao, George E. 1973. Bayesian Inference in Statistical Analysis. Massachussetts: Addison-Wesley, Reading.

Brooks, Robert, Faff, Robert, McKenzie, Michael, & Mitchell, Heather. 2000. A Multi-Country Study of Power ARCH Models and National Stock Market Returns. Journal of International Money and Finance, 19, 377–397.

Carvalho, Marcelo, Freire, Marco Aur´elio, Medeiros, Marcelo, & Souza, Leonardo. 2006. Modeling and Forecasting the Volatility of Brazilian Asset Returns: A Realized Variance Approach. Revista Brasileira de Finanças, 4, 321–343.

Cavaleri, Rosˆangela, & Ribeiro, Eduardo. 2009. Combinac¸ao de Previsões de Volatilidade: Um Estudo Exploratório. IX Encontro Brasileiro de Finanças, São Leopoldo, RS.

Ding, Zhuanxin, Granger, Clive W. J., & Engle, Robert F. 1993. A Long Memory Property of Stock Market Returns and a New Model. Journal of Empirical Finance, 1, 83–106.

Engle, Robert F. 1982. Autoregressive Conditional Heteroskedasticity with Estimates of Variance of UK Inflation. Econometrica, 50, 987–1008.

Fama, Eugene. 1965. The Behavior of Stock Market Prices. Journal of Business, 38, 34–105.

Geweke, John. 1986. Modeling the Persistence of Conditional Variances: A Comment. Econometric Review, 5, 57–61.

Glosten, Lawrence, Jagannathan, Ravi, & Runkle, David. 1993. On the Relation Between Expected Value and the Volatility of the Nominal Excess Returns on Stocks. Journal of Finance, 48, 1779–1801.

Higgins, Matthew, & Bera, Anil. 1992. A Class of Nonlinear ARCH Models. International Economic Review, 33, 137–158.

Hsieh, David. 1989. Modeling Heteroskedasticity in Daily Foreign Exchange Rates. Journal of Business and Economics Statistics, 7, 307–317.

Laurent, Sebastien. 2004. Analytical Derivates of the APARCH Model. Computational Economics, 24, 51–57.

Lee, Cheng F., Chen, Gong-Meng, & Rui, Oliver M. 2001. Stock Returns and Volatility on China Stock Markets. Journal of Financial Research, 24, 523– 543.

Liu, Hung-Chun, Lee, Yen-Hsien, & Lee, Ming-Chih. 2009. Forecasting China Stock Markets Volatility Via GARCH Models under Skewed-GED Distribution. Journal of Money, Investment and Banking, 7.

Lopez, Jose. 2001. Evaluating the Predictive Accuracy of Variance Models. Journal of Forecasting, 20, 87–109. Mandelbrot, Benoit. 1963. The Variation of Certain Speculative Prices. Journal of Business, 36, 394–419.

Mandelbrot, Benoit. 1963. The Variation of Certain Speculative Prices. Journal of Business, 36, 394–419.

Marcucci, Juri. 2005. Forecasting Stock Market Volatility with Regime SwitchingGA RCH Models. Studies on Nonlinear Dynamics & Econometrics, 9, 1–53.

Moreira, João Maurício, & Lemgruber, Eduardo. 2004. O Uso de Dados de Alta Frequência Na Estimaçãoo Da Volatilidade e Do Valor Em Risco Para O Ibovespa. Revista Brasileira de Economia, 58.

Morettin, Pedro Alberto. 2008. Econometria Financeira. São Paulo: Blucher

Nelson, Daniel. 1991. Conditional Heteroskedasticity in Asset Returns: A New Approach. Econometrica, 59, 347–370.

Otuki, Thiago, Radavelli, Carlos Henrique, Seabra, Fernando, & Costa, Newton, Jr. 2008. Assimetria Na Volatilidade Dos Retornos Revisitada: Ibovespa, Merval e Inmex. Revista de Gestão da USP, 15, 71–84.

Pantula, Sastry. 1986. Modeling the Persistence of Conditional Variances: A Comment. Econometric Review, 5, 71–74.

Politis, Dimitris N. 2004. A Heavy-Tailed Distribution for ARCH Residuals with Application to Volatility Prediction. Annals of Economics and Finance, 5, 283– 298.

Schwert, William. 1990. Stock Volatility and the Crash of ’87. Review of Financial Studies, 3, 77–102.

Taylor, Stephen. 1986. Modeling Financial Time Series. New York: Wiley.

Theil, Henri. 1966. Applied Economic Forecasting. Amsterdam: North-Holland.

Theodossiou, Panayiotis. 2000. Skewed Generalized Error Distribution of Financial Assets and Option Pricing. Working Paper, School of Business, Rutgers University. Disponível em: http://papers.ssrn.com/sol3/papers.cfm? abstract_id=219679. Acesso em: 28/01/2010.

Zakoian, Jean-Michel. 1994. Threshold Heteroskedasticity Models. Journal of Economic Dynamics and Control, 15, 931–955.