46953

Leandro dos Santos Maciel
Rosangela Ballini

Revista Contabilidade & Finanças

Este artigo considera a modelagem da volatilidade baseada em variação para a identificação e previsão de modelos de volatilidade condicional baseados em retornos. Sugere-se a inclusão da medida de variação, definida como a diferença entre o preço máximo e mínimo de um ativo em um intervalo de tempo, como uma variável exógena em modelos generalizados de heterocedasticidade condicional autorregressiva (GARCH). A motivação é avaliar se a variação proporciona informações adicionais ao processo de volatilidade (variabilidade intradiária) e aprimora a previsão, quando comparada a abordagens do tipo GARCH e ao modelo de variação autorregressiva condicional (CARR). A análise empírica emprega dados dos principais índices das bolsas de valores das economias norte-americana e brasileira, ou seja, S&P 500 e Ibovespa, respectivamente, no período de janeiro de 2004 a dezembro de 2014. O desempenho é comparado em termos de precisão, modelagem e previsão do valor em risco (VaR). Os resultados fora da amostra indicam que os modelos de volatilidade baseados em variação proporcionam previsões do VaR mais precisas do que os modelos GARCH.

mercados financeiros, modelos de previsão, valor em risco (VaR), variação de preço, volatilidade

MACIEL, L. D. S.; BALLINI, R. Modelagem e Previsão do Valor em Risco com Modelos de Volatilidade Baseada em Variação: Evidências Empíricas . Revista Contabilidade & Finanças, v. 28, n. 75, p. 361-376, 2017.

Maciel, L. D. S., & Ballini, R. (2017). Modelagem e Previsão do Valor em Risco com Modelos de Volatilidade Baseada em Variação: Evidências Empíricas . Revista Contabilidade & Finanças, 28(75), 361-376.

10.1590/1808-057x201704140

https://www.spell.org.br/documentos/ver/46953/modelagem-e-previsao-do-valor-em-risco-com-modelos-de-volatilidade-baseada-em-variacao--evidencias-empiricas-/i/pt-br

Artigo

Português

Alizadeh, S.; Brandt, M.; Diebold, F. X. (2001). Range-based estimation of stochastic volatility models or exchange rate dynamics are more interesting than you think. Journal of Finance, 57, 1047-1092.

Andersen, T. G.; Bollerslev, T. (1998). Answering the skeptics: yes, standard volatility models do provide accurate forecasts. International Economic Review, 39, 885-905.

Andersen, T. G.; Bollerslev, T.; Diebold, F. X.; Labys, P. (2003). Modeling and forecasting realized volatility. Econometrica, 71(2), 579-625.

Anderson, R. I.; Chen, Y. C.; Wang, L. M. (2015). A range-based volatility approach to measuring volatility contagion in securitized real state markets. Economic Modelling, 45, 223-235.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31, 307-327.

Brandt, M.; Jones, C. (2002). Volatility forecasting with range-based EGARCH models (manuscript). Philadelphia, PA: University of Pennsylvania.

Chou, R. Y. (2005). Forecasting financial volatilities with extreme values: the conditional autoregressive range (CARR) model. Journal of Money, Credit and Banking, 37(3), 561-582.

Chou, R. Y.; Chou, H.; Liu, N. (2010). Range volatility models and their applications in finance. In C.-F. Lee, & J. Lee (Ed.), Handbook of quantitative finance and risk management. p. 1273-1281. New York: Springer.

Chou, R. Y.; Chou, H.; Liu, N. (2015). Range volatility: a review of models and empirical studies. In C.-F. Lee, & J. Lee (Ed.), Handbook of financial econometrics and statistics. p. 2029-2050). New York: Springer.

Chou, R. Y.; Liu, N.; Wu, C. (2007). Forecasting time-varying covariance with a range-based dynamic conditional correlation model. (working paper). Taipé, Taiwan: Academia Sinica.

Christoffersen, P. F. (1998). Evaluating interval forecasts. International Economic Review, 39, 841-862.

Christoffersen, P. F. (2002). Elements of financial risk management. San Diego, CA: Academic.

Diebold, F. X.; Mariano, R. S. (1995). Comparing predictive accuracy. Journal of Business & Economic Statistics, 13(3), 253-263.

Dunis, C.; Laws, J.; Sermpinis, G. (2010). Modeling commodity value-at-risk with high order neural networks. Applied Financial Economics, 20(7), 585-600.

Engle, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation. Econometrica, 50, 987-1008.

Engle, R. F. (2002). New frontiers for ARCH models. Journal of Applied Econometrics, 17, 425-446.

Gallant, R.; Hsu, C.; Tauchen, G. (1999). Calculating volatility diffusions and extracting integrated volatility. Review of Economics and Statistics, 81, 617-631.

Garman, M. B.; Klass, M. J. (1980). On the estimation of price volatility from historical data. Journal of Business, 53, 67-78.

Glosten, L. R.; Jagannathan, R.; Runkle, D. E. (1993). On the relation between the expected value and the volatility of the nominal excess return on stocks. Journal of Finance, 48(5), 1779-1801.

Hartz, C.; Mittinik, S.; Paolella, M. S. (2006). Accurate value-at-risk forecasting based on the normal-GARCH model. Computational Statistics & Data Analysis, 51(4), 2295-2312.

Kupiec, P. (1995). Techniques for verifying the accuracy of risk management models. Journal of Derivatives, 3, 73-84.

Leite, A. L.; Figueiredo Pinto, A. C.; Klotzle, M. C. (2016). Efeitos da volatilidade idiossincrática na precificação de ativos. Revista Contabilidade & Finanças, 27(70), 98-112.

Li, H.; Hong, Y. (2011). Financial volatility forecasting with range-based autoregressive model. Financial Research Letters, 8(2), 69-76.

Newey, W. K.; West, K. D. (1987). A simple, positive semi-definite heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708.

Parkinson, M. (1980). The extreme value method for estimating the variance of the rate of return. Journal of Business, 53, 61-65.

Patton, A. J. (2011). Volatility forecast comparison using imperfect volatility proxies. Journal of Econometrics, 160, 246-256.

Poon, S.; Granger, C. W. J. (2003). Forecasting volatility in financial markets: a review. Journal of Economic Literature, 41, 478-539.

Rogers, L. C. G.; Satchell, S. E. (1991). Estimating variances from high, low, opening, and closing prices. Annals of Applied Probability, 1, 504-512.

Sharma, P.; Vipul (2016). Forecasting stock market volatility using realized GARCH model: international evidence. The Quarterly Review of Economics and Finance, 59, 222-230.

Su, J.; Hung, J. (2011). Empirical analysis of jump dynamics, heavy tails and skewness on valueat-risk estimation. Economic Modeling, 28(3), 1117-1130.

Tian, S.; Hamori, S. (2015). Modeling interest rate volatility: a realized GARCH approach. Journal of Banking & Finance, 61, 158-171.

Val, F. F.; Figueiredo Pinto, A. C.; Klotzle, M. C. (2014). Volatility and return forecasting with high-frequency and GARCH models: evidence for the Brazilian market. Revista Contabilidade & Finanças, 25(65), 189-201.

Wang, S.; Watada, J. (2011). Two-stage fuzzy stochastic programming with value-at-risk criteria. Applied Soft Computing, 11(1), 1044-1056.

Yang, D.; Zhang, Q. (2000). Drift-independent volatility estimation based on high, low, open, and close prices. Journal of Business, 73, 477-491.