Instituto Nacional de Matemtica Pura e Aplicada

Risco e Seleo de Portflios com a Medida CVaR e o Modelo GO-GARCH

Srgio Alvares R. de S. Maffra Dr. Jorge P. Zubelli Orientador

Rio de Janeiro Julho de 2013

Resumo Este trabalho trata da avaliao do risco de um portflio de ativos nanceiros e tambm da seleo (ou criao) de portflios, que so duas das principais atribuies de um gestor de investimentos. Foram implementados algoritmos para o clculo de estimativas das medidas de risco, para a seleo de um portflio de risco mnimo, para o ajuste do modelo de retornos a dados histricos e para a avaliao diria do risco de um portflio. Nestes algoritmos, o risco dos ativos e portflios avaliado de forma objetiva atravs das medidas Value at Risk (VaR) e Conditional Value at Risk (CVaR). Alm disso, os retornos nanceiros so descritos pelos modelos Vector Autoregressive (VAR) e Generalized Orthogonal GARCH (GO-GARCH), que permitem representar retornos multivariados, no gaussianos e com volatilidade condicional. Os algoritmos foram testados com sries histricas de preos de fechamento de aes negociadas na BM&FBovespa, o que permitiu comprovar a adequao das ferramentas desenvolvidas. Mais especicamente, foi vericado que os modelos VAR e GO-GARCH descrevem de forma apropriada os retornos nanceiros das aes testadas, pois capturaram a dinmica dos retornos corretamente. O estimador das medidas VaR e CVaR se mostrou sensvel ao tamanho da amostra utilizada, sendo adequado nos casos em que grandes amostras esto disponveis ou quando o tamanho das mesmas pode ser controlado. A avaliao diria do risco de um portflio tambm se mostrou apropriada, pois as violaes de VaR encontradas so independentes entre si e ocorreram com a frequncia esperada. Finalmente, os portflios de risco mnimo calculados apresentam as caractersticas esperadas. Isto , o risco destes aumenta junto com o retorno esperado mnimo e tambm possvel observar o efeito benco da diversicao de um investimento.

Palavras chave: Value at Risk, Conditional Value at Risk, GO-GARCH, VAR, Seleo de Portflios, Avaliao de Risco

Sumrio
1 Sobre o Trabalho 1.1 Introduo . 1.2 Abordagem 1.3 Objetivo . . 1.4 Estrutura . . 11 11 11 12 13

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

I
2

Reviso da Teoria
Modelos para Retornos Financeiros 2.1 Denies Bsicas . . . . . . . 2.2 Modelos Selecionados . . . . . 2.3 Modelos GARCH e IGARCH . 2.3.1 Simulao . . . . . . . . 2.4 Modelo VAR . . . . . . . . . . 2.4.1 Simulao . . . . . . . . 2.4.2 Ajuste do Modelo . . . . 2.5 Modelo GO-GARCH . . . . . . 2.5.1 Simulao . . . . . . . . 2.5.2 Ajuste do Modelo . . . . 2.5.3 Estimador ICA . . . . . 2.5.4 Estimador MM2011 . . 2.5.5 Resduos Padronizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15
17 17 19 19 20 22 23 24 25 27 28 30 31 35 37 37 38 40 42 45

Portflios com Risco Mnimo 3.1 Medidas de Risco . . . . . . . . . . . . . 3.1.1 Value at Risk (VaR) . . . . . . . . 3.1.2 Conditional Value at Risk (CVaR) 3.2 Estimao do CVaR . . . . . . . . . . . . 3.3 Portflios com CVaR Mnimo . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

II
4

Aplicaes Prticas
Implementao e Teste dos Estimadores 4.1 Estimao de VaR e CVaR . . . . . . 4.2 Estimao de Modelos GO-GARCH . 4.2.1 Estratgia de Simulao . . . 4.2.2 Mtrica do Erro de Estimao . . . . 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

47
49 49 52 52 53

6 4.2.3 5

SUMRIO Testes e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 57 57 58 58 59 60 61 65 65 66 66 67 74 76 81 81 82 83 85

Seleo de Portflios 5.1 Implementao . . . . . . . . . 5.2 Resultados . . . . . . . . . . . . 5.2.1 Parmetros de Entrada . 5.2.2 Anlise de um Portflio 5.2.3 Anlise de Grcos . . . 5.3 Concluso . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

Ajuste do Modelo VAR+GO-GARCH 6.1 Implementao . . . . . . . . . . . . . . . 6.2 Resultados . . . . . . . . . . . . . . . . . . 6.2.1 Descrio do Ajuste . . . . . . . . 6.2.2 Diagnstico do Ajuste . . . . . . . 6.2.3 Anlise da Covarincia Condicional 6.3 Concluso . . . . . . . . . . . . . . . . . . Avaliao do Risco de um Portflio 7.1 Implementao . . . . . . . . 7.2 Backtesting . . . . . . . . . . 7.3 Resultados . . . . . . . . . . . 7.4 Concluso . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

III
8

Concluso e Complementos
Concluso 8.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

91
93 94 95 95 96 97 97 101 101 102

A Anlise de Componentes Independentes A.1 Denio . . . . . . . . . . . . . . . . . . . . . . . A.2 Estimao . . . . . . . . . . . . . . . . . . . . . . . A.3 Centralizao e Branqueamento . . . . . . . . . . . A.4 Funo de Contraste . . . . . . . . . . . . . . . . . A.5 Algoritmo FastICA . . . . . . . . . . . . . . . . . . A.5.1 Estimao de uma componente independente A.5.2 FastICA . . . . . . . . . . . . . . . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

B Anlise de Componentes Principais Comuns 105 B.1 Denio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 B.2 Estimao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 B.3 Adaptao do algoritmo FG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 C Dados Histricos D Diagnstico Modelos IGARCH Bibliograa 115 119 137

Lista de Tabelas
4.1 5.1 6.1 6.2 6.3 6.4 7.1 7.2 VaR e CVaR para as distribuies normal padro e t5 . . . . . . . . . . . . . . . . . Comparao do risco de portflios . . . . . . . . . . . . . . . . . . . . . . . . . . . Teste do valor esperado dos resduos xt do ajuste VAR . . . . . . . . . . . . Teste do valor esperado dos resduos padronizados zt . . . . . . . . . . . . Teste de Kolmogorov-Smirnov: distribuio de zt versus a distribuio de t Teste de estacionariedade dos fatores yit do modelo GO-GARCH ajustado . . . . . . . . . . . . . . . . . . . . . 50 59 70 70 72 73 83 84

Composio do portflio 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Avaliao das previses de VaR . . . . . . . . . . . . . . . . . . . . . . . . . . . .

C.1 Aes da BMF&FBovespa selecionadas para estudo . . . . . . . . . . . . . . . . . . 115 C.2 Matriz de correlao dos log-retornos dirios . . . . . . . . . . . . . . . . . . . . . 117 D.1 D.2 D.3 D.4 D.5 D.6 D.7 D.8 D.9 D.10 Testes para os resduos padronizados PETR4 . . . . . . . Testes para o quadrado dos resduos padronizados PETR4 . Testes para os resduos padronizados VALE5 . . . . . . . Testes para o quadrado dos resduos padronizados VALE5 Testes para os resduos padronizados USIM5 . . . . . . . Testes para o quadrado dos resduos padronizados USIM5 Testes para os resduos padronizados GGBR4 . . . . . . . Testes para o quadrado dos resduos padronizados GGBR4 Testes para os resduos padronizados CSNA3 . . . . . . . Testes para o quadrado dos resduos padronizados CSNA3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 120 123 123 126 126 129 129 132 132

LISTA DE TABELAS

Lista de Figuras
3.1 3.2 4.1 4.2 4.3 4.4 4.5 5.1 5.2 5.3 5.4 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12 7.1 7.2 7.3 7.4 7.5 VaR como um quantil da distribuio das perdas. . . . . . . . . . . . . . . . . . . . Valores de perda usado no clculo de CVaR. . . . . . . . . . . . . . . . . . . . . . . Teste de estimao para VaR e CVaR - Erro absoluto (RMSE) . . . . . Teste de estimao para VaR e CVaR - Erro relativo (RRMSE) . . . . . Densidade de probabilidade na cauda das distribuies . . . . . . . . . Parmetros usados na simulao de processos GO-GARCH . . . . . . . Erros de estimao da matriz U usando os estimadores MM2011 e ICA Composio x1 do portflio 1 . . . . . . . . . . . . . . . . . . . Comparao de VaR/CVaR: portflio 1 versus aes individuais VaR/CVaR do portflio em funo do retorno mdio . . . . . . . Composio do portflio em funo do retorno mdio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 41 50 51 52 54 55 60 60 62 63 68 69 70 71 72 74 74 75 76 77 78 79 86 87 88 89 90

Matrizes de correlao: rt , xt ,zt e seus quadrados . . . . . . . . . . Testes de autocorrelao: rt , xt , zt e seus quadrados . . . . . . . . . Teste da matriz de covarincia dos retornos padronizados zt . . . . . Q-Q Plot dos resduos padronizados do modelo VAR+GO-GARCH Matrizes do modelo GO-GARCH ajustado . . . . . . . . . . . . . . Teste dos valores esperados de yt , t e ht . . . . . . . . . . . . . . . Teste das matrizes de covarincia de yt e t . . . . . . . . . . . . . . Fatores do modelo GO-GARCH ajustado . . . . . . . . . . . . . . Volatilidades condicionais do modelo GO-GARCH . . . . . . . . . Covarincias condicionais do modelo GO-GARCH ajustado . . . . Comparao de desvios padro: GO-GARCH versus IGARCH . . . Comparao de volatilidades: GO-GARCH versus IGARCH . . . . Previses de VaR e CVaR . . . . . . . . . . . . . . . . . . . . . Previses de VaR e CVaR (suavizadas) . . . . . . . . . . . . . . Previses de VaR e CVaR, com violaes de VaR, para = 90% Previses de VaR e CVaR, com violaes de VaR, para = 95% Previses de VaR e CVaR, com violaes de VaR, para = 99% . . . . . . . . . .

C.1 Sries de preos de fechamento CMIG4 e EMBR3 antes e depois do ajuste . . . . . . 116 C.2 Mdia dos log-retornos dirios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 C.3 Boxplot dos log-retornos dirios . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

10

LISTA DE FIGURAS

Captulo 1 Sobre o Trabalho

1.1 Introduo

Este trabalho tem como tema a avaliao do risco de mercado associado a um portflio de ativos nanceiros, ou seja, a determinao do potencial das perdas futuras de um portflio devido a variaes no valor dos ativos que o compem. Aqui so tratadas duas das principais atribuies de um gestor de investimentos: avaliar o risco de um portflio existente e selecionar (ou criar) novos portflios. A avaliao do risco tem um papel fundamental na gesto de capital, pois permite a um gestor tomar aes preventivas que podem proteger o seu patrimnio. Muitas vezes, as decises que levam a essas aes partem da avaliao de cenrios aos quais so atribudas diferentes probabilidades, isto , da anlise de um modelo probabilstico criado para o valor futuro dos ativos. Assim, aqui tambm abordada a criao destes modelos, que geralmente so construdos com a utilizao de dados histricos de mercado. A seleo de um portflio consiste em determinar a frao do capital disponvel que deve ser investida em cada ativo. Esta seleo pode ser bastante complexa, dada a grande quantidade de variveis que podem ser exploradas (liquidez, risco, retorno, etc.). Desta forma, neste trabalho tratado apenas um caso: a seleo de um portflio que tenha risco mnimo em funo de uma rentabilidade mnima desejada. Para que o risco mnimo possa ser denido, preciso que este seja avaliado objetivamente, ou seja, atravs de uma medida (ou mtrica) de risco. Apenas desta forma possvel construir algoritmos que o minimizem, como feito para a seleo de portflios. Assim, este mais um dos tpicos aqui abordados.

1.2

Abordagem

Todo o desenvolvimento feito neste trabalho tem como base as ferramentas escolhidas para: (i) Medir o risco de um portflio de forma objetiva, (ii) Calcular a estimativa da medida de risco, (iii) Modelar os preos (ou retornos) futuros de um ativo. Para a avaliao objetiva do risco de um portflio foi escolhida a medida CVaR (Conditional Value at Risk), que indica o valor esperado das perdas nanceiras condicionado ao fato destas serem 11

12

CAPTULO 1. SOBRE O TRABALHO

superiores a um limiar. Este limiar, como ser mostrado no Captulo 3, corresponde ao VaR (Value at Risk), que uma medida de risco bastante difundida no mercado. A medida CVaR foi escolhida devido s suas boas propriedades. Em primeiro lugar, CVaR uma funo convexa, o que a torna apropriada para a construo de problemas de otimizao. Em segundo lugar, uma medida coerente de risco, o que a indica como apropriada para mensurar o risco de perdas nanceiras. Alm disso, o estimador para a medida CVaR, que foi apresentado em [47], pode ser adaptado para resolver o problema de seleo de portflios de risco mnimo sem grandes diculdades. Este estimador permite calcular o CVaR de um portflio a partir de uma amostra de retornos (ou perdas) dos seus ativos, o que traz uma srie de vantagens. Ao utilizar esta estratgia, por exemplo, possvel reduzir de forma signicativa o risco de modelo, ou seja, o risco causado pelo uso de um modelo matemtico inadequado; pois as estimativas de risco podem ser calculadas diretamente sobre dados histricos. Esta estratgia de estimao tambm permite calcular previses de perdas futuras com facilidade, j que estas podem ser estimadas sobre uma amostra de retornos futuros. Portflios heterogneos podem ser tratados trivialmente, desde que o retorno dos ativos que os compem estejam disponveis. Quanto ao modelo dos retornos, este foi escolhido tendo em vista a sua adequao aos fatos conhecidos sobre os retornos nanceiros que podem ser observados na prtica. Assim, foi escolhido um modelo no gaussiano, multivariado e de volatilidade condicional. Esta escolha pode ser facilmente justicada ao analisar as falhas de suas alternativas. A distribuio normal de probabilidade no uma boa escolha para modelos de retornos por no apresentar assimetria e caudas pesadas. Modelos univariados so incapazes de representar a dinmica de um conjunto de ativos. Desta forma, so inadequados para aplicaes envolvendo portflios. Alm disso, os retornos nanceiros tm sua dinmica explicada principalmente pela volatilidade, o que explica a necessidade de um modelo de volatilidade condicional. Dentre todas as opes disponveis, o modelo GO-GARCH (Generalized Orthogonal GARCH ) pareceu a mais promissora. Apesar do nome, o modelo GO-GARCH , na verdade, uma famlia de modelos, na qual cada modelo de processo estocstico m-dimensional a combinao linear de um conjunto de n fatores unidimensionais no correlacionados (ou independentes) entre si. Em geral, cada um destes fatores um processo estocstico no gaussiano e de volatilidade condicional, o que mostra a adequao do modelo GO-GARCH aos problemas aqui tratados. Entretanto, tambm necessrio adotar um modelo para a mdia dos retornos, pois os modelos GO-GARCH assumem que os mesmos tm mdia nula. Assim, devido sua simplicidade, tambm foi adotado o modelo VAR (Vector Autoregressive). Resumindo, possvel dizer que a abordagem deste trabalho consiste em calcular as previses dos retornos usando os modelos VAR e GO-GARCH e mensurar o risco atravs da medida CVaR, estimada sobre uma amostra de retornos.

1.3

Objetivo

Este trabalho tem como objetivo o desenvolvimento de algoritmos cobrindo os tpicos mencionados na Seo 1.1, ou seja, desenvolver algoritmos para: (i) O clculo de medidas de risco, (ii) A previso do valor futuro de um conjunto de ativos, (iii) A previso de perdas futuras (combinando os algoritmos dos dois itens anteriores),

1.4. ESTRUTURA (iv) A seleo de portflios de risco mnimo em funo de uma rentabilidade mnima.

13

As ferramentas matemticas selecionadas na Seo 1.2 so utilizadas no desenvolvimento destes algoritmos, buscando detalhar a justicativa terica e a implementao dos mesmos. Tambm dada nfase utilizao de implementaes prprias, em detrimento ao uso de pacotes prontos. Finalmente, uma vez denidos os algoritmos a desenvolver e as ferramentas matemticas que sero utilizadas, um conjunto de questes surge naturalmente: (i) O quo difcil a implementao dos algoritmos? (ii) O quo difcil o ajuste de um modelo GO-GARCH a dados histricos de mercado? (iii) O modelo GO-GARCH realmente um bom modelo para os retornos nanceiros? (iv) O estimador de CVaR capaz de avaliar o risco de maneira apropriada? (v) O modelo GO-GARCH pode ser usado em conjunto com o estimador de CVaR para gerenciar o risco de um portflio? (vi) Quais as propriedades dos portflios de risco mnimo baseados nos estimadores de CVaR?

1.4

Estrutura

Este trabalho foi dividido em trs partes. Na primeira delas, feita uma Reviso da Teoria, que composta dos captulos 2 e 3. No Captulo 2, so apresentados os modelos que foram utilizados para a modelagem de retornos nanceiros. Estes so os modelos GARCH, IGARCH, VAR e GO-GARCH. Em seguida, no Captulo 3, feita uma reviso sobre medidas coerentes de risco, sobre as medidas de risco VaR e CVaR, sobre seus estimadores e sobre como pode ser feita a seleo de um portflio de risco mnimo. Na segunda parte so descritas as Aplicaes Prticas desenvolvidas neste trabalho. Nesta parte so apresentados detalhes de implementao e os resultados dos testes de cada um dos algoritmos implementados. O Captulo 4 trata dos estimadores desenvolvidos para VaR e CVaR e para o ajuste de modelos GO-GARCH. O Captulo 5 apresenta o algoritmo para a seleo de portflios de risco mnimo. Em seguida, o Captulo 6 mostra como os modelos VAR e GO-GARCH so ajustados aos dados histricos. Concluindo a segunda parte do trabalho, o modelo de retornos adotado e os estimadores de VaR/CVaR so utilizados em conjunto no Captulo 7 com o objetivo de avaliar o risco associado a um portflio, ou seja, com o objetivo de calcular previses para perdas futuras. Finalmente, na terceira parte so apresentadas as concluses, no Captulo 8, e os complementos dos captulos anteriores. A anlise de componentes independentes (ICA) e a anlise de componentes principais comuns so apresentadas, respectivamente, nos apndices A e B. No Apndice C apresentada a descrio dos dados histricos utilizados e o processamento realizado sobre os mesmos. Por ltimo, no Apndice D, so apresentados os resultados dos diagnsticos de ajustes IGARCH realizados.

14

CAPTULO 1. SOBRE O TRABALHO

Parte I Reviso da Teoria

15

Captulo 2 Modelos para Retornos Financeiros

Dada a vasta literatura existente sobre a modelagem de retornos nanceiros e a quantidade de modelos experimentados neste trabalho, a apresentao feita neste captulo se limita aos principais modelos empregados. Inicialmente, na Seo 2.1, so apresentadas denies bsicas, comuns a todos os modelos. Em seguida, na Seo 2.2, so mostrados os modelos utilizados no trabalho. A Seo 2.3 trata dos modelos de volatilidade condicional GARCH e IGARCH, enquanto as sees 2.4 e 2.5 mostram, respectivamente, os modelos multivariados VAR e GO-GARCH. Alm de denir os modelos utilizados, este captulo apresenta tcnicas para simulao e ajuste dos modelos a dados reais.

2.1

Denies Bsicas

Seja {t }t 1 uma srie temporal m-variada. A srie {t }t 1 estritamente estacionria quando A = (t1 , t2 , . . . , tk ) e B = t1 + , t2 + , . . . , tk + tm a mesma distribuio conjunta, ou seja, a distribuio de A invariante em relao a deslocamentos de tempo . Como esta condio bastante restritiva, muitas vezes recorre-se estacionariedade fraca, que pode ser vericada com mais facilidade na prtica. A srie {t }t 1 fracamente estacionria quando seu vetor mdia = E [t ] e suas matrizes de covarincia k e de correlao k , so invariantes no tempo. Estes so denidos como = E [t ] , k = Cov(t , t k ) = E (t )(t k ) , e k = Corr(t , t k ) = D /2 k D /2 ,
1 1

(2.1.1) (2.1.2) (2.1.3)

2 onde k Z e D = diag(2 1 , . . . , m ) a matriz diagonal cujos elementos correspondem s varincias das componentes de t . Geralmente, k e k no so matrizes simtricas. Na verdade, so vlidas as relaes

k = k e k = k .

(2.1.4)

(2.1.5)

Quando a distribuio de t desconhecida, , k e k podem ser estimados, a partir de uma 17

18

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

amostra A = {1 , . . . , T }, pelos estimadores = 1 T

T i=1

1 T

T i=1

i ,

(2.1.6)

k = e

(i )(ik ) ,
1 1

(2.1.7)

k = D /2 k D /2 ,

(2.1.8)

T 2 2 2 1 onde temos k Z e D = diag(2 1 , . . . , m ). Com j = /T i=1 ( j,i j ) sendo a varincia amostral da srie formada pela j-sima componente dos elementos da amostra A. Os estimadores acima (e suas verses univariadas) so fundamentais na anlise de sries temporais, pois podem ser utilizados tanto na construo de estratgias para o ajuste de sries a um determinado conjunto de dados, quanto na construo de diagnsticos de modelos ajustados. Neste trabalho so utilizados dois testes estatsticos baseados nos estimadores acima: o teste de Ljung-Box [37] e sua generalizao para m dimenses, o teste de Hosking [27]. Ambos os testes, denidos a seguir, testam a existncia de correlao serial nos primeiros n lags de uma srie temporal.

Denio 1. Teste de Ljung-Box H0 : i = 0 para todo i {1, . . . , n} Ha : i = 0 para algum i {1, . . . , n} Estatstica: Q(n) 2 n Regra: H0 rejeitada em favor de Ha quando Q(n) > 2 n () Denio 2. Teste de Hosking H0 : i = 0 para todo i {1, . . . , n} Ha : i = 0 para algum i {1, . . . , n} Estatstica: Qm (n) 2 m2 n Regra: H0 rejeitada em favor de Ha quando Qm (n) > 2 () m2 n Nas Denies 1 e 2, 2 q () representa o quantil de nvel da distribuio chi-quadrada com q graus de liberdade. Alm disso, as estatsticas Q(n) e Qm (n) so dadas por Q(n) = T (T + 2) e
n

2 l l =1 T l
n

(2.1.9)

Qm (n) = T 2

1 1 1 tr l . 0 l 0 T l l =1

(2.1.10)

Estes testes tambm podem ser utilizados como diagnstico do ajuste de um modelo ARMA( p,q). Para este m, os testes so aplicados srie dos resduos e os grau de liberdade de Q(n) e Qm (n) 2 so ajustados de forma que Q(n) 2 n pq e Qm (n) m2 (n pq) . Quando a hiptese nula H0 no rejeitada, os testes indicam que os ajustes so apropriados.

2.2. MODELOS SELECIONADOS

19

2.2

Modelos Selecionados

Seja {rt }t 1 uma srie temporal m-variada que representa os retornos dirios para m ativos nanceiros e que pode ser decomposto em duas outras sries: {t }t 1 e {xt }t 1 , correspondentes mdia e volatilidade de {rt }t 1 , ou seja, rt = t + xt , t 1. (2.2.1) No caso do modelo multivariado adotado, temos t como um modelo VAR (Vector Autoregressive) e xt como um modelo GO-GARCH (Generalized Orthogonal GARCH ), o que explica a denominao VAR+GO-GARCH. Veja [24, 50, 26, 51, 7, 42]. Com o objetivo principal de permitir a avaliao dos resultados obtidos para o modelo multivariado, foram testados diversos modelos univariados para t e xt , totalizando um nmero de combinaes superior a 800. Para t foram adotados os modelos ARMA e para xt os modelos GARCH, IGARCH, EGARCH, GJR-GARCH, APARCH, FGARCH (com seus diversos submodelos) e CSGARCH, ou seja, foram testados todos os modelos para volatilidade disponveis no pacote rugarch [23]. Para uma descrio destes modelos, veja [50] e [23]. Dentre todos os modelos univariados testados, o modelo IGARCH(1,1) foi escolhido por dois motivos. Em primeiro lugar, apresentou um excelente desempenho sob o critrio BIC (Critrio de Informao Bayesiano, veja [49, 50]). Alm disso, o modelo adotado pela bem conhecida metodologia RiskMetricsTM . Veja [46, 50].

2.3

Modelos GARCH e IGARCH

Nesta seo feita uma breve reviso do bem conhecido modelo GARCH e de um caso particular, o modelo IGARCH. Como o foco deste trabalho so os modelos multivariados, apenas as principais caractersticas desses modelos so apresentadas. Assim, tambm so omitidos os mtodos para ajustes a dados reais. Para uma melhor referncia sobre os mesmos, veja [50, 54]. O modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity) um modelo para a volatilidade condicional dos retornos rt . Assim, considerando a Equao (2.2.1), um modelo para a srie {xt }t 1 , cujos valores so dados por xt = t t , onde a volatilidade condicional t dada pela equao
m i=1 s

(2.3.1)

t2 = 0 + i xt2i + j t2 j
j=1

(2.3.2)

e {t }t 1 um sequncia de variveis aleatrias iid com E [t ] = 0 e Var (t ) = 1. Considere a sequncia martingal de diferenas {t }t 1 (veja a Denio 3), dada por t = xt2 t2 . (2.3.3)

Tomando t2 = xt2 t e substituindo o valor de t na Equao 2.3.2, possvel caracterizar um processo GARCH(m,s) como um processo ARMA(m,s) para a srie xt2 t 1 , ou seja,
max(m,s) s

xt2 = 0 +

i=1

(i + i ) xt2i + t + j t j .
j=1

(2.3.4)

20

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

Denio 3. Sequncia Martingal de Diferenas Uma sequncia martingal de diferenas um sequncia {Xt }t =1 de variveis aleatrias tal que E [Xt ] = 0 e E [Xt |Ft 1 ] = 0 para todo t. A Equao (2.3.4) tambm pode ser escrita utilizando o operador de lag L, o que leva expresso 1 1 L 2 L2 k Lk xt2 = 0 + 1 + 1 L + 2 L2 + + s Ls t , onde i = i + i e k = max (m, s). Ou, de forma mais compacta, possvel escrever (L) xt2 = 0 + B (L) t , (2.3.6) (2.3.5)

onde (L) e B (L) so polinmios em L que recebem, respectivamente, os nomes de polinmio AR e polinmio MA. O modelo IGARCH (ou Integrated GARCH ) pode ser visto como um caso especial do modelo GARCH, caracterizado pela presena de razes unitrias no polinmio (L), ou seja, quando (L) tem a unidade como uma de suas razes, tem-se em mos um modelo IGARCH. Entretanto, existe uma diferena signicativa entre os dois modelos, j que no modelo IGARCH a varincia no condicional Var (xt ) no est bem denida. Como Var (xt ) = 0 , (1) (2.3.7)

a mesma bem denida quando (1) = 0. No caso do modelo IGARCH, (1) = 0, pois a unidade uma das razes do polinmio (L). Os modelos GARCH(1,1) e IGARCH(1,1) so de particular interesse. O primeiro destes utilizado na modelagem dos fatores que controlam a dinmica dos modelos GO-GARCH e o segundo apresentou os melhores resultados nos testes aqui realizados, como descrito na Seo 2.2. Assim, aplicando a Equao (2.3.2), a volatilidade condicional do modelo GARCH(1,1) dada por t = 0 + 1 xt21 + 1 t21 (2.3.8) e, como (1) = 0 1 = 1 1 , a do modelo IGARCH(1,1) por t = 0 + (1 1 ) xt21 + 1 t21 . (2.3.10) (2.3.9)

2.3.1

Simulao

A simulao de uma srie temporal entre os perodos t e t + h de acordo com o modelo GARCH(1,1) pode ser feita de forma iterativa. Os valores da volatilidade e do retorno para o tempo t + 1 so calculados pela aplicao direta das Equaes (2.3.8) e (2.3.1). Incorporando estes novos valores srie temporal existente no tempo t , possvel calcular os valores para t + 2 e, procedendo da mesma forma, para todos os tempos at o tempo t + h. O mesmo processo pode ser usado tambm para o modelo IGARCH(1,1).

2.3. MODELOS GARCH E IGARCH Como exemplo, considere as Equaes (2.3.11) a (2.3.16). t2+1 |Ft = 0 + 1 xt2 + 1 t2 , t2+2 |Ft = 0 + 1 {xt +1 |Ft } + 1 t2+1 |Ft , . . . t2+h |Ft = 0 + 1 {xt +h1 |Ft }2 + 1 t2+h1 |Ft .
2

21

(2.3.11) (2.3.12)

(2.3.13)

xt +1 |Ft = t +1 xt +2 |Ft = t +2 . . . xt +h |Ft = t +h

t2+1 |Ft , t2+2 |Ft ,

(2.3.14) (2.3.15)

t2+h |Ft .

(2.3.16)

A cada passo, os valores da srie {t }t 1 tambm devem ser gerados para calcular os retornos xt . Sendo esta uma sequncia iid de variveis aleatrias com distribuio conhecida, os valores da sequncia so dados por realizaes independentes de uma varivel aleatria com a mesma distribuio. Considere agora o valor da volatilidade no tempo t + h. Tomando xt = t t na Equao (2.3.8) possvel descrever a volatilidade t +h apenas em funo das volatilidades passadas, ou seja, t2+h = 0 + 1 xt2+h1 + 1 t2+h1
2 = 0 + 1 t2+h1 2 y+h1 + 1 t +h1

(2.3.17)

= 0 + (1 + 1 ) t2+h1 + t2+h1 1 1 t2+h1 . Desta forma, a previso da volatilidade t2 (h) para o tempo t + h, com base na informao disponvel at o tempo t , dada por t2 (h) = E t2+h Ft = 0 + (1 + 1 ) E t2+h1 Ft + 1 E t2+h1 1 t2+h1 Ft = 0 + (1 + 1 ) E t2+h1 Ft + 1 E t2+h1 1 E t2+h1 Ft = 0 + (1 + 1 ) E t2+h1 (2.3.18)

Ft + 0

= 0 + (1 + 1 ) t2 (h 1) , j que E t2+h1 1 = 0 e t +h1 independente de t +h1 . A Equao (2.3.18) tambm pode ser aplicada no caso do modelo IGARCH(1,1). Como neste modelo 1 + 1 = 1, aps repetidas substituies, obtm-se que t2 (h) = (h 1) 0 + t2 (1) . (2.3.19)

22

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

2.4

Modelo VAR

Considere a srie temporal {t }t 1 , m-variada, correspondente mdia dos retornos de m ativos nanceiros. {t }t 1 segue um modelo VAR( p) quando
p

t = 0 + at + i t i ,
i=1

(2.4.1)

onde 0 um vetor de dimenso m, k so matrizes m m e {at }t 1 uma sequncia de vetores aleatrios que no apresenta correlaes seriais. Alm disso, E [at ] = 0 e E [at at ] = , onde uma matriz m m positiva denida. comum assumir que at segue uma distribuio normal multivariada, ou seja, at N (0, ). Considerando que a srie {t }t 1 fracamente estacionria, vale que E [t i ] = para Rm e i Z. Assim, 0 pode ser expresso em funo de e a Equao (2.4.1) reescrita utilizando as variaes da srie em torno de sua mdia, ou seja,
p i=1 p i=1 p

= E [t ] = 0 + i E [t i ] = 0 + i 0 = Substituindo o valor de 0 na Equao (2.4.1), obtm-se

p

Im i .
i=1

(2.4.2)

(t ) = at + i (t i ) .
i=1

(2.4.3)

Finalmente, com a mudana de varivel vt = t , a Equao (2.4.1) pode ser reescrita sem 0 (como na Equao (2.4.4)), o que facilita a prova de algumas propriedades do modelo.
p

vt = at + i vt i
i=1

(2.4.4)

So vlidas as seguintes propriedades relativas a at e vt (i) Cov(vt , vt k ) = k = i=1 i ki , (ii) Corr(vt , vt k ) = k = i=1 i ki , (iii) Cov(vt , at ) = , (iv) Cov(vt , at i ) = 0, onde i = D1/2 i D1/2 e a matriz D denida como na Equao (2.1.3). A propriedade (i), comprovada na Equao (2.4.5), recorrendo estacionariedade de {vt }t 1 (E [vt k = 0] para todo k) e linearidade da esperana. Isto ,
p p i=1 p p p

k = E vt vt k = E

at + i vt i vt k = 0 + i E vt i vt k = i ki .
i=1 i=1

(2.4.5)

Atravs da propriedade (i) e do fato I = D1/2 D1/2 , a propriedade (ii) facilmente vericada, como

2.4. MODELO VAR mostrado na Equao (2.4.6) k = D /2 k D /2

1 1

23

= D /2
1

i=1 p
1

iki
1

D /2
1 1 1

= D /2 i D /2 D /2 ki D /2
i=1 p i=1 p i=1

(2.4.6)

= D /2 i D /2
1 1

D /2 ki D /2
1 1

= i ki . Conforme demonstrado em [24], vt pode descrito em funo dos valores de at (como na Equao (2.4.7)), o que permite a demonstrao de (iii) e (iv). vt = (1 )i at i
i=0

(2.4.7)

Utilizando a Equao (2.4.7), a linearidade da esperana e a ausncia de correlaes seriais em {at }t 1 , como feito nas Equaes (2.4.8) e (2.4.9), so comprovadas as propriedades (iii) e (iv), pois a ausncia de correlaes seriais implica que E at k at j = 0 apenas quando j = k.

Cov(vt , at ) = E vt at = E

i=0

(1) at i

at = E

i=0

(1)i

at i at

= E at at =

(2.4.8)

Cov(vt , at k ) = E vt k at = E

i=0

(1)i at i at = E

i=0

(1)i

at ki at

=0

(2.4.9)

2.4.1

Simulao

A simulao de sries temporais segundo o modelo VAR(p) pode ser realizada atravs da aplicao direta da equao que o dene. Considere a srie temporal vt , denida na Equao (2.4.4), e a ltrao gerada pela mesma, {Ft }t 0 . Utilizando a equao do modelo, podemos calcular vt +1 |Ft , que corresponde a uma varivel aleatria Ft -mensurvel com distribuio normal.
p

vt +1 |Ft = at +1 + i vt +1i
i=1

(2.4.10)

24

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS Da mesma forma, podem ser simulados valores de {vt }t 1 para os tempos t + 2, . . . , t + h
p

vt +2 |Ft = at +2 + 1 {vt +1 |Ft } + i vt +2i ,

i=2 p

(2.4.11) (2.4.12)

vt +3 |Ft = at +3 + 1 {vt +1 |Ft } + 2 {vt +2 |Ft } + i vt +3i ,

i=3

. . .
n p i=n+1

vt +h |Ft = at +h + i {vt +hi |Ft } +

i=1

i vt +hi ,

(2.4.13)

onde n = min (h 1, p) corresponde ao nmero de termos resultantes de simulao que so utilizados no clculo de vt +h |Ft . Conforme mostrado em [24, 50], segundo o critrio de erro quadrtico mnimo, a esperana E [vt +h |Ft ] a melhor previso para o valor de vt +h com base na informao disponvel at o tempo t . Seja vt (h) = E [vt +h |Ft ]. Como ocorre na simulao de valores de vt +h , as previses vt (h) sero uma combinao de valores conhecidos e calculados, que podem ser calculados iterativamente com base na equao do modelo VAR(p). Assim,
p

vt (1) = E [vt +1 |Ft ] = i vt +1i ,

i=1 p

(2.4.14) (2.4.15) (2.4.16)

vt (2) = E [vt +2 |Ft ] = 1 vt (1) + i vt +2i ,

i=2 p

vt (3) = E [vt +3 |Ft ] = 1 vt (2) + 2 vt (1) + i vt +3i ,

i=3

. . .
n p i=n+1

vt (h) = E [vt +h |Ft ] = i vt (h i) +

i=1

i vt +hi .

(2.4.17)

Finalmente, voltando Equao (2.4.10), pode-se reparar que o somatrio na equao corresponde ao valor de vt (1). Assim, vt +1 |Ft N (vt (1) , ), pois at +1 N (0, ) e vt (1) R. Logo, simular valores para vt +1 consiste simplesmente em gerar amostras da distribuio de vt +1 |Ft . O mesmo argumento valido para vt +h com h 1, como pode ser comprovado por uma simples inspeo das Equaes (2.4.13) e (2.4.17).

2.4.2

Ajuste do Modelo

Como demonstrado em [24], os estimadores de mxima verossimilhana (MLE) dos parmetros de {t }t 1 (0 , 1 , . . . , p e ) podem ser calculados atravs da resoluo de m problemas de regresso linear mltipla ou OLS (Ordinary Least Squares, veja [26]). Assim, considere um conjunto A = v p+1 , v p+2 , . . . , v0 , . . . , v1 , v2 , vT que contenha n = T + p observaes de vt . Alm disso, sejam B e wt , respectivamente, a matriz com todos os parmetros de {vt }t 1 e o vetor que contm, no tempo t , as p ltimas observaes de vt , ou seja, B = [0 1 2 . . . p ] (2.4.18)

2.5. MODELO GO-GARCH e wt = 1 vt 1 vt 2 . . . vt p .

25

(2.4.19)

Tomando i = Bi , onde Bi a i-sima linha da matriz B, a Equao (2.4.1) pode ser escrita como um conjunto de m equaes, correspondentes aos m problemas de OLS mencionados acima, ou seja, vit = ait + wt i , i = 1, . . . , m. (2.4.20)

Desta forma, aps calcular os estimadores OLS de i , denominados bi (ver Equao (2.4.22)), o estimador da matriz B pode ser obtido ao concatenar os diversos bi calculados. Assim, 0 1 2 . . . p = [b1 b2 . . . bm ] , B= onde bi dado por
T 1

(2.4.21)

T i=1

bi =

i=1

wt wt

wt vt ,i

(2.4.22)

Uma vez calculados os estimadores OLS em B, possvel calcular o estimador MLE com base no resduo a t das regresses lineares. Sendo estes dados por a t = vt Bwt e 1 T = a t a . T t =1 t (2.4.23)

(2.4.24)

Como alternativa, os parmetros de um modelo VAR(p) tambm podem ser estimados atravs da funo de mxima verossimilhana do modelo. A busca do conjunto de parmetros que maximiza a verossimilhana pode ser realizada, por exemplo, com o mtodo de Newton ou com mtodos quasiNewton como o BFGS (veja [6] para maiores detalhes). Uma outra alternativa, ainda baseada na maximizao da funo de verossimilhana, consiste em escrever o modelo VAR(p) como um modelo no espao de estados (ou state space model) [43, 24, 50] e utilizar o Filtro de Kalman para a avaliao da verossimilhana. Aliado ao mtodo de Newton ou BFGS, esta abordagem bastante conveniente devido disponibilidade de pacotes numricos para sua implementao.

2.5

Modelo GO-GARCH

Seja {xt }t 1 o processo estocstico de dimenso m correspondente equao de volatilidade do modelo de retornos (Equao (2.2.1)) e {Ft }t 0 a ltrao gerada por ele. Segundo o modelo GO-GARCH, os retornos podem ser calculados como uma transformao linear no singular de {yt }t 1 , um processo vetorial no observvel, ou seja, para Z uma matriz m m no singular, xt = Zyt . (2.5.1) Quanto ao processo {yt }t 1 , o modelo assume o seguinte conjunto de hipteses Hiptese 1. O processo estocstico {yt }t 1 satisfaz: (i) estritamente estacionrio e ergdico,

26 (ii) Tem curtose nita,

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

(iii) Suas coordenadas (ou fatores) so condicionalmente no correlacionadas, tm esperana condicional nula e varincia condicional hit positiva e com esperana unitria (ver [15]), ou seja, E [yt |Ft 1 ] = 0, E [hit ] = 1, hit 0 e Cov yit , y jt Ft 1 = hit , i = j . 0, i = j (2.5.4) (2.5.2) (2.5.3)

Na primeira denio do modelo GO-GARCH [51], seus autores assumiram a hiptese de independncia entre as coordenadas de yt . Depois, como feito em [15], foi adotada a hiptese menos restritiva de componentes condicionalmente no correlacionadas. O modelo GO-GARCH tambm dene a estrutura de {yt }t 1 , yt = Ht t , onde a matriz Ht , dada por Ht = diag (h1t , . . . , hmt ) , (2.5.6) a matriz de covarincia condicional do modelo e {t }t 1 uma sequncia vetorial martingal de diferenas (ver Denio 4 e [24]) satisfazendo E [t |Ft 1 ] = 0 e Var (t |Ft 1 ) = 1. Alm disso, as coordenadas de {t }t 1 formam sequncias de variveis aleatrias iid (independentes e identicamente distribudas). Denio 4. Sequncia Vetorial Martingal de Diferenas Uma sequncia martingal de diferenas um sequncia {Xt }t =1 de vetores aleatrios m 1 que satisfaz para todo t: E [Xt ] = 0, (2.5.7) e E [Xt |Ft 1 ] = 0. (2.5.8)
1/2

(2.5.5)

O modelo assume tambm que as varincias condicionais hit seguem modelos univariados do tipo GARCH (como os citados na Seo 2.2). Em [51] adotado o modelo GARCH(1,1) para a dinmica dos fatores. J em [8], utilizado o modelo APARCH. Na realidade, o modelo GO-GARCH permite que diferentes modelos univariados sejam utilizados para os fatores que compem yt . possvel, por exemplo, utilizar ao mesmo tempo o modelo GARCH(1,1) para alguns fatores e o modelo APARCH para outros. Sob certas condies, denidas em [42], possvel recorrer a modelos de volatilidade estocstica (ver [22]). Como em [51], neste trabalho adotado o modelo GARCH(1,1) para hit , ou seja, hit = (1 i i ) + i y2 i,t 1 + i hi,t 1 , (2.5.9)

com i , i 0 e i + i < 1. Na Seo 2.3 so apresentadas maiores informaes sobre o modelo GARCH(1,1). As hipteses de estacionariedade estrita e curtose nita adotadas para {yt }t 1 implicam em sua estacionariedade fraca. Consequentemente, {xt }t 1 tambm fracamente estacionria, pois como

2.5. MODELO GO-GARCH

27

demonstram as Equaes (2.5.10) e (2.5.11), se E [yt ] e Cov(yt , yt l ) so invariantes no tempo, o mesmo valer para {xt }t 1 , pois Z uma matriz constante. E [xt ] = E [Zyt ] = Z E [yt ] = 0 Cov(xt , xt l ) = E Zyt yt l Z = Z E yt yt l Z = ZCov(yt , yt l )Z (2.5.10) (2.5.11)

Sejam t e as varincias condicionais e no condicionais de {xt }t 1 . Ambas podem ser calculadas a partir da Equao (2.5.1), como feito nas Equaes (2.5.12) e (2.5.13). t = Cov (xt |Ft 1 ) = E xt xt Ft 1 = E Zyt yt Z Ft 1 = Z E yt yt Ft 1 Z = ZHt Z = Cov (xt ) = E [Cov (xt |Ft 1 )] = E ZHt Z = Z E [Ht ] Z = ZZ (2.5.13) (2.5.12)

Finalmente, considerando a distribuio condicional de xt , pode-se escrever para uma distribuio D com mdia zero e matriz de covarincia t : xt |Ft 1 D (0, t ). Quando as componentes de yt tm distribuio normal, xt |Ft 1 ter distribuio normal multivariada, ou seja, xt |Ft 1 N (0, t ) . (2.5.14)

2.5.1

Simulao

No caso simples ilustrado pela Equao (2.5.14), a simulao de valores para xt +1 com base na informao disponvel at o tempo t realizada atravs da amostragem do vetor aleatrio xt +1 |Ft , que tem distribuio normal multivariada com mdia zero e matriz de covarincia t +1 . Vale ressaltar que t +1 determinstica, pois Ht +1 Ft -mensurvel, ou seja, toda a informao necessria para seu clculo conhecida no tempo t . Outra alternativa, com base na equao xt = Zyt , consiste em realizar a simulao dos fatores yt e ento combin-los atravs da multiplicao pela matriz Z. Sendo Ht uma matriz diagonal, a i -sima coordenada de yt pode ser escrita como o produto do termo aleatrio it pelo fator de escala hit , que determina a varincia condicional a cada instante, ou seja, yit = it hit . (2.5.15) Desta forma, possvel simular os valores de yi,t +h aplicando a Equao (2.5.15) de forma iterativa. A repetio deste procedimento para i = 1, . . . , m permite a obteno dos valores de yt e depois o clculo de xt . Assim, adotando o modelo GARCH(1,1), as volatilidades condicionais de cada fator

28

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

entre os tempos t + 1 e t + h so dadas por hi,t +1 |Ft = (1 i i ) + i y2 it + i hit , hi,t +2 |Ft = (1 i i ) + i {yi,t +1 |Ft } + i {hi,t +1 |Ft } , . . . hi,t +h |Ft = (1 i i ) + i yi,t +h1 |Ft
2 2

(2.5.16) (2.5.17)

+ i hi,t +h1 |Ft .

(2.5.18)

Logo, no mesmo perodo, a i-sima coordenada de yt assume os valores yi,t +1 |Ft = i,t +1 yi,t +2 |Ft = i,t +2 . . . yi,t +h |Ft = i,t +h hi,t +h |Ft . (2.5.21) hi,t +1 |Ft , hi,t +2 |Ft , (2.5.19) (2.5.20)

Como apresentado na Seo 2.5, as coordenadas de {t }t 1 formam sequncias de variveis aleatrias iid. Entretanto, a independncia existente entre os valores destas sequncias no implica na independncia das coordenadas de yt , pois a dependncia entre estas pode estar presente no modelo adotado para as varincias condicionais hit . Isto ocorre, por exemplo, na extenso do modelo GARCH(1,1) que adotada em [15]. A independncia em {t }t 1 , porm, implica na ausncia de correlao entre os fatores. Como as Equaes (2.5.22) e (2.5.23) demonstram. Cov (yt |Ft 1 ) = E yt yt Ft 1 = E Ht t t Ht
1/2 1/2 1/2 1/2 1/2

Ft 1
1/2

= Ht E t t Ft 1 Ht = Ht Im Ht = Ht Cov(yt ) = E E yt yt Ft 1

(2.5.22)

= E [Ht ] = Im

(2.5.23)

Como feito para os modelos VAR(p) na Seo 2.4, a esperana E [xt +h |Ft ] adotada como a previso para o retorno segundo o modelo GO-GARCH. Em seu clculo, devido a no existncia de uma frmula fechada para a distribuio de xt +h |Ft , ser necessrio recorrer integraes de Monte Carlo [48]. Desta forma, dado um conjunto A com N amostras de xt +h |Ft , a previso de xt +h dada por 1 N Ak , (2.5.24) xt (h) = Z E [yt +h |Ft ] = Z N k =1 onde Ak a k-sima amostra de xt +h |Ft .

2.5.2

Ajuste do Modelo

Diversos mtodos j foram publicados para o ajuste de modelos GO-GARCH. Os primeiros mtodos, baseados na maximizao de funes de verossimilhana (ver [51, 7, 15]) sofrem dos problemas

2.5. MODELO GO-GARCH

29

comuns a problemas de otimizao com muitas variveis, como a no convergncia de mtodos numricos ou a existncia de mnimos locais, conforme descrito em [42]. Entretanto, mtodos mais recentes foram apresentados para lidar com estas diculdades (ver [8, 42, 53]). Entre estes, dois foram escolhidos para estudo: o mtodo de momentos publicado em [42] e o mtodo baseado na anlise de componentes independentes, ou ICA para Independent Component Analysis, publicado em [8]. O primeiro mtodo, aqui chamado MM2011, foi escolhido devido sua robustez numrica e o segundo por apresentar os melhores resultados nos testes de estimao realizados em [53]. Alm disso, em termos de implementao, os dois so bastante semelhantes. Estimao em trs etapas O ajuste de um modelo GO-GARCH consiste em estimar Z e os parmetros dos m modelos univariados de volatilidade que determinam as componentes de yt . Ambos os mtodos selecionados realizam este ajuste em trs etapas. Destas, as duas primeiras se referem ao clculo de Z e a ltima ao ajuste dos m modelos univariados. O ajuste de Z tem como base sua decomposio polar, atravs da qual Z descrita como o produto de uma matriz positiva denida simtrica S e de uma matriz ortogonal U , ou seja, Z = SU . Assim, o ajuste de um modelo GO-GARCH ocorre em trs etapas: 1. Estimar S (usando a covarincia no condicional de xt ) 2. Estimar U (usando o mtodo MM2011 ou ICA) 3. Estimar os parmetros dos modelos de volatilidade univariados A matriz S pode ser calculada a partir de , a varincia no condicional de xt , pois = ZZ = (SU ) (SU ) = SUU S = SS = S2 . Assim, recorrendo decomposio espectral de , S pode ser calculada facilmente, j que = PLP S = PL /2 P .
1

(2.5.25)

(2.5.26)

(2.5.27)

Explorando a relao entre S e , S pode ser calculada a partir da matriz de covarincia amostral , que um estimador de calculado com base em uma amostra A = {x1 , . . . , xN }, como mostra a Equao (2.5.28). 1 N (2.5.28) = xt xt N t =1 Para completar o ajuste de Z , ainda necessrio estimar U . Esta, entretanto, no pode ser estimada atravs da varincia de xt , j que a Equao (2.5.26) vlida mesmo quando U substituda por outras matrizes ortogonais. Considerando que o estimador U para U seja conhecido (a estimao de U ser vista nas sesses a seguir), a matriz Z pode ser nalmente estimada: Z = SU (2.5.29)

De acordo com as hipteses do modelo, Z no singular. Assim, possvel calcular sua inversa e, em seguida, calcular as estimativas para os fatores no observveis yt que controlam a dinmica da

30 srie de retornos {st }t 1 , ou seja,

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

y t = Z 1 xt .

(2.5.30)

Finalmente, passa-se terceira etapa do mtodo de estimao, que consiste em estimar os m processos univariados de volatilidade do modelo GO-GARCH. Este tpico, porm, no abordado neste trabalho. Veja [24, 50, 54, 23] para um excelente tratamento sobre modelos de volatilidade. Nas prximas duas sesses, os dois mtodos utilizados para a estimao de U so apresentados. Como mencionado anteriormente, esta estimao a nica diferena existente entre os mtodos MM2011 e ICA.

2.5.3

Estimador ICA

Considere a srie temporal {st }t 1 dos retornos padronizados, cujos elementos so dados por st = /2 xt = S1 xt .
1

(2.5.31)

Como feito em [8], a matriz ortogonal U do modelo GO-GARCH pode ser estimada aplicando a Anlise de Componentes Independentes (ou ICA) sobre a srie dos retornos padronizados. Assim, considere um vetor aleatrio u, m-dimensional. A ICA um mtodo estatstico que permite descrever u como a combinao linear de um conjunto de fatores com varincia unitria que so o mais independentes possvel de acordo com alguma mtrica. Assim, considerando que os fatores estejam agrupados em um vetor f com Cov ( f ) = Im , a ICA determina a matriz B tal que u = Bf. (2.5.32)

Voltando denio do modelo GO-GARCH (Equao (2.5.1)), fcil ver que st tambm pode ser descrito como uma combinao linear dos fatores yt , j que st = S1 xt = S1 (SU ) yt = Uyt . (2.5.33)

Desta forma, considerando que as amostras disponveis de st so na verdade realizaes de um nico vetor aleatrio, possvel estimar a matriz U atravs da ICA, j que tanto o modelo GOGARCH quanto o modelo da ICA consideram que seus fatores tm varincia unitria e so no correlacionados, ou seja, Cov( f ) = Cov(yt ) = Im . Ao estimar a matriz U por este mtodo, a estrutura temporal da srie de retornos ignorada. O mesmo, entretanto, no ocorre na estimao de U realizada pelo estimador MM2011, como pode ser visto na Seo 2.5.4. Implementao do Estimador ICA A implementao do estimador para U usando ICA no apresenta desaos, pois a implementao da ICA simples (veja o Apndice A) e, geralmente, j disponvel em vrios pacotes. O Algoritmo 1 apresenta o pseudocdigo de uma funo que implementa o estimador ICA para as matrizes do modelo GO-GARCH. A entrada da funo GOGARCH_ICA consiste na matriz Xt , cujas colunas Xt ,i correspondem s observaes do processo xt feitas entre o tempo t = 1 e t = T . Desta forma, Xt uma matriz de tamanho m T . Em primeiro lugar, a funo calcula o estimador para a matriz S (linhas 2 a 5) atravs da decomposio espectral da matriz de covarincia amostral, . Em seguida, so calculados os retornos

2.5. MODELO GO-GARCH

31

padronizados como na Equao (2.5.31) (linha 6). Por ltimo, ento, so calculadas as estimativas para a matriz U e para a srie {yt }t 1 (linhas 7 e 8). O clculo da estimativa para U no Algoritmo 1 realizado atravs da funo FastICA, como em [8]. Este mtodo realiza a ICA atravs de um processo iterativo, utilizando a entropia negativa como medida de independncia dos fatores yt . No Apndice A pode ser encontrada uma descrio do modelo ICA e do algoritmo FastICA, incluindo as justicativas tericas e detalhes de implementao para o mesmo. Algorithm 1 Algoritmo para estimar as matrizes do modelo GO-GARCH usando ICA 1: procedure GOGARCH_ICA(Xt ) T 2: := 1 n i=1 Xt ,i Xt ,i 3: P := autovetores() 4: L := autovalores() 5: S := PL1/2 P 6: st := PL1/2 P Xt 7: U := FastICA(st , m) 8: yt := U st 9: return S, U , yt 10: end procedure

2.5.4

Estimador MM2011

Considere novamente as sries {st }t 1 dos retornos padronizados e {yt }t 1 dos fatores no observveis do modelo GO-GARCH. O mtodo MM2011 realiza a estimao de U explorando a estrutura de autocorrelao dos processos matriciais {St }t 1 e {Yt }t 1 , denidos a partir de st e yt por St = st st Im e Yt = yt yt Im . (2.5.35) J que Cov(yt ) = Im (pela Hiptese 1) e U ortogonal, ambos os processos matriciais tm mdia zero como mostram as Equaes (2.5.36) e (2.5.37). E [Yt ] = E yt yt Im = E yt yt Im = 0 E [St ] = E st st Im = E Uyt yt U Im = U E yt yt U Im = 0 m2 m2 (2.5.36) (2.5.37) (2.5.34)

A rigor, o estudo das autocovarincias entre Yt e Yt k deveria ser feito com base na matriz de elementos denida por Cov (Yt , Yt k ) = E vec (Yt ) vec (Yt k ) . (2.5.38)

Entretanto, devido ao grande nmero de variveis envolvido, as autocovarincias so modeladas como a matriz k (y), de tamanho m m, denida por k (y) = E [Yt Yt k ] . (2.5.39)

32

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

As autocorrelaes entre Yt e Yt k , k (y) podem ser denidas em funo de suas autocovarincias, ou seja, 1 1 k (y) = 0 (y) /2 k (y) 0 (y) /2 . (2.5.40) Alm disso, como St = UYt U , j que St = st st Im = Uyt yt U UU = UYt U , (2.5.41)

as autocovarincias e autocorrelaes da srie de retornos padronizados tambm podem ser denidas em funo de k (y) e k (y), como mostram as Equaes (2.5.42) e (2.5.43). k (s) = E [St St k ] = E UYt U UYt kU = U E [Yt Yt k ] U = U k (y) U k (s) = 0 (s) /2 k (s) 0 (s) /2
1 1

(2.5.42)

= U 0 (y) /2 U
1 1

U k (y) U
1

U 0 (y) /2 U
1

(2.5.43)

= U 0 (y) /2 k (y) 0 (y) /2 U = U k (y) U As matrizes k (s) e k (s) so de fundamental importncia, pois fornecem as relaes necessrias para estimar U , j que estas podem ser estimadas a partir dos retornos padronizados, que so observveis. Uma hiptese adicional, entretanto, feita: Hiptese 2. O processo estocstico {yt }t 1 satisfaz:
1im 1k p 2 min max |Cor y2 it , yi,t k | > 0

(2.5.44) (2.5.45)

1i< jm 1k p

max |Cov y2 it , yi,t k y j,t k | = 0

Dadas as Hipteses 1 e 2, os nicos elementos no nulos de k (y) so os de sua diagonal. Assim, k (s), k (y) e k (s) tambm so diagonais. Considerar que as matrizes de covarincia so diagonais traz duas vantagens. A primeira vantagem consiste em reduzir ainda mais o nmero de variveis a serem estimadas. A segunda, mais importante, fornecer um mtodo para a estimao de U , que pode ser vista como a matriz de autovetores da decomposio espectral de k (s), j que k (s) = U k (y) U com U ortogonal e k (y) diagonal (ver Equao (2.5.42)). Desta forma, a estimativa de U pode ser dada pelos autovetores de k (s) ou de k (s), que so calculadas a partir de um conjunto de N amostras da srie {st }t 1 de retornos padronizados, como mostram as Equaes (2.5.46) e (2.5.47). 1 N k (s) = St St k N t= k+1 k (s) = 0 (s) /2 k (s) 0 (s) /2
1 1

(2.5.46) (2.5.47)

2.5. MODELO GO-GARCH

33

Experimentos de simulao realizados em [42], entretanto, indicam que um estimador mais eciente para U obtido ao adotar k (ver Equao (2.5.48)), que uma verso simtrica de k (s). k = 1 k (s) + k (s) 2 (2.5.48)

Logo, o estimador para U pode ser denido da seguinte maneira: Denio 5. Estimador Uk O estimador de lag k para U a matriz ortogonal Uk que diagonaliza a matriz simtrica de autocorrelao k , calculada a partir de um conjunto de N amostras do processo {st }t 1 de retornos padronizados, ou seja, Uk a matriz de autovetores da decomposio espectral de k , dada por k = Uk DkUk . (2.5.49)

Uma melhor estimativa para U pode ser obtida, como mostrado em [42], ao utilizar a Anlise de Componentes Principais Comuns (CPCA) sobre um conjunto C = 1 , . . . , p de matrizes de autocorrelao com diversos lags. A CPCA uma extenso da Anlise de Componentes Principais (PCA) para lidar com um conjunto A = (A1 , , A p ) de p amostras, que procura identicar a estrutura comum a todas elas. Desta forma, sendo i a matriz de covarincia da amostra Ai , a CPCA considera que todas as matrizes i compartilham um mesmo conjunto V de autovetores. Como consequncia deste compartilhamento de autovetores, todas as matrizes i so simultaneamente diagonalizveis por matrizes cujas colunas so os autovetores em V . Logo, qualquer uma destas matrizes seria uma candidata natural a estimador de U , tendo em vista a Denio 5. Assim, adota-se a hiptese de que, dado o conjunto C, todas as matrizes que este contm podem ser diagonalizadas simultaneamente por um mesmo conjunto de autovetores, que ser utilizado como a nova estimativa U . Na prtica, entretanto, dicilmente ser possvel encontrar uma matriz que diagonalize todos os elementos de C simultaneamente. Desta forma, preciso contentar-se com uma soluo aproximada e buscar a matriz que melhor diagonalize as matrizes de autocorrelao. Tal soluo aproximada pode ser obtida resolvendo o problema
p BOm m 2

min g(B) =

k=1 i, j=1 i= j

Bk B

ij

(2.5.50)

onde Om o conjunto de matrizes ortogonais de tamanho m m e (A)i j o elemento de sua i-sima linha e j-sima coluna da matriz A. Como feito em [19, 4, 42], as solues para o Problema (2.5.50) podem ser obtidas atravs do algoritmo FG, que explicado em detalhes no Apndice B. Quanto s solues do Problema (2.5.50), analisando a denio do problema, pode-se ver que so matrizes ortogonais que minimizam a soma do quadrado dos elementos fora das diagonais das matrizes Bk B , que deveriam ser nulos pela hiptese de diagonalizao simultnea. Assim, nalmente, o estimador utilizado para U pode ser denido: Denio 6. Estimador U O estimador de U com base na informao de autocorrelaes de lag k = 1, . . . , p do processo vetorial {st }t 1 a matriz ortogonal U obtida ao resolver o Problema (2.5.50).

34

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

Implementao do Estimador MM2011 A implementao do estimador para a matriz ortogonal U pelo mtodo de momentos mais elaborada que a por ICA. Entretanto, tambm no apresenta desaos, j que o algoritmo FG tem implementao simples e bastante robusto numericamente (ver Apndice B). Assim, considere o pseudocdigo no Algoritmo 2. Este contm a implementao da funo GOGARCH_MM2011, que recebe como entrada uma matriz Xt de tamanho m T cujas colunas so as observaes do processo xt at o tempo t = T . De forma geral, trs operaes principais so realizadas na funo. Em primeiro lugar, a funo calcula a matriz S atravs da decomposio espectral da matriz de covarincia amostral (linhas 2 a 5). Em seguida, o conjunto C = 1 , , p calculado (linhas 6 a 21). E, por ltimo, a estimativa da matriz U calculada aplicando o algoritmo FG s matrizes do conjunto C (linha 22). Como pode ser visto no pseudocdigo de GOGARCH_MM2011, o clculo das matrizes do conjunto C envolve vrios passos intermedirios. Sendo estes o clculo dos retornos padronizados (linha 6), o clculo do processo matricial St (linhas 7 a 9) e das matrizes de autocovarincia k (linhas 10 a 12) e de autocorrelao k (linhas 13 a 18). Algorithm 2 Algoritmo GO-GARCH MM2011 1: procedure GOGARCH_MM2011(Xt , p) T 2: := 1 n i=1 Xt ,i Xt ,i 3: P := autovetores() 4: L := autovalores() 5: S := PL1/2 P 6: st := PL1/2 P Xt 7: for i := 1, , T do 8: St ,i := st ,i st ,i Im 9: end for 10: for k := 0, , p do 1 T 11: k : = T i=1 St St k 12: end for 13: P := autovetores(0 ) 14: L := autovalores(0 ) 15: M := PL1/2 P 16: for k := 0, , p do 17: k := M k M 18: end for 19: for k := 0, , p do 1 k + k 20: k := 2 21: end for 22: U := F 1 , , p ; T , , T
23: 24: 25:

yt := U st return S, U , yt end procedure

2.5. MODELO GO-GARCH

35

2.5.5

Resduos Padronizados

Uma vez realizado o ajuste de um modelo GO-GARCH, possvel calcular a srie temporal {zt }t 1 dos seus resduos padronizados atravs da equao zt = t
1/2

xt ,

(2.5.51)

onde t matriz de covarincia condicional do modelo, denida anteriormente. De forma geral, a anlise da srie de resduos permite determinar o quo adequado um modelo ajustado . Os resduos de um modelo bem ajustado tm mdia nula, componentes no correlacionadas e no apresentam autocorrelaes no primeiro e no segundo momento. Veja [50, 14]. Neste aspecto, os modelos GO-GARCH no so exceo. possvel demonstrar, como feito a seguir, que: (i) E [zt ] = 0, (ii) Cov(zt ) = Im . Em primeiro lugar, mostrado que E [zt |Ft 1 ] = 0. Pela Hiptese 1 do modelo GO-GARCH, E [yt |Ft 1 ] = 0. Desta forma, E [xt |Ft 1 ] = 0, pois E [xt |Ft 1 ] = E [Zyt |Ft 1 ] = Z E [yt |Ft 1 ] = 0. Ento, vale que E [zt |Ft 1 ] = 0, j que E [zt |Ft 1 ] = E t
1/2

(2.5.52)

xt Ft 1 = t

1/2

E [xt |Ft 1 ] = 0.

(2.5.53)

Com este resultado, a propriedade (i) est comprovada, pois E [zt ] = E [E [zt |Ft 1 ]] = E [0] = 0. (2.5.54)

A propriedade (ii) pode ser comprovada de forma semelhante. Em primeiro lugar, comprovado que Cov (zt |Ft 1 ) = Im . Veja a Equao (2.5.55). Cov (zt |Ft 1 ) = E zt zt Ft 1 = E t = t
1/2 1/2 1/2

xt xt t
1/2

1/2

Ft 1
1/2

E xt xt Ft 1 t t t

(2.5.55)

= t = Im

Assim, a validade da propriedade (ii) pode ser provada por Cov(zt ) = E zt zt = E E zt zt Ft 1 = E [Cov (zt |Ft 1 )] = E [Im ] = Im . (2.5.56)

As propriedades (i) e (ii) so importantes por fornecerem dois testes simples para a vericao do ajuste de um modelo GO-GARCH. Com este propsito, o teste de Hosking, apresentado na Seo 2.1, tambm pode ser utilizado para vericar a existncia de autocorrelaes no primeiro ou no segundo momento da srie de resduos.

36

CAPTULO 2. MODELOS PARA RETORNOS FINANCEIROS

Captulo 3 Portflios com Risco Mnimo

Este captulo trata da avaliao objetiva do risco de perdas nanceiras e da criao de portflios de ativos que tenham risco mnimo. Na Seo 3.1 so apresentadas as caractersticas comuns s boas medidas de risco e tambm as medidas Value at Risk (VaR) e Conditional Value at Risk (CVaR). Em seguida, na Seo 3.2, apresentado um mtodo robusto para a estimao do CVaR de um portflio. Por ltimo, na Seo 3.3, a estratgia usada para a estimao do CVaR adaptada para a criao de portflios de ativos com risco mnimo.

3.1

Medidas de Risco

No trabalho [3], que se tornou referncia, so encontradas as denies necessrias para a representao matemtica do risco associado a um ativo nanceiro e tambm para a denio de medidas objetivas de risco. Sejam o espao de probabilidade denido por (, F , P) e uma varivel aleatria X : R, tal que para qualquer , X () o valor futuro descontado de um ativo (ou de um portflio) no tempo T , ou seja, o risco associado ao ativo (ou portflio) no perodo denido entre as datas t e t + T modelado como uma varivel aleatria no espao de probabilidade acima. Alm disso, seja G o conjunto de todas as variveis aleatrias de em R que modelam o valor futuro de algum ativo nanceiro. Neste contexto, uma medida de risco uma funo : G R, que indica o nvel de risco de um ativo utilizando apenas um nmero real. O valor (X ) interpretado de duas maneiras distintas. Quando (X ) > 0, (X ) indica a quantidade de capital extra que deve ser investida de uma forma livre de risco para atingir nveis aceitveis de risco. Entretanto, quando (X ) < 0, (X ) indica a quantidade de capital que pode ser removida da posio atual, mantendo o risco em nveis aceitveis. Segundo os autores deste modelo, a representao do risco atravs de um nico valor real acarreta em uma grande perda de informao, porm, simplica a tomada de decises ao indicar se um determinado nvel de risco aceitvel ou no, ou seja, esta representao adequada para que (X ) desempenhe o papel esperado de uma medida de risco. Finalmente, na Denio 7, so apresentadas as propriedades do que poderiam ser chamadas de "boas medidas de risco"e, em seguida, a interpretao de algumas delas. Denio 7. Medida Coerente de Risco Uma medida de risco dita coerente quando esta satisfaz as seguintes propriedades: (i) Invarincia a Translao: Para todo X G e todo R, vale que (X + ) = (X ) . 37

38

CAPTULO 3. PORTFLIOS COM RISCO MNIMO

(ii) Subaditividade: Para todos X , Y G , (X + Y ) (X ) + (Y ). (iii) Homogeneidade Positiva: Para todo X G e todo R, temos que (X ) = (X ). (iv) Monotonicidade: Para todo X , Y G , com Y X, (Y ) (X ). Algumas das propriedades podem parecer pouco intuitivas, assim, interpret-las pode ser de grande valia para auxiliar no seu entendimento. A invarincia a translaes indica que ao adicionarmos o capital ao portflio X , o risco do mesmo diminui em uma quantidade igual a . Como (X ) mede a quantidade de capital que deve ser adicionada ao portflio, aps a adio de tal capital natural que (X ) diminua em . J a subaditividade indica que o risco do portflio formado por X e Y no pode ser maior que a soma dos riscos individuais destes ativos. Essa propriedade ajuda a modelar o princpio da diversicao, que diz que ao investir em uma quantidade maior de ativos, o risco do portflio diminui por causa da diversicao. Ver [13]. Finalmente, a monotonicidade nos mostra que para dois ativos X e Y , se o valor de Y sempre maior que o valor de X , ento seu risco deve ser sempre menor que o risco de X . Com isso, est concluda a introduo sobre a modelagem de medidas de risco e sobre as propriedades exigidas das mesmas. Assim, nas sees 3.1.1 e 3.1.2, so apresentadas as medidas de risco selecionadas para este trabalho: VaR e CVaR.

3.1.1

Value at Risk (VaR)

O Value at Risk, ou simplesmente VaR, no uma medida coerente de risco pois no satisfaz propriedade de subaditividade. Veja [32, 13, 2]. Entretanto, a medida VaR a medida de risco mais difundida no mercado, devido s suas caractersticas positivas, como a aplicabilidade para diferentes tipos de ativos nanceiros e as facilidades de clculo, de uso e de vericao (backtesting). A denio encontrada em [32] diz que a medida VaR indica a pior perda em um horizonte de tempo pr-especicado com um nvel de conana . Como exemplo, considere que o VaR dirio (com horizonte de um dia) e nvel de conana = 99% para um determinado ativo igual a R$ 10 milhes. Isto indica que para este ativo existe 1 chance em 100 da perda de um dia para o outro ser maior que R$ 10 milhes. Como feito em [47], o VaR denido formalmente utilizando a funo de perda associada a um portflio de ativos. Nas denies 8 e 9 estes dois conceitos so formalizados. Denio 8. Portflio de Ativos Seja A = {A1 , , Am } um conjunto formado por m ativos nanceiros e x = (x1 , , xm ) um vetor m-dimensional que indica a quantidade de cada um dos ativos Ai em A. Neste contexto, um portflio denido como o par := (A, x) . (3.1.1)

Denio 9. Funo de Perda Seja t a data corrente, = (A, x) um portflio como o da Denio 8 e Y = (Y1 , , Ym ) um vetor cujas coordenadas indicam o valor descontado de cada um dos ativos em A no tempo t + T . A funo de perda f (x, Y ) indica a perda no valor total do portflio no intervalo de tempo denido pelas datas t e t + T .

3.1. MEDIDAS DE RISCO Considere agora a probabilidade (x, ), que dada por (x, ) = P( f (x, Y ) ),

39

(3.1.2)

e que corresponde probabilidade da perda ser menor que . Como uma funo de , para x xo, (x, ) a funo de distribuio acumulada para a perda associada a x, ou seja, para x xo, f (x, Y ) uma varivel aleatria que toma valores em R e que tem sua distribuio induzida pela distribuio do vetor Y . Finalmente, com base na probabilidade (x, ), o VaR denido formalmente na Denio 10. Denio 10. Value at Risk (VaR) Seja = (A, x) um portflio como o da Denio 8. O Value at Risk com nvel de conana para este portflio, (x), denido por (x) = min{ R : (x, ) }. (3.1.3)

Pela Denio 10, ca claro que (x) simplesmente um quantil de nvel da funo de distribuio de perdas (x, ) do portflio . Como exemplo, considere a Figura 3.1, onde est indicado que a perda do portflio ser menor que 95% (x) em 95% dos casos.

Densidade da Normal

0.10

0.15

0.00

0.05

95%

0 Perdas

5 VaR(95%)

Figura 3.1: VaR como um quantil da distribuio das perdas.

A seguir, como exemplos, so apresentados os valores de VaR para as distribuies Normal e t de Student. VaR para as Distribuies Normal e t de Student Considere um ativo A, com valor futuro descontado indicado pela varivel aleatria Y G , e com perdas f (Y ) N (, 2 ). Seja o VaR com nvel de conana para o ativo A. Desta forma, de acordo com a Denio 3.1.3, (x, ) = P( f (Y ) ) = . Logo, P f (Y ) = (3.1.5) (3.1.4)

40 e, como f (Y ) tem distribuio normal,

CAPTULO 3. PORTFLIOS COM RISCO MNIMO

= 1 (). Finalmente, = 1 () + ,

(3.1.6)

(3.1.7)

onde a funo de distribuio acumulada de uma varivel aleatria normal padro. Mais uma vez, o resultado obtido na Equao (3.1.7) mostra que o VaR apenas um quantil da distribuio de perdas do ativo A. Repare que o resultado acima tambm vlido para portflios contendo mais de um ativo. Quando Y tem distribuio normal multivariada, f (x, Y ) ter, geralmente, uma distribuio normal univariada, pois a soma ponderada de variveis aleatrias normais uma varivel aleatria normal. Sries temporais de retornos nanceiros tm, em geral, caudas pesadas. Veja [50]. Desta forma, por tambm apresentar esta caracterstica, a distribuio t de Student bastante utilizada na modelagem de retornos nanceiros. O clculo do VaR para a distribuio t similar ao realizado para a distribuio Normal. Como anteriormente, o VaR dado pelo quantil de nvel , ou seja,
1 = t (),

(3.1.8)

onde t a densidade de probabilidade da distribuio t com graus de liberdade.

3.1.2

Conditional Value at Risk (CVaR)

Nesta seo apresentada a medida Conditional Value at Risk (ou CVaR), tambm conhecida como Expected Shortfall. Veja [2]. Dada a ampla utilizao da medida VaR, a comparao com a mesma inevitvel, principalmente pelo fato da medida CVaR corrigir dois problemas apresentados pela primeira. O primeiro destes problemas de carter terico. Ao contrrio da medida VaR, CVaR uma medida coerente de risco. Desta forma, mais apropriada para gerenciar o risco nanceiro. O segundo problema se refere informao fornecida por cada uma das medidas. Considere o VaR . Este indica que a probabilidade de uma perda ser menor igual a . Entretanto, nenhuma informao dada sobre o valor da perda quando a mesma maior que , o que ocorre com probabilidade 1 . Esta caracterstica torna a medida perigosa para gerenciar portflios contendo ativos com distribuies que apresentam caudas pesadas ou ativos com dependncia de cauda. A medida CVaR complementa a informao da medida VaR informando o valor esperado da perda que ocorre com a frequncia 1 , ou seja, informando o valor esperado da perda, uma vez que esta maior que o VaR . De certa forma, como dito em [13], possvel dizer que a medida CVaR leva em considerao o formato da cauda da distribuio das perdas, enquanto VaR no o faz. Como ilustrao desta armao, considere as guras 3.1 e 3.2. Comparando as duas guras ca claro que as medidas utilizam intervalos de valores de perda diferentes. Finalmente, considere a Denio 11, onde a CVaR denida. Denio 11. Conditional Value at Risk (CVaR) Seja = (A, x) um portflio de ativos nanceiros. O valor da medida CVaR com nvel de conana para o portflio , (x), dado por (x) = E f (x, Y )| f (x, Y ) (x) , (3.1.9)

3.1. MEDIDAS DE RISCO ou, de forma equivalente, pela integral (x) = 1 1 f (x, Y )1[ f (x,Y )
(x)

41

]dP ,

(3.1.10)

onde (x) o VaR com nvel de conana , como na Denio 3.1.3. Como a denio acima deixa evidente, uma das diculdades no uso de CVaR sua dependncia de VaR. Esta dependncia torna estimativas de CVaR menos precisas, pois existem duas possveis fontes de erro: a estimao de (x) e tambm a estimao de (x). Veja [13].

Densidade da Normal

0.10

0.15

0.00

0.05

95%

0 Perdas

5 VaR(95%)

Figura 3.2: Valores de perda usado no clculo de CVaR.

Alm disso, estimaes de CVaR so difceis pois estas so baseadas em amostras da cauda da distribuio de f (x, Y ), como indicado na Figura 3.2. J que o nmero de amostras na cauda da distribuio geralmente no grande, improvvel que as estimativas feitas com estas amostras sejam precisas. Assim, enquanto VaR frequentemente calculado usando dados de mercado, para CVaR geralmente necessrio adotar um modelo para a distribuio das caudas de f (x, Y ) e, ento, ajustar o mesmo aos dados disponveis. Ver [13]. Apesar desta diculdade, conforme indicado em [47], CVaR tem uma propriedade fundamental para a otimizao de portflios: uma funo convexa. A importncia deste fato ca clara ao considerar a quantidade de mtodos existentes na literatura para a otimizao de funes convexas. CVaR para a Distribuio Normal e t de Student Como feito na Seo 3.1.1, considere um ativo A ao qual est associada uma funo de perdas f (Y ) com distribuio normal de mdia e varincia 2 . Partindo da Equao (3.1.10) e utilizando uma simples mudana de variveis possvel chegar, sem grandes desaos, frmula para o CVaR normal publicada em [36]: 1 2 (3.1.11) ( ) = + 1 onde e so, respectivamente, a densidade e a funo de distribuio acumulada de uma varivel aleatria normal padro.

42

CAPTULO 3. PORTFLIOS COM RISCO MNIMO Para a distribuio normal padro, a Equao (3.1.11) se resume a ( ) = ( ) . 1 ( ) (3.1.12)

Em [38], so apresentadas frmulas fechadas para calcular CVaR para as distribuies de probabilidade mais utilizadas. Entre estas, encontra-se a distribuio t de Student, cuja frmula para o clculo de CVaR dada por + 2 t ( ) , (3.1.13) ( ) = + 1 1 T ( ) onde t e T so, respectivamente, as funes de densidade e de probabilidade acumulada da distribuio t com graus de liberdade.

3.2

Estimao do CVaR

Na Denio 11, o CVaR de um portflio denido em funo de seu VaR. Desta forma, natural considerar que a estimao do primeiro deve ser realizada em duas etapas. Entretanto, a seguir apresentado um estimador para o CVaR que independe de estimativas prvias para o VaR. Ao eliminar a primeira etapa, na qual o VaR do portflio seria estimado, obtm-se um procedimento de estimao mais simples e, alm disso, tambm elimina-se uma das possveis fontes de erro. Considere um portflio , denido de acordo com a Denio 8. Como mostrado em [47], tanto o VaR quanto o CVaR podem ser denidos a partir da funo F (x, ), dada por F (x, ) = + 1 1 [ f (x, Y ) ]+ d P.

(3.2.1)

Mais precisamente, o VaR e o CVaR de so denidos em funo dos pontos de mnimo de F , ou seja, em funo dos pontos do conjunto A que denido como A = argmin F (x, ) .

(3.2.2)

Assim, como ser provado a seguir, o VaR dado por (x) = min A e o CVaR por (x) = F (x, (x)). (3.2.4) De acordo com [47], a funo F convexa e continuamente diferencivel em relao ao parmetro . Desta forma, os elementos de A correspondem aos pontos em que a derivada de F em relao a nula. Conforme comprovado na Equao (3.2.8), esta derivada dada por F (x, ) = . 1 Logo, o conjunto A dado por A = { : (x, ) = } , (3.2.6) (3.2.5) (3.2.3)

3.2. ESTIMAO DO CVAR j que

43

F = 0 (x, ) = , (3.2.7) ou seja, os elementos de A so os quantis de nvel da distribuio da funo de perdas f (x, Y ).

De forma geral, espera-se que exista apenas um elemento em A . Porm, pode haver mais elementos, caso existam conjuntos de valores da funo de perda com medida nula. Por esta razo, o VaR denido como o menor elemento em A . Com isso, est comprovada a Equao (3.2.3). F = + (1 )1 [ f (x, Y ) ]+ d P = 1 + (1 )1 [ f (x, Y ) ]+ d P 1 = 1 + (1 ) ( (x, ) 1) (x, ) = 1

(3.2.8)

Na Equao (3.2.8), foi utilizado o fato da funo G () =

[ f (x, Y ) ]+ d P,

(3.2.9)

que tambm convexa e continuamente diferencivel, ter derivada G () = (x, ) 1, como demonstrado na Equao (3.2.11). dG d = d d d = d d = d = 0

(3.2.10)

[ f (x, Y ) ]+ d P

[ f (x, Y ) ] 1[ f (x,Y )] d P f (x, Y )1[ f (x,Y )] d P d d

1[ f (x,Y )] d P

(3.2.11)

1[ f (x,Y )] d P

= P [ f (x, Y ) ] = 1 + P [ f (x, Y ) ] = (x, ) 1

Agora, seja um elemento de A . Como demonstrado na Equao (3.2.12), F (x, ) = (x). Este resultado comprova a Equao (3.2.4) e tambm indica como estimar o CVaR de forma indepen-

44 dente do VaR. F x, = +

CAPTULO 3. PORTFLIOS COM RISCO MNIMO

1 + f (x, Y ) d P 1 1 = + f (x, Y ) 1[ f (x,Y ) ] d P 1 1 f (x, Y )1[ f (x,Y ) ] d P = + 1 1 = + (x) = (x) .

1[ f (x,Y ) ] d P

(3.2.12)

Como o valor do CVaR o mesmo para todos os elementos de A , o mesmo pode ser calculado diretamente atravs da minimizao da funo F , ou seja, (x) = min F (x, ).

(3.2.13)

O Problema (3.2.13), entretanto, no fornece um estimador adequado para o CVaR, j que, na prtica, a distribuio da funo de perdas f (x, Y ) pode ser desconhecida ou de difcil avaliao. Nestes casos, o clculo da esperana em F pode no ser vivel. Como alternativa, F pode ser aproximada por uma integrao de Monte Carlo. Considere, ento, q amostras y1 , , yq do vetor Y G m . A aproximao por integrao de Monte Carlo para F dada por
q 1 F (x, ) = + [ f (x, yk ) ]+ , q(1 ) k=1

(3.2.14)

onde, como de costume, a integral da esperana substituda por um somatrio sobre o conjunto de amostras. Assim, utilizando a aproximao F , obtido o estimador para o CVaR do portflio , dado por (x) = min F (x, ).

(3.2.15)

Repare que ao adotar F , no necessrio fazer hipteses sobre a distribuio de Y . Entretanto, preciso que o nmero de amostras q seja grande para que as estimativas sejam conveis. Alm disso, o CVaR tambm pode ser estimado a partir de um conjunto de amostras da funo de perda f (x, Y ) e no, necessariamente, a partir de amostras de Y . Como ocorre para a expresso original, a aproximao F tambm convexa com respeito a . Alm disso, linear por partes. Desta forma, seus pontos de mnimo podem ser encontrados com certa facilidade ao recorrer a mtodos numricos. por programao linear. Para isso, Como mostrado em [47], possvel calcular as estimativas o somatrio existente na expresso de F ,
q k=1

[ f (x, yk ) ]+ ,

(3.2.16)

substitudo por um conjunto U = u1 , , uq de variveis de folga e de restries. Desta forma,

3.3. PORTFLIOS COM CVAR MNIMO

45

obtido o Problema (3.2.17), cujas solues fornecem as estimativas de CVaR utilizadas neste trabalho. q 1 min + uk q(1 ) k =1 (3.2.17) Sujeito a: uk 0 uk + f (x, yk ) 0

3.3

Portflios com CVaR Mnimo

Nesta seo abordado o problema de alocao de capital ou de seleo de portflio, que consiste em determinar a quantidade de capital a ser investida em cada ativo de um portflio. Veja [40, 41]. Assim, considere um portflio = {A, x}, denido por um conjunto A = {A1 , , Am } de ativos e pelo vetor real x = (x1 , , xm ), que indica a quantidade de cada ativo em . Neste contexto, o problema de alocao de capital consiste em determinar o vetor x de forma a satisfazer certos critrios. Como em [47], neste trabalho a alocao de capital feita de forma a minimizar o risco do portflio , avaliado pela medida CVaR, e de forma a satisfazer uma expectativa de rendimento mnimo dada pela funo (x). De forma geral, o problema de alocao de capital pode ser denido como o Problema (3.3.1). min F (x, ) (x,) Sujeito a: m (3.3.1) x = 1 , onde x 0 j j j=1 (x) R Repare que a primeira restrio do Problema (3.3.1) indica que a soma dos elementos de x tem a unidade como resultado, ou seja, cada componente xi representa a frao do capital total que deve ser investida no ativo Ai . Alm disso, repare que a expectativa de rendimento mnimo deve ser superior ao valor real R, a ser denido pelo investidor. Considere agora que o conjunto A formado apenas por aes. J que o valor destas dado por seus preos de mercado, tanto a funo de perdas f (x, Y ) quanto o rendimento esperado (x) podem ser calculados a partir de variveis aleatrias que modelam os retornos das aes em A. Assim, as perdas do portflio so dadas por
m

f (x, Y ) = x j r j
j=1

(3.3.2)

e o rendimento esperado por

m

(x) =

j=1

x jE

rj ,

(3.3.3)

onde r j a varivel aleatria que modela o retorno da ao A j . Quanto distribuio do vetor aleatrio r = (r1 , , rm ), esta pode ser dada por qualquer modelo multivariado para retornos. Como exemplos, possvel citar os modelos VAR e GO-GARCH, apresentados no Captulo 2. Finalmente, como ocorre para a estimao do CVaR, muitas vezes preciso recorrer aproximao F , apresentada na Seo 3.2, para mensurar o risco do portflio. Nestes casos, como feito para

46

CAPTULO 3. PORTFLIOS COM RISCO MNIMO

, possvel transformar o Problema (3.3.4) em um problema de programao linear. o estimador Para isto, basta denir um conjunto apropriado de variveis de folga e de restries, como feito para o Problema (3.2.17). O resultado desta transformao o Problema (3.3.4). q 1 min + uk q(1 ) k (x,) = 1 Sujeito a: m (3.3.4) x j = 1, onde x j 0 j=1 (x) R uk 0 uk + f (x, yk ) 0

Parte II Aplicaes Prticas

47

Captulo 4 Implementao e Teste dos Estimadores

Neste captulo so apresentados os resultados dos testes realizados para validar a implementao dos estimadores e tambm para compreender as limitaes das tcnicas utilizadas. Alm disso, tambm so apresentados alguns detalhes sobre a implementao computacional dos estimadores. A seguir, na Seo 4.1 analisado o estimador de CVaR. Depois, na Seo 4.2, os estimadores de modelos GO-GARCH.

4.1

Estimao de VaR e CVaR

O estimador para CVaR foi implementado na linguagem R, com o auxlio da biblioteca de otimizao MOSEK e do pacote R-to-MOSEK, que faz a ligao entre os dois. Veja [45, 21, 1]. Como as estimativas de VaR e CVaR so encontradas atravs da resoluo do Problema (3.2.17), a implementao do estimador simples e consiste, basicamente, em construir as matrizes que denem a instncia do problema de programao linear. A soluo do problema, propriamente dita, ca a cargo da biblioteca de otimizao. No caso, a cargo da biblioteca MOSEK. Para validar a implementao e avaliar o mtodo de estimao foram escolhidas duas distribuies bem conhecidas: a normal padro e a t de Student. Como essas distribuies possuem frmulas fechadas para o clculo de VaR e CVaR, possvel comparar os valores corretos dos mesmos com os valores estimados a partir de uma amostra. Os valores corretos de VaR e de CVaR para as distribuies escolhidas podem ser encontrados na Tabela 4.1. Todos os valores foram calculados atravs das frmulas apresentadas nas sees 3.1.1e 3.1.2. Considere o conjunto A = {A1 , , AN } formado por N amostras de mesmo tamanho e o conjunto X = {x 1 , , x N } formado pelas estimativas calculadas sobre cada amostra Ai . Sendo x o valor correto a ser estimado, o erro absoluto de estimao pode ser medido atravs da raiz do erro quadrtico mdio (ou RMSE), que dado por RMSE = 1 N (x i x)2 . N i=1 (4.1.1)

Muitas vezes o erro relativo tambm de interesse. Este, no caso do erro RMSE dado por RRMSE = 100 RMSE x . (4.1.2)

Considere agora os grcos das guras 4.1 e 4.2. Estes mostram, respectivamente, os valores dos erros RMSE e RRMSE calculados para as duas distribuies escolhidas e para diferentes valores 49

50

CAPTULO 4. IMPLEMENTAO E TESTE DOS ESTIMADORES

do nvel de VaR. Nos grcos, o tamanho das amostras foi variado, entretanto, o nmero total de 500 amostras foi mantido constante em todos os testes realizados.
1 2 3 4 5 6 dist Std. Normal Std. Normal Std. Normal t(5) t(5) t(5) beta 90% 95% 99% 90% 95% 99% VaR 1.2816 1.6449 2.3263 1.4759 2.0150 3.3649 CVaR 1.7550 2.0627 2.6652 2.3022 2.8901 4.4524

Tabela 4.1: VaR e CVaR para as distribuies normal padro e t5

VaR Estimation Error (Std. Normal dist.)

90% 95% 99%

CVaR Estimation Error (Std. Normal dist.)

90% 95% 99%

0.15

RMSE ($)

RMSE ($) 20 40 60 80 100

0.10

0.05

0.00

0.00

0.05

0.10

0.15

20

40

60

80

100

#Samples (in thousands)

#Samples (in thousands)

VaR Estimation Error (t(5) dist.)

90% 95% 99%

CVaR Estimation Error (t(5) dist.)

90% 95% 99%

0.15

RMSE ($)

RMSE ($) 20 40 60 80 100

0.10

0.05

0.00

0.00

0.05

0.10

0.15

20

40

60

80

100

#Samples (in thousands)

#Samples (in thousands)

Figura 4.1: Teste de estimao para VaR e CVaR - Erro absoluto (RMSE) Observando os resultados obtidos nos grcos calculados, possvel observar que: (i) Os erros diminuem medida que o tamanho da amostra aumenta, (ii) Os erros aumentam medida que o nvel de VaR aumenta, (iii) Estimativas de CVaR tm erro maior que as de VaR, (iv) Estimativas da distribuio t de Student apresentam erros maiores que as da distribuio normal.

4.1. ESTIMAO DE VAR E CVAR

VaR Estimation Error (Std. Normal dist.)
0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 90% 95% 99% RRMSE (%) 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

51
CVaR Estimation Error (Std. Normal dist.)
90% 95% 99%

RRMSE (%)

20

40

60

80

100

20

40

60

80

100

#Samples (in thousands)

#Samples (in thousands)

VaR Estimation Error (t(5) dist.)

0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 90% 95% 99% RRMSE (%) 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0

CVaR Estimation Error (t(5) dist.)

90% 95% 99%

RRMSE (%)

20

40

60

80

100

20

40

60

80

100

#Samples (in thousands)

#Samples (in thousands)

Figura 4.2: Teste de estimao para VaR e CVaR - Erro relativo (RRMSE) De forma geral, quanto maior o tamanho de uma amostra, melhores as estimativas calculadas sobre a mesma. Com isso o resultado do item (i) corresponde ao esperado. Naturalmente, medida que o nvel de VaR aumenta, esperada uma menor quantidade de valores para calcular as estimativas de CVaR, j que estas so calculadas com valores na cauda de uma distribuio de probabilidade. Com isso, natural que os erros aumentem com valores de maiores, como indica a observao (ii). Quanto observao (iii), j que CVaR o valor esperado de uma perda, suas estimativas dependem do formato da cauda da distribuio de perdas. Como as amostras de uma distribuio apresentam poucos valores na cauda da mesma, natural esta determinao apresentar maiores erros, j que a esperana aproximada por uma mdia aritmtica calculada sobre um nmero reduzido de valores. Finalmente, considere a Figura 4.3, onde esto representadas as densidades de probabilidade das duas distribuies. Como a gura indica, a cauda da distribuio t mais longa que a da distribuio normal, ou seja, o intervalo de valores para os quais a densidade de probabilidade signicativa maior para a distribuio t . Assim, natural que sejam necessrias amostras maiores para representar esta cauda de forma apropriada. Ou, colocando de outra forma, natural que para amostras de mesmo tamanho, a distribuio t apresente erros maiores, como indicado na observao (iv). Assim, com base nos resultados obtidos e nas observaes acima, possvel concluir que a implementao computacional do estimador para VaR e CVaR correta. Quanto s limitaes do mtodo de estimao, foi possvel vericar que os erros de estimao so bastante sensveis ao tamanho das amostras utilizadas. Alm disso, tambm possvel concluir que,

52

CAPTULO 4. IMPLEMENTAO E TESTE DOS ESTIMADORES

Probability Density
0.05 Std. Normal t(5)

pdf(x)

0.00 2

0.01

0.02

0.03

0.04

6 x

10

Figura 4.3: Densidade de probabilidade na cauda das distribuies de forma geral, os erros na estimao do CVaR devem aumentar com a curtose da distribuio.

4.2

Estimao de Modelos GO-GARCH

Como o estimador de CVaR, os dois estimadores para modelos GO-GARCH tambm foram implementados em R, seguindo de perto os algoritmos 1 e 2, apresentados no Captulo 2. Na implementao do estimador ICA, foi utilizado o pacote fastICA, que implementa o algoritmo FastICA para a anlise de componentes independentes. Veja [45, 39] e o Apndice A para maiores detalhes. A exemplo dos trabalhos [42, 53, 15], os testes de validao so baseados em um processo de simulao e estimao, ou seja, dado um modelo GO-GARCH com um conjunto de parmetros conhecidos, um conjunto de amostras A = {A1 , , AN } gerado a partir de simulaes. Em seguida, o conjunto P = 1 , , N de estimativas para obtido ao aplicar um dos estimadores a cada amostra Ai . Finalmente, a capacidade do estimador de recuperar os parmetros originais avaliada atravs de estatsticas das distncias entre e as estimativas i , o que depende de uma funo de distncia apropriada. Nas sees seguintes, o procedimento de teste descrito acima detalhado. Em primeiro lugar, a estratgia de simulao denida. Em seguida, a mtrica do erro de estimao e, por ltimo, so descritos os testes realizados e os resultados obtidos.

4.2.1

Estratgia de Simulao

Todos os conjuntos de amostras utilizados nos testes foram gerados de acordo com a estratgia de simulao apresentada na Seo 2.5.1, ou seja, cada amostra obtida atravs da simulao de d processos independentes que formam o vetor yt de fatores no correlacionados e que so combinados atravs da multiplicao do mesmo por uma matriz inversvel Z . Vale relembrar que o modelo GOGARCH tem a forma xt = Zyt . Para permitir uma comparao direta com resultados j publicados, nas simulaes foram utilizados os mesmos parmetros denidos em [53]. Estes podem ser encontrados na Figura 4.4, onde as

4.2. ESTIMAO DE MODELOS GO-GARCH

53

matrizes Zd so usadas para combinar os d processos GARCH(1,1) denidos pelos vetores d e d , como na Equao (2.5.9).

4.2.2

Mtrica do Erro de Estimao

Geralmente, os processos associados s componentes do vetor yt do modelo GO-GARCH so estimados atravs de procedimentos bem conhecidos, como os utilizados no ajuste de modelos GARCH univariados. Desta forma, a anlise dos estimadores para modelos GO-GARCH se concentra nos erros de estimao da matriz Z . Seja Z = SU a decomposio espectral de Z . Como detalhado na Seo 2.5.2, a estimao da matriz Z feita atravs das matrizes S e U . Assim, j que a estimativa S igual para os dois estimadores, os erros de estimao so dados pela distncia d (U , Ui ) entre a matriz U e suas estimativas Ui . Como em [15], a distncia d (U , Ui ) entre estas duas matrizes ortogonais denida por d (Ui , U ) = onde D(U , U ) dada por D(U , U ) = 1 1 m max |ui u j |. m i =1 1 jm (4.2.2) 1 D(U , Ui ) + D(Ui , U ) , 2 (4.2.1)

Assim, para um conjunto de amostras A, o erro de estimao medido pela raiz da distncia quadrtica mdia (RMSD), ou seja, RMSD = 1 N d (U , Ui )2 . N i =1 (4.2.3)

4.2.3

Testes e Resultados

Diversos grcos foram criados para analisar os erros de estimao da matriz U , sendo estes medidos em funo do tamanho das amostras e da dimenso d do modelo. Como feito na Seo 4.1, foi utilizado um total de 500 amostras por experimento, sendo o tamanho das mesmas alterado a cada experimento. No caso do estimador MM2011, um parmetro adicional necessrio. Este corresponde ao nmero total de matrizes de autocorrelao que so consideradas pelo algoritmo de estimao. Em todos os testes realizados, este nmero foi xado em 100. Os resultados obtidos podem ser vistos na Figura 4.5. Observando a mesma possvel fazer as seguintes observaes: (i) Os erros de estimao diminuem medida que o tamanho das amostras aumenta, (ii) Modelos de maior dimenso apresentam maior erro de estimao, (iii) O estimador ICA apresentou melhor desempenho que o estimador MM2011. Todas as observaes feitas acima conrmam os resultados obtidos na literatura. As duas primeiras so bem naturais, considerando que os erros de estimao so menores em amostras maiores. No caso dos processos de maior dimenso, natural que amostras maiores sejam necessrias para que o erro seja menor, j que modelos de maior dimenso contm um nmero maior de parmetros a estimar.

54

CAPTULO 4. IMPLEMENTAO E TESTE DOS ESTIMADORES

Considerando a estratgia de simulao adotada, fcil ver que as coordenadas do vetor yt so realmente independentes. Desta maneira, no surpreendente que o estimador ICA apresente um melhor desempenho que o estimador MM2011. Anal, o estimador ICA calcula Z de forma que as componentes de yt sejam o mais independentes possvel. Desta forma, conceitualmente, o estimador ICA parece ser o mais apropriado. Finalmente, os resultados publicados em [53] so muito semelhantes aos obtidos neste trabalho. Com isso, possvel considerar que a implementao dos modelos GO-GARCH foi bem sucedida.
0.03 3 = 0.08 0.12 0.03 0.08 4 = 0.12 0.15 6 = 0.03 0.08 0.11 0.14 0.16 0.18 0.02 0.06 0.09 0.11 0.13 0.15 0.17 0.19 0.94 3 = 0.89 0.85 0.94 0.89 4 = 0.85 0.82 6 = 0.95 0.90 0.87 0.84 0.82 0.80 0.96 0.92 0.89 0.87 0.85 0.83 0.81 0.79 0.6300 Z3 = 0.3470 2.3780 0.9860 1.6110 Z4 = 0.7470 1.1560 Z6 = 1.8680 0.6240 4.7850 0.1670 4.0590 6.3010 8.4960 1.3430 2.4820 4.6440 3.3600 1.1210 2.6160 4.8540 3.2030 4.6790 1.4940 3.5920 0.9870 0.0700 4.5710 2.4810 5.0450 2.0860 0.9070 1.6580 4.8140 4.5640 5.4180 5.7960 5.6890 3.2280 1.6190 6.6740 2.1450 4.4890 1.4470 1.7820 4.7760 0.6420 3.1620 0.4010 2.1760 4.4930 0.2510 0.1060 2.0360 7.1500 1.5260 6.4020 3.5670 0.2640 3.0830 0.8550 3.4010 3.2710 6.7020 4.6880 4.3350 2.5800 5.2500 3.8410 2.8270 2.2990 11.4510 3.8200 2.8840 4.2590 6.3800 0.6390 2.1630 5.2890 2.3740 3.9950 4.1570 4.0520 8.0870 1.7230 4.3180 2.8200 0.3660 0.9180 1.8280 5.7650 13.2690 2.2670 4.1780 4.8070 1.4740 1.1120 3.6840 3.1190 1.5050 2.4580 1.4390 10.7550 8.1560 1.8350 3.4750 6.5510 7.9270 1.9060

8 =

8 =

Z8 =

5.7900 1.1990 3.3280 8.4050 3.9330 3.2760 2.9450 5.5120

3.0480 1.9340 7.5840 0.4790 5.2420 1.3080 4.7090 5.4640

Figura 4.4: Parmetros usados na simulao de processos GO-GARCH

4.2. ESTIMAO DE MODELOS GO-GARCH

55

MM2011 Estimation of U
0.25 d=3 d=4 d=6 d=8

RMSD

0.05 1000

0.10

0.15

0.20

2000

3000

4000

5000

6000

7000

8000

#Samples

ICA Estimation of U
d=3 d=4 d=6 d=8

RMSD

0.05 1000

0.10

0.15

0.20

0.25

2000

3000

4000

5000

6000

7000

8000

#Samples

Figura 4.5: Erros de estimao da matriz U usando os estimadores MM2011 e ICA

56

CAPTULO 4. IMPLEMENTAO E TESTE DOS ESTIMADORES

Captulo 5 Seleo de Portflios

Neste captulo so apresentados os resultados dos testes referentes criao de portflios com risco mnimo. Em primeiro lugar, na Seo 5.1 so vistos alguns detalhes de implementao. Em seguida, na Seo 5.2 so descritos os testes e apresentados os resultados obtidos.

5.1

Implementao

As formulaes apresentadas na Seo 3.3 para a seleo de portflios de risco mnimo so bastante gerais. Entretanto, neste trabalho tratado apenas o caso mais simples dos portflios de aes. A simplicidade no tratamento dos portflios de aes devida facilidade com que as suas mtricas de risco, as suas perdas e os seus retornos esperados podem ser calculados, como mostrado a seguir. Considere um portflio = (A, x) denido pelo conjunto A = {A1 , , Am } de m aes e pelo vetor x, cujas coordenadas xi indicam a frao do capital a ser investida nas aes Ai . Sendo r o vetor aleatrio m-dimensional que modela os retornos das aes em A, o retorno do portflio dado por (x) = x E [r] e as perdas do mesmo dadas por f (x, Y ) = x r, j que uma perda corresponde ao negativo de um retorno. Assim, as expresses obtidas para o retorno esperado (x) e para as perdas f (x, Y ) so bastante simples. Estas expresses, porm, so denidas em funo do vetor aleatrio r, que geralmente tem distribuio de probabilidade desconhecida. Desta forma, evitando assumir hipteses que poderiam restringir o uso do algoritmo implementado, as perdas e os retornos dos portflios so estimados com base em uma amostra de retornos. Seja rt = {r1 , , rN } uma amostra de tamanho N do vetor de retornos r. Com base em rt , a amostra Q de perdas do portflio dada por Q = x r1 , , x rN (5.1.3) e a estimativa (x) do seu retorno esperado por (x) = x A, 57 (5.1.4) (5.1.2) (5.1.1)

58

CAPTULO 5. SELEO DE PORTFLIOS

onde A a estimativa de E [r], calculada atravs de uma mdia amostral, ou seja,

N

A = ri .
i=1

(5.1.5)

Considere agora as mtricas de risco, VaR e CVaR, do portflio . Na Seo 3.2, foi mostrado que estas podem ser estimadas a partir da funo F que, utilizando a amostra de perdas Q, tem a seguinte expresso: N 1 + x rk . (5.1.6) F (x, ) = + N (1 ) k=1 Finalmente, substituindo as equaes (5.1.4) e (5.1.6) no Problema (3.3.4), obtido o programa linear que foi adotado no algoritmo para a seleo de portflios: N 1 min + uk N ( 1 ) (x,) k =1 Sujeito a: m (5.1.7) x j = 1, onde x j 0 j=1 (x) R uk 0 uk + + x rk 0 J que o Problema (5.1.7) pode ser resolvido por programao linear, a implementao computacional do algoritmo para a seleo de portflios bem simples. Esta consiste, basicamente, em construir as matrizes que denem a instncia do problema a ser resolvido, obedecendo ao formato denido pela biblioteca de otimizao escolhida. Novamente, foram utilizados a biblioteca MOSEK e o pacote R-to-MOSEK, pois o algoritmo foi implementado em R. Veja [45, 21, 1].

5.2

Resultados

Nesta seo so apresentados os resultados dos testes do algoritmo que foi implementado para a seleo de portflios (ou alocao de capital). Em primeiro lugar, so descritos os valores adotados para os parmetros de entrada do algoritmo. Depois, um dos portflios selecionados analisado em detalhes. Por ltimo, os portflios criados pelo algoritmo so analisados quanto s suas medidas de risco e quanto s suas composies.

5.2.1

Parmetros de Entrada

O primeiro passo para realizar o teste de qualquer algoritmo consiste na determinao de um conjunto adequado de parmetros de entrada. No caso aqui tratado, observando o programa linear descrito no Problema (5.1.7), possvel ver que a seleo de um portflio depende de quatro parmetros: o conjunto de ativos A, a amostra de retornos rt , o nvel de VaR e o retorno esperado mnimo R. A seguir, cada um destes parmetros visto em maiores detalhes. O conjunto de ativos A foi o primeiro parmetro a ser determinado. Vinte aes com boa liquidez que so negociadas na bolsa BMF&Bovespa foram selecionadas como seus elementos. A lista destas vinte aes pode ser vista na Tabela C.1, presente no Apndice C.

5.2. RESULTADOS

59

Uma vez determinado o conjunto A das aes, a amostra rt de log-retornos dirios pde ser construda com base nas sries histricas de preo de fechamento que so disponibilizadas pela BMF&Bovespa. Vale ressaltar que todas as sries utilizadas foram devidamente ajustadas, como descrito no Apndice C. Determinados A e rt , resta a escolha dos principais parmetros para a anlise do algoritmo: e R. A escolha de valores para o nvel de VaR no apresenta diculdades. Nos testes foram adotados os valores tpicos (90%, 95% e 99%). Valores para R, entretanto, devem ser escolhidos com certo cuidado, para garantir que o Problema (5.1.7) sempre tenha soluo. Sendo o retorno esperado de um portflio de aes uma combinao convexa das componentes do vetor A , os valores vlidos para R esto contidos no intervalo [min ( A ) , max ( A )]. Assim, completada a descrio dos parmetros de entrada, possvel passar descrio e anlise dos resultados obtidos.

5.2.2

Anlise de um Portflio

O primeiro teste do algoritmo consistiu em analisar um dos portflios calculados em relao a trs caractersticas: seu retorno esperado, sua composio e suas medidas de risco. Assim, considere o portflio 1 = (A, x1 ), que foi selecionado pelo algoritmo para o nvel de VaR = 95% e retorno esperado mnimo R = 0.6 max ( A ). Em primeiro lugar, foi vericado o retorno esperado de 1 . A aplicao da Equao (5.1.4) comprovou que (x1 ) realmente igual a 0.6 max ( A ). Desta forma, a restrio do retorno esperado mnimo foi satisfeita, j que (x1 ) = R. Em seguida, 1 foi analisado em relao sua composio. Observando a representao do vetor x1 na Figura 5.1 e as mtricas de risco das aes em A na Figura 5.2, ca evidente que as aes selecionadas pelo algoritmo so as de menor CVaR, com exceo de CPLE6. A ao CPLE6 parece uma boa candidata para reduzir o risco de 1 , j que tem CVaR menor que outras aes presentes no portflio 1 (CCRO3, DASA3, EMBR3, KLBN4 e NATU3). Entretanto, ao substituir estas aes por CPLE6, foi possvel vericar que os valores de CVaR dos novos portflios foram sempre maiores que o CVaR de 1 , como pode ser vericado na Tabela 5.1.
Portflio 1 CCRO3 NATU 3 KLBN 4 EMBR3 DASA3 VaR 0.022517 0.022122 0.023599 0.022736 0.022907 0.022865 CVaR 0.033406 0.033658 0.034832 0.033460 0.034356 0.033727

Tabela 5.1: Comparao do risco de portflios

Ento, por ltimo, os valores de VaR e CVaR do portflio 1 foram analisados. A comparao destes com os valores obtidos para cada ao deixa claro o benefcio da diversicao de um investimento. Os valores de VaR e CVaR do portflio 1 , assinalados pelas duas linhas horizontais na Figura 5.2, so signicativamente menores que os valores encontrados para as aes. Desta forma, com base nas observaes acima e no fato da biblioteca de otimizao indicar ter encontrado a soluo tima para a instncia do Problema (5.1.7), possvel concluir que o portflio 1 realmente apresenta CVaR mnimo.

60

CAPTULO 5. SELEO DE PORTFLIOS

Optimal Portfolio Composition

Return: 0.000749, CVaR(95%): 0.033403 0.20 0.15 0.10 0.05 0.00 GGBR4 CMIG4 USIM5 CCRO3 GOAU4 EMBR3 CSNA3 CYRE3 BRAP4 CRUZ3 CRUZ3 DASA3 DASA3 PETR4 VALE5 VALE3 PETR3 NATU3 LREN3 KLBN4 CPLE6 CPFE3 CPFE3

Figura 5.1: Composio x1 do portflio 1

VaR/CVaR 95%
0.08 CVaR VaR 0.06

0.04 Portfolio CVaR Portfolio VaR 0.02

0.00 GGBR4 CMIG4 USIM5 CCRO3 GOAU4 EMBR3 CSNA3 CYRE3 BRAP4 PETR4 VALE5 VALE3 PETR3 NATU3 LREN3 KLBN4 CPLE6

Figura 5.2: Comparao de VaR/CVaR: portflio 1 versus aes individuais

5.2.3

Anlise de Grcos

No teste apresentado na Seo 5.2.2 foi feita a anlise detalhada de um nico portflio. Neste segundo teste, buscou-se uma viso mais ampla do comportamento do algoritmo. Para isso, foi feita a anlise das mtricas de risco e da composio dos portflios selecionados em funo dos parmetros e R. Desta forma, em primeiro lugar, os portflios denidos pelo algoritmo foram analisados quanto s suas mtricas de risco. Atravs dos grcos presentes na Figura 5.3, que mostram os valores de VaR e CVaR em funo do retorno esperado mnimo R, foi possvel fazer as seguintes observaes: (i) Os valores de VaR e CVaR aumentam medida que aumenta, (ii) O CVaR uma curva convexa, (iii) O CVaR no decrescente em relao a R, (iv) Uma reduo em R no implica, necessariamente, em uma reduo do CVaR.

5.3. CONCLUSO

61

Em sequncia, os portflios usados na construo dos grcos da Figura 5.3 foram analisados quanto sua composio. Para isto, a composio de cada portflio foi representada por um grco vertical de barras e as barras obtidas dispostas lado a lado, como pode ser visto na Figura 5.4. Desta maneira, possvel analisar a composio dos portflios em funo do parmetro R. Assim, com base nos grcos da Figura 5.4, foi vericado que: (v) Muitas aes nunca foram escolhidos pelo algoritmo, (vi) Para diversos valores de R, no houve alterao na composio dos portflios, (vii) medida que R se aproxima do seu valor mximo, aumenta a frao do portflio atribuda ao CRUZ3, que tem o maior retorno esperado entre todas as aes no conjunto A. Veja a Figura C.2, localizada no Apndice C. Com base nas observaes feitas acima, possvel concluir que o algoritmo para a seleo de portflios apresenta o comportamento esperado em relao aos parmetros e R, como justicado a seguir. As duas primeiras observaes esto de acordo com a denio das duas medidas de risco e com suas propriedades, como pode ser visto na Seo 3.1.2. As observaes (iii), (iv) e (vi) esto claramente relacionadas. A princpio, espera-se que o risco associado a um portflio aumente medida que seu retorno esperado aumente. A terceira observao parece contrariar este princpio da Teoria Moderna de Portflios. Veja [40]. Entretanto, a observao da Figura 5.4 mostra que no h alterao na composio dos portflios para um intervalo signicativo de valores de R. Logo, neste mesmo intervalo, no deve haver alterao nos valores de VaR e de CVaR. Na regio em que h alterao na composio dos portflios, pode-se vericar que um aumento do retorno R implica em um aumento do risco associado e vice-versa, como esperado. Assim, as observaes (iii), (iv) e (vi) esto de acordo com o esperado. Finalmente, a concentrao do capital no ativo de maior retorno quando R aumenta bastante natural, dado que o retorno esperado do portflio um combinao convexa dos retornos das aes. Desta forma, a observao (vii) tambm corresponde ao esperado.

5.3

Concluso

Os resultados obtidos na anlise detalhada de um portflio e na anlise do comportamento do algoritmo em funo do nvel de VaR e do retorno esperado mnimo indicam que o algoritmo implementado para a seleo de portflios de aes funciona como o esperado. Alm disso, os resultados obtidos na Seo 5.2.2 tambm reforam a importncia da utilizao de modelos multivariados para o retorno de um conjunto de aes. As tentativas manuais, sem sucesso, de melhorar o portflio 1 substituindo as aes da carteira por uma ao de menor CVaR reetem, de certa forma, as estratgias que devem ser adotadas por algoritmos baseados nas avaliaes de risco individuais de cada ao. Assim, possvel que em muitos casos os modelos multivariados levem a solues superiores.

62

CAPTULO 5. SELEO DE PORTFLIOS

CVaR/VaR level 90%

CVaR VaR

Risk Measures

0.02 0.0000

0.04

0.06

0.0002

0.0004

0.0006

0.0008

0.0010

0.0012

Portfolio Daily Log Return

CVaR/VaR level 95%

CVaR VaR

Risk Measures

0.02 0.0000

0.04

0.06

0.0002

0.0004

0.0006

0.0008

0.0010

0.0012

Portfolio Daily Log Return

CVaR/VaR level 99%

CVaR VaR

Risk Measures

0.02 0.0000

0.04

0.06

0.0002

0.0004

0.0006

0.0008

0.0010

0.0012

Portfolio Daily Log Return

Figura 5.3: VaR/CVaR do portflio em funo do retorno mdio

5.3. CONCLUSO

63

CVaR level 90%

1.0 0.0 0.2 0.4 0.6 0.8

PETR3 CMIG4 CCRO3

NATU3 LREN3 KLBN4

EMBR3 CPLE6 CRUZ3

DASA3 CPFE3

CVaR level 95%

1.0 0.0 0.2 0.4 0.6 0.8

PETR3 CMIG4 CCRO3

NATU3 LREN3 KLBN4

EMBR3 CPLE6 CRUZ3

DASA3 CPFE3

CVaR level 99%

1.0 0.0 0.2 0.4 0.6 0.8

PETR3 CMIG4 CCRO3

NATU3 LREN3 KLBN4

EMBR3 CPLE6 CRUZ3

DASA3 CPFE3

Figura 5.4: Composio do portflio em funo do retorno mdio

64

CAPTULO 5. SELEO DE PORTFLIOS

Captulo 6 Ajuste do Modelo VAR+GO-GARCH

Neste captulo apresentado o algoritmo que foi implementado para o ajuste de um modelo VAR+GOGARCH a dados histricos. Na Seo 6.1 feita uma descrio do algoritmo e apresentado o seu pseudocdigo. Em seguida, na Seo 6.2, so apresentados os resultados do ajuste realizado s sries de retornos histricos de cinco aes da bolsa BM&FBovespa. Por ltimo, na Seo 6.3, so apresentadas as concluses deste captulo.

6.1

Implementao

Uma srie temporal {rt }t 1 que segue o modelo VAR+GO-GARCH composta pela soma de duas outras sries temporais, correspondentes sua mdia e sua volatilidade. A primeira destas sries, {t }t 1 , segue o modelo VAR e a segunda srie, {xt }t 1 , o modelo GO-GARCH, como mostrado no Captulo 2. Desta forma, a primeira etapa do ajuste de um modelo VAR+GO-GARCH uma amostra de retornos Rt = {r1 , , rT } deve ser o ajuste do modelo VAR, pois o modelo GO-GARCH e seus estimadores assumem a hiptese de que os retornos tm mdia nula. Este primeiro ajuste fornece o conjunto Mt = { 1, , T } dos valores de {t }t 1 ajustados a Rt . Com estes, os resduos Xt = {x 1 , , x T } podem ser calculados pela expresso x t = rt t (6.1.1)

e sobre Xt pode ser feito, ento, o ajuste do modelo GO-GARCH. Recorrendo novamente ao Captulo 2, Seo 2.5.2, possvel ver que o ajuste de um modelo GO-GARCH ocorre em trs etapas: (i) Estimao da matriz S, (ii) Estimao da matriz U, (iii) Estimao dos m processos GARCH(1,1) que regem {xt }t 1 . As etapas (i) e (ii) podem ser completadas utilizando o estimador ICA ou o estimador MM2011, que foram apresentados nas sees 2.5.3 e 2.5.4. Em seguida, a srie yt de fatores pode ser calculada atravs da equao y t = Z 1 x t , (6.1.2) onde Z = SU . Finalmente, o ajuste do modelo GO-GARCH completado aps os m processos GARCH(1,1) serem ajustados s coordenadas de yt . 65

66

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

Todo o processo de ajuste de um modelo VAR+GO-GARCH pode ser visto no Algoritmo 3, onde est descrita a funo VAR_GOGARCH. Esta foi implementada em R com o auxlio do estimador ICA e dos pacotes vars e rugarch, que foram usados para realizar os ajustes do modelo VAR e do modelo GARCH(1,1). Veja [44, 23]. Algorithm 3 Algoritmo para o ajuste de um modelo VAR+GO-GARCH 1: procedure VAR_GOGARCH(Rt , p) {Mt , B} := VAR(Rt , p) 2: 3: Xt := Rt Mt {Yt , S, U } := GOGARCH_ICA(Xt ) 4: 5: Z := SU 6: for k := 1, , m do 7: 2 k , gk := GARCH(Yt ,k , 1, 1) 8: end for 9: G := [g1 g2 gm ]
10:
2 2 Ht := 2 1 2 m 11: return B, Mt , Xt , Z , Yt , G, Ht 12: end procedure

Seguindo o pseudocdigo do Algoritmo 3, possvel ver que a primeira operao da funo VAR_GOGARCH o ajuste do modelo VAR de ordem p atravs da chamada funo VAR. Esta recebe como parmetros a ordem do modelo e a matriz Rt de tamanho m T que contm a amostra da srie de retornos. Em seguida, so calculados os resduos Xt do modelo VAR (linha 3) e realizado o ajuste do modelo GO-GARCH com a chamada funo GOGARCH_ICA, que foi denida na Seo 2.5.3. Finalmente, realizado o ajuste dos modelos GARCH(1,1) s coordenadas da srie de fatores yt (linhas 6 a 8). Por ltimo, ento, so criadas a matriz G de parmetros GARCH(1,1) e a a matriz Ht com as volatilidades univariadas ajustadas. Vale ressaltar que o ajuste do k-simo processo univariado fornece o vetor 2 k de dimenso 1 T e o vetor coluna gk . O primeiro destes contm os valores estimados para a volatidade da k-sima coordenada de yt e o segundo os parmetros do modelo GARCH(1,1) ajustado.

6.2

Resultados

Nesta seo so apresentados os resultados do ajuste realizado e para avaliar a implementao do Algoritmo 3 e para determinar a adequao do modelo VAR+GO-GARCH em relao aos retornos de um conjunto de aes. Desta forma, na Seo 6.2.1 feita uma descrio dos parmetros do ajuste realizado. Em seguida, na Seo 6.2.2 feito o diagnstico do ajuste. Por ltimo, na Seo 6.2.3, feita a anlise das volatilidades e covarincias condicionais calculadas pelo modelo VAR+GOGARCH.

6.2.1

Descrio do Ajuste

Sendo o ajuste do modelo VAR+GO-GARCH feito atravs da funo VAR_GOGARCH, preciso especicar trs caractersticas para a realizao do teste: a amostra Rt dos retornos, a ordem p do modelo VAR e a distribuio dos choques t dos processos GARCH(1,1) que so usados para modelar os fatores. A seguir, cada uma destas caractersticas descrita.

6.2. RESULTADOS

67

A amostra Rt escolhida para o teste formada pelos retornos de cinco aes que foram calculados com base em 600 preos de fechamento observados entre 04/01/2006 e 12/06/2008. As cinco aes escolhidas, todas negociadas na BM&FBovespa, foram: PETR4, VALE5, GGBR4, USIM5 e CSNA3. A ordem p do modelo VAR foi escolhida como p = 5, aps a realizao do ajuste de diversos modelos VAR, sendo cada um deles seguido da anlise das autocorrelaes dos resduos. Finalmente, dado que os retornos nanceiros apresentam distribuies assimtricas e com caudas pesadas, foi selecionada a distribuio t de Student assimtrica, denida em [16] e implementada no pacote rugarch, como a distribuio dos choques dos processos GARCH(1,1).

6.2.2

Diagnstico do Ajuste

Na ausncia de testes especcos para o diagnstico de modelos GO-GARCH na literatura, recorreuse anlise de grcos, a testes gerais que podem ser aplicados a qualquer modelo GARCH multivariado e vericao das hipteses e restries do modelo para analisar a qualidade do ajuste obtido atravs da funo VAR_GOGARCH. Anlise das Correlaes O diagnstico do ajuste do modelo VAR+GO-GARCH foi iniciado com a anlise das matrizes de correlao associadas s sries de resduos obtidas no ajuste do modelo: {xt }t 1 e {zt }t 1 . A primeira destas, {xt }t 1 , corresponde aos resduos do ajuste VAR. A segunda srie, {zt }t 1 , corresponde aos resduos padronizados do modelo GO-GARCH. Considere a Figura 6.1, onde a matrizes de correlao analisadas podem ser encontradas. As matrizes de correlao de rt e rt2 indicam a presena de correlaes signicativas entre as componentes dos retornos rt no primeiro e no segundo momento. O mesmo pode ser observado nas matrizes referentes a xt , que so muito semelhantes s obtidas para os retornos. Aparentemente, o modelo VAR no capturou totalmente a dinmica da srie {rt }t 1 . Entretanto, ao considerar as matrizes referentes a zt , possvel notar uma grande reduo nas correlaes encontradas no primeiro e no segundo momento. Assim, possvel que o modelo GOGARCH ajustado tenha sido capaz de capturar a dinmica dos retornos de forma apropriada. Alm disso, a dinmica da srie de retornos parece ser explicada, principalmente, pelo segundo momento. Testes de Autocorrelao Aps a anlise das matrizes de correlao, foi testada a existncia de autocorrelaes nas sries de retornos e de resduos. Assim, o teste de Hosking, apresentado na Seo 2.1, foi aplicado s amostras das sries {rt }t 1 , {xt }t 1 , {zt }t 1 e seus quadrados. Os resultados obtidos podem ser encontrados na Figura 6.2. Analisando as tabelas presentes na Figura 6.2, possvel ver que os retornos rt apresentam autocorrelaes em seus dois primeiros momentos, pois os p-valores fornecidos pelo teste de Hosking indicam a rejeio da hiptese nula. Esta, no teste de Hosking, de no existncia de autocorrelaes. Repare que a rejeio da hiptese nula assinalada pelos p-valores em vermelho nas tabelas (a) e (b). Em seguida, analisando os p-valores obtidos nos testes feitos sobre {xt }t 1 , possvel ver que as autocorrelaes existentes em {rt }t 1 foram removidas at o lag 25 pelo ajuste do modelo VAR. As autocorrelaes do segundo momento, como esperado, ainda esto presentes na srie xt2 t 1 , como indicam os p-valores da tabela (d). Finalmente, analisando os resultados obtidos para zt2 t 1 , possvel ver que o ajuste do modelo GO-GARCH foi capaz de remover as autocorrelaes existentes at o vigsimo lag. Alm disso, este

68
1.0000 0.6818 0.6062 0.5469 0.6031 0.6818 1.0000 0.7008 0.6375 0.7029 0.6062 0.7008 1.0000 0.6942 0.6886

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

0.5469 0.6375 0.6942 1.0000 0.7523 0.6031 0.7029 0.6886 0.7523 1.0000 1.0000 0.4172 0.3517 0.2952 0.4367 0.4172 1.0000 0.5131 0.5284 0.6010 0.3517 0.5131 1.0000 0.5628 0.5189 0.2952 0.5284 0.5628 1.0000 0.5729 0.4367 0.6010 0.5189 0.5729 1.0000

Cor(rt ) =

Cor(rt2 ) =

(a) Correlaes em rt
Cor(xt ) = 1.0000 0.6851 0.6120 0.5553 0.5990 0.6851 1.0000 0.7081 0.6429 0.7042 0.6120 0.7081 1.0000 0.7054 0.6970 0.5553 0.6429 0.7054 1.0000 0.7678 0.5990 0.7042 0.6970 0.7678 1.0000 1.0000 0.3901 0.3564 0.2983 0.3852

(b) Correlaes em rt2

0.3901 1.0000 0.5170 0.4970 0.5685 0.3564 0.5170 1.0000 0.5905 0.5460 0.2983 0.4970 0.5905 1.0000 0.6043 0.3852 0.5685 0.5460 0.6043 1.0000

Cor(xt2 ) =

(c) Correlaes em xt
Cor(zt ) = 1.0000 -0.0098 -0.0141 -0.0073 -0.0322 -0.0098 1.0000 -0.0005 0.0026 -0.0132 -0.0141 -0.0005 1.0000 0.0114 0.0061 -0.0073 0.0026 0.0114 1.0000 -0.0082 -0.0322 -0.0132 0.0061 -0.0082 1.0000 1.0000 0.0368 0.1241 0.0365 0.0609

(d) Correlaes em xt2

0.0368 1.0000 -0.0405 0.0410 0.0688 0.1241 -0.0405 1.0000 0.1570 0.0073 0.0365 0.0410 0.1570 1.0000 0.0774 0.0609 0.0688 0.0073 0.0774 1.0000

Cor(zt2 ) =

(e) Correlaes em zt

(f) Correlaes em zt2

Figura 6.1: Matrizes de correlao: rt , xt ,zt e seus quadrados ajuste tambm parece ter tido um efeito positivo sobre a srie de resduos {xt }t 1 , pois as autocorrelaes que nesta foram acusadas, no mais ocorrem em {zt }t 1 . Anlise dos Resduos VAR Completados os testes de autocorrelao, passou-se, ento, anlise de outras propriedades dos resduos. Assim, considere o ajuste do modelo VAR. Para que este seja considerado bem sucedido, necessrio que o valor esperado de xt seja nulo e que no existam autocorrelaes na srie {xt }t 1 . A ltima dessas condies foi comprovada nos testes de autocorrelao (veja a Figura 6.2). Assim, ainda deve ser vericada a primeira condio. Para avaliar se a esperana E [xt ] nula, foi utilizado o teste t de Student para a mdia de uma amostra A. Este teste indica se o valor esperado dos elementos em A corresponde ao valor 0 , especicado previamente. Veja a Denio 12 e [52]. Denio 12. Teste t de Student para a Mdia de uma Amostra A H0 : Ha : E [A] = 0 E [A] = 0 ( 0 ) n Estatstica: t = s Regra: H0 rejeitada em favor de Ha quando |t | > tn1 (/2),

onde es so, respectivamente, a mdia e o desvio padro amostrais de A; tn1 (/2) o quantil de ordem /2 da distribuio t de Student com n 1 graus de liberdade e n o tamanho da amostra A. Desta forma, os valores esperados das coordenadas de xt foram testados contra 0 = 0. Como os p-valores obtidos nos testes indicam, todas as coordenadas de xt tm mdia nula. Veja a Tabela 6.1. Assim, comprovada a ausncia de autocorrelaes em {xt }t 1 e que E [xt ] = 0, possvel concluir que o ajuste do modelo VAR foi bem sucedido.

6.2. RESULTADOS
Lags 6 10 15 20 25 30 Statistic 192.3920 309.9618 427.7906 578.5314 749.3717 943.8149 df 150 250 375 500 625 750 p-value 0.0111 0.0058 0.0309 0.0085 0.0004 0 Lags 6 10 15 20 25 30 Statistic 354.7336 464.2409 645.1586 784.1894 973.4747 1172.6119 df 150 250 375 500 625 750 p-value 0 0 0 0 0 0

69

(a) Hosking em rt

(b) Hosking em rt2

Lags 6 10 15 20 25 30

Statistic 22.0671 140.5794 245.1438 403.0684 545.5175 727.1244

df 25 125 250 375 500 625

p-value 0.6319 0.1614 0.5748 0.1528 0.0780 0.0029

Lags 5 10 15 20 25 30

Statistic 279.7014 398.5589 562.6849 680.7541 877.0728 1060.1254

df 125 250 375 500 625 750

p-value 0 0 0 0 0 0

(c) Hosking em xt

(d) Hosking em xt2

Lags 5 10 15 20 25 30

Statistic 13.7861 150.8289 247.7314 393.7500 531.5097 693.9615

df 125 250 375 500 625 750

p-value 1.0000 1.0000 1.0000 0.9998 0.9972 0.9288

Lags 5 10 15 20 25 30

Statistic 118.6954 257.9895 388.3685 540.3178 767.2099 995.0267

df 125 250 375 500 625 750

p-value 0.6418 0.3507 0.3062 0.1033 0.0001 0

(e) Hosking em zt

(f) Hosking em zt2

Figura 6.2: Testes de autocorrelao: rt , xt , zt e seus quadrados Anlise dos Resduos VAR+GO-GARCH Considere agora, o ajuste do modelo GO-GARCH e a srie {zt }t 1 de resduos padronizados. Na Seo 2.5.5, so descritas propriedades dos resduos padronizados zt que podem ser exploradas para avaliar o ajuste de um modelo GO-GARCH. Estes resduos, quando o ajuste bem sucedido, devem apresentar: (i) Ausncia de autocorrelaes nos dois primeiros momentos, (ii) E [zt ] = 0, (iii) Cov(zt ) = Im . A validade da primeira propriedade foi vericada anteriormente, durante a realizao dos testes de autocorrelao. Nestes, ao aplicar o teste de Hosking nas sries {zt }t 1 e zt2 t 1 , foi possvel comprovar que a srie de resduos GO-GARCH no apresenta autocorrelaes em seus dois primeiros momentos. Veja os resultados da Figura 6.2. Para avaliar a segunda propriedade, referente ao valor esperado de zt , recorreu-se novamente ao teste t de Student para a mdia de uma amostra. Conforme os resultados obtidos, presentes na Tabela 6.2, todas as componentes de zt tm mdia zero.

70

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

Value 0 0 0 0 0 t-Statistic 0 0 0 0 0 p-value 1.0000 1.0000 1.0000 1.0000 1.0000

E[x1t ] E[x2t ] E[x3t ] E[x4t ] E[x5t ]

Tabela 6.1: Teste do valor esperado dos resduos xt do ajuste VAR

Value 0.0027 0.0032 -0.0093 -0.0065 -0.0010 t-Statistic 0.0645 0.0768 -0.2269 -0.1558 -0.0241 p-value 0.9486 0.9388 0.8206 0.8763 0.9808

E[z1t ] E[z2t ] E[z3t ] E[z4t ] E[z5t ]

Tabela 6.2: Teste do valor esperado dos resduos padronizados zt

Em seguida, para avaliar se a matriz de covarincia de zt igual identidade, recorreu-se novamente ao teste t de Student. Uma observao sobre este teste necessria. Repare que o elemento (i, j) da matriz de covarincia corresponde esperana E zit z jt , para a qual o valor 0 a testar conhecido (elementos na diagonal tm 0 = 1 e os demais tm 0 = 0). Desta forma, possvel aplicar o teste t a cada uma das entradas da matriz Cov(zt ), o que permite uma anlise mais aprofundada sobre zt atravs dos pvalores obtidos. Estes, por convenincia, foram agrupados na matriz PV (zt ), que pode ser encontrada na Figura 6.3.
Cov(zt ) = 1.0412 -0.0101 -0.0140 -0.0072 -0.0332 -0.0101 1.0028 -0.0004 0.0027 -0.0134 -0.0140 -0.0004 1.0074 0.0105 0.0066 -0.0072 0.0027 0.0105 1.0189 -0.0080 -0.0332 -0.0134 0.0066 -0.0080 1.0119 PV (zt ) = 0.7444 0.8247 0.7879 0.8755 0.4890 0.8247 0.9655 0.9925 0.9499 0.7660 0.7879 0.9925 0.9012 0.8279 0.8754 0.8755 0.9499 0.8279 0.7715 0.8610 0.4890 0.7660 0.8754 0.8610 0.8620

Figura 6.3: Teste da matriz de covarincia dos retornos padronizados zt Conforme os p-valores de PV (zt ), a matriz Cov(zt ) realmente igual identidade. Desta forma, comprovadas todas as trs propriedades, possvel concluir que o ajuste do modelo GO-GARCH tambm foi bem sucedido. Anlise da Distribuio dos Choques t Aps a vericao das propriedades dos resduos, foi feita a anlise da distribuio do vetor aleatrio t , que corresponde aos choques dos processos GARCH(1,1) usados para modelar o vetor de fatores yt . Esta anlise tem por objetivo determinar se a distribuio do vetor t foi especicada corretamente. Quando o modelo adotado para os retornos captura a dinmica dos mesmos corretamente, os resduos zt obtidos so compatveis com a distribuio de t , ou seja, podem ser considerados realizaes do vetor aleatrio t . Sendo as coordenadas de t independentes entre si, a comparao com os resduos deve ser feita

6.2. RESULTADOS

71

coordenada a coordenada, ou seja, preciso determinar se kt , a k-sima coordenada de t compatvel com o conjunto Zk = {zk1 , , zkT } das k-simas coordenadas de zt . Felizmente, esta comparao pode ser feita de forma bem conveniente. Basta contrapor Zk a uma amostra Ek que tenha sido gerada segundo a distribuio de kt . Esta contraposio pode ser feita atravs do teste de Kolmogorov-Smirnov (ou teste KS) e da criao de QQ-plots, que permitem determinar se duas amostras pertencem ou no uma mesma distribuio. Veja [50, 48]. Assim, foram geradas as amostras E1 , , E5 segundo a distribuio das coordenadas de t , cujos parmetros foram determinados aps o ajuste dos processos GARCH(1,1). Estas foram, ento, comparadas com as amostras Z1 , , Z5 atravs de QQ-plots, que podem ser encontrados na Figura 6.4.
QQPlot: z1t
G

QQPlot: z2t
10
G

10

G G GG G G G G G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G

zt(1) Quantiles

zt(2) Quantiles

G G G G GG G G GG G G G G GG G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G G G G GG G G

G G G G

0
G

2 SSTD Quantiles

SSTD Quantiles

QQPlot: z3t
G

QQPlot: z4t
10
G

GG

G G

G GG G G G G G G G G G G G GG G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG

zt(3) Quantiles

zt(4) Quantiles

G G

G G

GG G G G G GG G G G G G G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G G G G G

5
G

0 SSTD Quantiles

0 SSTD Quantiles

QQPlot: z5t
10
G

zt(5) Quantiles

G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG GG GG G G

G G G GG G

G G G

10

5
G

0 3

SSTD Quantiles

Figura 6.4: Q-Q Plot dos resduos padronizados do modelo VAR+GO-GARCH Dada a disposio dos elementos das amostras nos grcos da Figura 6.4 (dispostos sobre uma mesma reta), possvel concluir que estas podem realmente ter sido geradas segundo uma mesma distribuio de probabilidade. Em seguida, aps o resultado positivo na anlise dos QQ-plots, foi aplicado o teste KS aos pares de amostras Ek e Zk . Os resultados obtidos podem ser encontrados na Tabela 6.3.

72

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

Statistic 0.0381 0.0359 0.0338 0.0228 0.0316 p-value 0.3563 0.4280 0.5067 0.9180 0.5936

z1t z2t z3t z4t z5t

versus 1t versus 2t versus 3t versus 4t versus 5t

Tabela 6.3: Teste de Kolmogorov-Smirnov: distribuio de zt versus a distribuio de t

Analisando os p-valores obtidos presentes na Tabela 6.3, chega-se novamente concluso de que Ek e Zk so amostras de uma mesma varivel aleatria, pois os alto valores encontrados no permitem rejeitar a hiptese nula do teste KS. Esta, logicamente, de que as amostras foram geradas segundo uma mesma distribuio. Desta forma, dados os resultados positivos dos testes KS e dos QQ-plots, possvel concluir que a distribuio t de Student assimtrica realmente uma escolha apropriada para t . Matrizes do Modelo GO-GARCH Os testes realizados at o momento indicam que o modelo escolhido para os retornos rt foi capaz de capturar a dinmica dos mesmos de forma apropriada. Assim, agora so consideradas as hipteses adotadas pelo modelo GO-GARCH. O primeiro teste realizado neste sentido se refere s matrizes do modelo. Como mostrado na Seo 2.5, a matriz Z = SU deve ser inversvel, o que pde ser comprovado facilmente, calculando sua inversa. As matrizes obtidas no ajuste, a matriz Z e a inversa desta podem ser vistas na Figura 6.5.
S= 0.0190 0.0064 0.0052 0.0048 0.0052 -0.0008 -0.0074 0.0048 0.0057 -0.0080 0.0064 0.0187 0.0066 0.0060 0.0069 0.0050 -0.0034 0.0050 0.0085 0.0145 0.0052 0.0066 0.0192 0.0074 0.0067 -0.0162 -0.0206 -0.0173 -0.0234 -0.0182 0.0048 0.0060 0.0074 0.0225 0.0092 0.0049 0.0052 0.0132 -0.0048 0.0030 0.0052 0.0069 0.0067 0.0092 0.0207 0.0129 -0.0005 -0.0043 -0.0055 -0.0045 U = 0.0545 -0.5039 0.4303 0.4696 -0.5809 9.4662 15.2166 -7.1150 1.6881 62.6475 0.1949 -0.6071 0.0961 0.1619 0.7470 -37.2220 -56.7899 -26.2966 -3.1501 -12.1666 -0.3556 -0.5991 -0.2801 -0.6215 -0.2234 34.4987 3.8962 2.2598 58.5294 -18.9303 0.1251 0.1032 0.8093 -0.5604 0.0686 35.6870 -3.1769 -23.7426 -45.8613 -8.9194 0.9038 -0.0888 -0.2689 -0.2301 -0.2235 -44.9983 51.1397 9.5306 5.4197 -12.4235

Z=

Z 1 =

Figura 6.5: Matrizes do modelo GO-GARCH ajustado

Anlise dos Fatores yt Voltando denio do modelo GO-GARCH, no Captulo 2, possvel ver que a srie {yt }t 1 dos fatores segue, por hiptese, a estrutura dada pela equao yt = Ht t ,
1/2

(6.2.1)

onde Ht = diag (h1t , , hmt ) a matriz de varincia condicional, hit a volatilidade condicional dada pelo i-simo processo GARCH(1,1) do modelo e {t }t 1 a sequncia vetorial martingal de diferenas que corresponde aos choques dos processos GARCH(1,1). Veja a Denio 4.

6.2. RESULTADOS Alm desta, outras hipteses tambm so feitas sobre a srie de fatores: (i) A srie {yit }t 1 formada pela i-sima coordenada de {yt }t 1 estacionria, (ii) E [hit ] = 1 e hit 0, (iii) E [yt |Ft 1 ] = 0, (iv) Cov (yt |Ft 1 ) = E [yt yt |Ft 1 ] = Ht .

73

Infelizmente, impossvel analisar as esperanas condicionais estatisticamente, pois existe apenas uma realizao de yt |Ft 1 para cada tempo t . Entretanto, como E [X ] = E [E [X |Ft ]] para uma varivel aleatria X , possvel recorrer mdia amostral das realizaes de yt |Ft 1 para a realizao de testes. Desta forma, obtm-se o seguinte conjunto de propriedades que podem ser testadas: (i) As sries {yit }t 1 so estacionrias, (ii) E [hit ] = 1 e hit 0, (iii) E [yit ] = 0, (iv) E [it ] = 0, (v) Cov(t ) = Im , (vi) Cov(yt ) = Im . Sobre estas propriedades, necessrio fazer alguns comentrios. As propriedades (iv) e (v) so provenientes da denio de uma sequncia vetorial martingal de diferenas (Denio 4), sendo assim facilmente comprovadas. A propriedade (vi), entretanto, requer um pouco mais de ateno. Esta pode ser justicada por Cov(yt ) = E yt yt = E E yt yt Ft 1 = E [Ht ] = Im . (6.2.2)

Assim, uma vez que todos os testes realizados sobre as sries de fatores foram propriamente denidos e justicados, possvel passar anlise de seus resultados. Em primeiro lugar, foi testada a estacionariedade dos fatores {yit }t 1 . Para isto, foi empregado o teste KPSS, que tem como hiptese nula a estacionariedade da srie sendo analisada. Veja [35]. De acordo com os p-valores obtidos, veja a Tabela 6.4, possvel concluir que todas as sries {yit }t 1 so realmente estacionrias, como esperado.
Statistic 0.0827 0.1170 0.2908 0.1128 0.2642 p-value 0.1000 0.1000 0.1000 0.1000 0.1000

KPSS Test em y1t KPSS Test em y2t KPSS Test em y3t KPSS Test em y4t KPSS Test em y5t

Tabela 6.4: Teste de estacionariedade dos fatores yit do modelo GO-GARCH ajustado Em seguida, o teste t de Student foi utilizado para validar as hipteses feitas sobre os valores esperados de hit , yit e it . Como os p-valores presentes nas tabelas da Figura 6.6 indicam, todas as

74
Value -0.2182 0.1583 0.0343 0.0783 -0.4187 t-Statistic -0.3151 0.3973 0.1447 0.2079 -1.5045

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

p-value 0.7684 0.7115 0.8920 0.8455 0.2069 Value -0.0078 -0.0044 0.0031 -0.0043 0.0061 t-Statistic -0.1883 -0.1065 0.0767 -0.1043 0.1450 p-value 0.8507 0.9152 0.9389 0.9170 0.8847

E[y1t ] E[y2t ] E[y3t ] E[y4t ] E[y5t ]

E[1t ] E[2t ] E[3t ] E[4t ] E[5t ]

(a) Teste t para E [yit ] = 0

(b) Teste t para E [it ] = 0

E[h1t ] E[h2t ] E[h3t ] E[h4t ] E[h5t ]

Value 0.9998 0.9903 1.0038 1.0032 0.9427

t-Statistic -0.0141 -1.3757 0.3239 0.2026 -3.6000

p-value 0.9888 0.1694 0.7461 0.8395 0.0003

(c) Teste t para E [hit ] = 1

Figura 6.6: Teste dos valores esperados de yt , t e ht hipteses do modelo foram conrmadas, com exceo da esperana E [h5t ]. Esta se mostrou estatisticamente diferente da unidade, porm com valor prximo da mesma. Dando continuidade aos testes, a exemplo do que foi feito na avaliao da matriz de covarincia Cov(zt ), o teste t de Student tambm foi aplicado s matrizes de covarincia de yt e de t para determinar se estas eram iguais identidade. De acordo com os p-valores obtidos, que podem ser encontrados nas matrizes PV (yt ) e PV (t ) da Figura 6.7, isto verdade, ou seja, Cov(yt ) = Cov(t ) = Im .
Cov(yt ) = 1.0004 0 0.0007 -0.0005 0.0010 1.0072 0.0033 -0.0215 -0.0018 0.0098 0 1.0017 -0 0 -0 0.0033 1.0156 0.0098 0.0033 -0.0118 0.0007 -0 1.0013 0.0003 -0.0005 -0.0215 0.0098 0.9987 0.0006 0.0020 -0.0005 0 0.0003 1.0015 0.0004 -0.0018 0.0033 0.0006 1.0009 -0.0040 0.0010 -0 -0.0005 0.0004 1.0009 0.0098 -0.0118 0.0020 -0.0040 1.0599 PV (yt ) = 0.9957 0.9999 0.9878 0.9912 0.9802 0.9141 0.9419 0.6244 0.9639 0.8088 0.9999 0.9809 0.9999 0.9999 0.9999 0.9419 0.8297 0.8044 0.9392 0.7725 0.9878 0.9999 0.9855 0.9946 0.9897 0.6244 0.8044 0.9858 0.9867 0.9625 0.9912 0.9999 0.9946 0.9836 0.9918 0.9639 0.9392 0.9867 0.9895 0.9142 0.9802 0.9999 0.9897 0.9918 0.9952 0.8088 0.7725 0.9625 0.9142 0.6804

Cov(t ) =

PV (t ) =

Figura 6.7: Teste das matrizes de covarincia de yt e t Finalmente, foram analisados os grcos dos fatores yit , que podem ser encontrados na Figura 6.8. A semelhana destes com os grcos de retornos nanceiros aparente e natural, j que os retornos so modelados como uma combinao linear dos fatores.

6.2.3

Anlise da Covarincia Condicional

As estimativas da matriz t de covarincia condicional, de certa forma, denem a distribuio de probabilidade dos retornos rt . Estas tm, ento, efeito direto sobre a seleo de um portflio de risco mnimo e tambm sobre o clculo de avaliaes de risco. Assim, estas estimativas tm grande importncia em relao aos objetivos deste trabalho.

6.2. RESULTADOS

75

Factors y(t)
y1t 8 y2t y3t y4t y5t

4 2006

2007 Date

2008

Figura 6.8: Fatores do modelo GO-GARCH ajustado Desta forma, nesta seo apresentada uma anlise qualitativa das estimativas de t , dadas por t = Z Ht Z , (6.2.3)

buscando determinar a validade das mesmas. Para isso, foram criados diversos grcos mostrando a evoluo das entradas de t ao longo do tempo. Alm disso, foi feita uma comparao das volatilidades condicionais calculadas, tendo o modelo IGARCH(1,1) como referncia. Em primeiro lugar, considere as guras 6.9 e 6.10. Na primeira destas, so mostrados os elementos da diagonal de t ao longo do tempo. Estes correspondem s varincias condicionais de {xt }t 1 . Na segunda gura, cada grco corresponde a uma das coluna de t , ou seja, cada grco mostra as covarincias condicionais de {xt }t 1 em funo do tempo t . Observando os grcos das guras 6.9 e 6.10, possvel notar que as sries de varincias e covarincias apresentam um mesmo comportamento. Isto , suas subidas e descidas so sincronizadas. Uma vez que as varincias e as covarincias condicionais so calculadas com base no mesmo conjunto de fatores, esta observao no chega a ser surpreendente. De acordo com os resultados, o que muda de srie para srie a intensidade com que estas respondem s mudanas nos fatores. A sincronia existente entre as sries das guras 6.9 e 6.10 tambm parece de acordo com as correlaes identicadas na Tabela C.2 do Apndice C. Consultando esta tabela, possvel vericar que as aes aqui utilizadas apresentam correlao positiva bastante alta. Considere agora a Figura 6.11, onde esto representados os retornos das aes juntamente com os desvios padro condicionais calculados pelos modelos VAR+GO-GARCH e IGARCH. Pelos grcos, possvel ver que os dois desvios padro calculados parecem aumentar na proximidade de um cluster de volatilidade, como esperado. Os desvios padro IGARCH, entretanto, parecem oscilar mais que os calculados pelo modelo VAR+GO-GARCH. Estes, como identicado em [51], aparentemente no ultrapassam um patamar mnimo. Esta maior oscilao dos desvios padro IGARCH pode ser vista com maior clareza na Figura 6.12, que compara as volatilidades dos dois modelos.

76

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

GOGARCH Volatilities
PETR4 VALE5 GGBR4 USIM5 CSNA3

Volatility

0.0005 2006

0.0010

0.0015

2007 Date

2008

Figura 6.9: Volatilidades condicionais do modelo GO-GARCH Na Figura 6.12 possvel ver que em diversos momentos a volatilidade estimada pelo modelo IGARCH se encontra bem acima ou bem abaixo da estimada pelo modelo VAR+GO-GARCH.

6.3

Concluso

Neste captulo foi apresentado o algoritmo para ajuste de um modelo VAR+GO-GARCH a dados histricos e os resultados do ajuste s sries histricas de cinco aes da BM&FBovespa: PETR4, VALE5, GGBR4, USIM5 e CSNA3. O diagnstico do ajuste demonstrou que o modelo VAR+GO-GARCH foi bem sucedido em capturar a dinmica dos retornos das cinco aes selecionadas. Isto foi comprovado, principalmente, pela ausncia de autocorrelaes nos dois momentos das sries de resduos VAR e GO-GARCH. Frente a estes, o fato da esperana E [h5t ] ser menor que a unidade no to relevante. Alm disso, tendo sido este o nico desvio encontrado das hipteses do modelo, possvel considerar que o ajuste do modelo foi bem sucedido. Finalmente, a comparao das volatilidades calculadas pelo modelo VAR+GO-GARCH com as calculadas pelo modelo IGARCH(1,1) demonstrou que em relao aos retornos rt ambas apresentam o comportamento esperado. Entretanto, a volatilidade IGARCH se mostrou menos estvel e com maiores oscilaes. Como explicado na Seo 2.2, o modelo IGARCH(1,1) foi escolhido aps uma extensiva bateria de testes de modelos univariados. Desta forma, caso as volatilidades VAR+GO-GARCH sejam adequadas para aplicaes de avaliao de risco, possvel que exista uma grande vantagem no seu uso, dado que as volatilidades calculadas no so to extremas quanto s encontradas com o modelo IGARCH. Os relatrios contendo o diagnstico dos cinco ajustes IGARCH realizados pode ser encontrado no Apndice D.

6.3. CONCLUSO
PETR4 Covariances
1e03 PETR4 VALE5 GGBR4 USIM5 CSNA3

77

Covariance

2e04 2006

4e04

6e04

8e04

2007 Date

2008

VALE5 Covariances
PETR4 0.0010 VALE5 GGBR4 USIM5 CSNA3

Covariance

0.0002 2006

0.0006

2007 Date

2008

GGBR4 Covariances
PETR4 0.0010 VALE5 GGBR4 USIM5 CSNA3

Covariance

0.0002 2006

0.0006

2007 Date

2008

USIM5 Covariances
0.0015 PETR4 VALE5 GGBR4 USIM5 CSNA3

Covariance

0.0005 2006

0.0010

2007 Date

2008

CSNA3 Covariances
PETR4 0.0010 VALE5 GGBR4 USIM5 CSNA3

Covariance

0.0002 2006

0.0006

2007 Date

2008

Figura 6.10: Covarincias condicionais do modelo GO-GARCH ajustado

78

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

PETR4 Standard Deviation (SD) Bounds
2*SD (iGARCH) 2*SD (GOGARCH)

Log Returns

0.05 2006

0.00

0.05

0.10

2007 Date

2008

VALE5 Standard Deviation (SD) Bounds

2*SD (iGARCH) 0.05 2*SD (GOGARCH)

Log Returns

0.10 2006

0.05

0.00

2007 Date

2008

GGBR4 Standard Deviation (SD) Bounds

2*SD (iGARCH) 0.05 2*SD (GOGARCH)

Log Returns

0.10 2006

0.05

0.00

2007 Date

2008

USIM5 Standard Deviation (SD) Bounds

0.10 2*SD (iGARCH) 2*SD (GOGARCH)

Log Returns

0.10 2006

0.05

0.00

0.05

2007 Date

2008

CSNA3 Standard Deviation (SD) Bounds

2*SD (iGARCH) 0.05 2*SD (GOGARCH)

Log Returns

0.05 2006

0.00

2007 Date

2008

Figura 6.11: Comparao de desvios padro: GO-GARCH versus IGARCH

6.3. CONCLUSO
PETR4 Volatility
0.0014 iGARCH GOGARCH

79

Volatility

0.0002 2006

0.0006

0.0010

2007 Date

2008

VALE5 Volatility
0.0014 iGARCH GOGARCH

Volatility

0.0002 2006

0.0006

0.0010

2007 Date

2008

GGBR4 Volatility
iGARCH 0.0010 GOGARCH

Volatility

0.0002 2006

0.0006

2007 Date

2008

USIM5 Volatility
iGARCH 0.0014 GOGARCH

Volatility

0.0002

0.0006 2006

0.0010

2007 Date

2008

CSNA3 Volatility
0.0016 iGARCH GOGARCH

Volatility

0.0004 2006

0.0008

0.0012

2007 Date

2008

Figura 6.12: Comparao de volatilidades: GO-GARCH versus IGARCH

80

CAPTULO 6. AJUSTE DO MODELO VAR+GO-GARCH

Captulo 7 Avaliao do Risco de um Portflio

Previses de medidas de risco so fundamentais para o bom gerenciamento de qualquer portflio, pois permitem que o investidor tome aes de forma a se prevenir contra grandes perdas nanceiras. Com o objetivo de auxiliar na tomada de decises de um investidor, foi implementado um algoritmo para calcular previses de VaR e CVaR com o horizonte de um dia. Na Seo 7.1, so apresentados detalhes do algoritmo implementado e tambm a metodologia de clculo das medidas de risco. Em seguida, na Seo 7.2, apresentado o procedimento de backtesting realizado para avaliar o algoritmo. Depois, na Seo 7.3, so apresentados os resultados obtidos. Finalizando o captulo, na Seo 7.4, so apresentadas as concluses.

7.1

Implementao

A metodologia adotada para o clculo das previses de risco bem conhecida. Em primeiro lugar, escolhe-se um modelo para o retorno dos ativos que formam o portflio em avaliao. Tendo este modelo e as informaes colhidas at uma data t como referncia, feita a simulao de diversos cenrios para a data futura t + 1. Ento, as medidas de risco podem ser estimadas com base nos diversos cenrios calculados. Veja [50, 13]. O modelo GO-GARCH e a estimao de CVaR baseada na expresso F foram utilizadas na implementao da metodologia acima, pois so o foco principal deste trabalho. Entretanto, a escolha destes seria bastante natural, mesmo considerando outras opes. Em primeiro lugar, como pde ser vericado na Seo 5.2.2, o uso de modelos multivariados pode resultar em melhores estimativas para o VaR e para o CVaR de um portflio. Desta forma, dado que o ajuste dos modelos VAR e GO-GARCH aos dados histricos apresentou bons resultados no Captulo 6, a escolha destes seria bastante natural. Tambm seria natural a escolha pela estimao das medidas de risco atravs de amostras de retornos. Em muitos casos, a distribuio dos retornos simulados bastante complexa e pode no ter frmula fechada. Como exemplo, os prprios modelos GO-GARCH podem ser citados, pois estes favorecem a obteno de distribuies complexas ao permitir a combinao de fatores regidos por diferentes modelos. Nestes casos, a utilizao do estimador baseado na funo F se apresenta como a nica opo vivel. Considere, ento, o Algoritmo 4. Neste, o procedimento completo para o clculo das previses de risco foi implementado na funo RISK _VAR_GOGARCH , que recebe cinco parmetros: a matriz Rt de retornos multivariados, a composio w do portflio, a ordem p do modelo VAR, o nvel de VaR e o nmero N de amostras a serem geradas nas simulaes dos fatores. Acompanhando o pseudocdigo da funo RISK_VAR_GOGARCH, possvel ver que a primeira operao realizada consiste no ajuste dos modelos VAR e GO-GARCH srie de retornos multi81

82

CAPTULO 7. AVALIAO DO RISCO DE UM PORTFLIO

variados que est armazenada na matriz Rt . Este ajuste realizado atravs da chamada funo VAR_GOGARCH, que foi denida na Seo 6.1. Em seguida, a funo GARCH_SIM utilizada para simular os m processos GARCH(1,1) usados na modelagem dos fatores do modelo GO-GARCH (linhas 3 a 5). Terminadas as simulaes, o conjunto rt +1 dos possveis retornos para o tempo t + 1 , ento, calculado (linhas 6 a 9). Neste clculo, os valores obtidos para os fatores so combinados pela matriz Z do modelo GO-GARCH e depois somados previso do retorno mdio mt +1 que calculada pela funo VAR_PREVISAO, como indicado na Seo 2.4.1. Por m, a funo CVaR utilizada para calcular as estimativas das medidas VaR e CVaR. Vale ressaltar que a funo CVaR calcula as estimativas de risco por programao linear, atravs da resoluo do Problema (3.2.17). Algorithm 4 Algoritmo para estimar o risco de um portflio com modelos VAR e GO-GARCH
1: 2: 3: 4: 5: 6: 7: 8: 9: 10: 11: 12:

procedure RISK_VAR_GOGARCH(Rt , w, p, , N ) {B, Mt , Xt , Z , Yt , G, Ht } := VAR_GOGARCH(Rt , p) for k := 1, , m do yk := GARCH_SIM(Vt ,k , Gk , N ) end for yt +1 := [y1 y2 ym ] mt +1 := VAR_PREVISAO(Mt , B) xt +1 := Z yt +1 rt +1 := xt +1 + mt +1 VaR , CVaR := CVaR(w rt +1 , ) return VaR , CVaR end procedure

Finalmente, quanto sua implementao computacional, o algoritmo foi implementado em R, utilizando as funes previamente criadas para o ajuste de modelos GO-GARCH e para o clculo das estimativas de risco. Assim, o algoritmo depende, indiretamente, da biblioteca de otimizao MOSEK e dos pacotes R-to-MOSEK e fastICA. Veja [45, 1, 21, 39].

7.2

Backtesting

A avaliao das previses de VaR e CVaR geralmente feita atravs de um procedimento de backtesting, ou seja, atravs da comparao das perdas observadas com as previses feitas com base em dados histricos. Veja [17]. Assim, recorreu-se a este procedimento a m de avaliar as previses calculadas pelo Algoritmo 4. Para isto, foi necessrio denir: o portflio a ser testado, o modelo dos retornos nanceiros, os parmetros de simulao, o conjunto de dados histricos e o critrio de avaliao das previses. Cada um destes tpicos abordado a seguir. Primeiramente, dados os bons resultados obtidos no Captulo 6, optou-se por utilizar o mesmo conjunto A de aes e o mesmo modelo para os retornos. Assim, foram escolhidos o portflio 5 , cuja composio pode ser vista na Tabela 7.1, e o modelo VAR de ordem p = 5 em conjunto com o modelo GO-GARCH, sendo este ltimo estimado por ICA. Para o clculo das estimativas, foi utilizado um total de N = 50000 simulaes. Com base nos testes da Seo 4.1, este valor pode ser considerado um bom compromisso entre o tempo computacional e a preciso das estimativas calculadas. Em seguida, foi denido o conjunto de dados histricos. Naturalmente, foram utilizadas todas as informaes histricas disponveis, ou seja, foram utilizados os preos de fechamento entre

7.3. RESULTADOS
Ai PETR4 VALE5 GGBR4 USIM5 CSNA3 xi 0.25 0.20 0.10 0.15 0.30

83

Tabela 7.1: Composio do portflio 5

01/01/2006 e 14/01/2013. Entretanto, como so necessrias diversas previses das medidas de risco, necessrio limitar a quantidade de informao com que cada uma destas calculada. Assim, optouse por calcul-las com base em uma janela deslizante de 600 dias. Isto , a previso para uma data t + 1 foi feita com base nos preos observados entre a data t e t 600. Desta forma, foi possvel calcular estimativas para todas as datas entre 13/06/2008 e 14/01/2013. Por ltimo, ento, foram denidos os critrios para avaliar as previses feitas. Dada a disponibilidade de funes implementadas em R para o teste de previses de VaR1 , a avaliao do Algoritmo 4 se limitou a esta medida. Foram utilizados trs testes estatsticos que so baseados em violaes do nvel de VaR: o teste de Kupiec, o teste de independncia serial das violaes (IT98) que foi publicado em [10] e o teste de independncia baseado em durations (DBIT), que foi publicado em [9]. O teste de Kupiec indica se o nmero de violaes de VaR corresponde porcentagem esperada do nmero total de dias observados. Esta porcentagem deve ser igual a 1 . Veja [34]. Os testes de independncia medem se as violaes so realmente independentes entre si. Quando estas so independentes, o modelo adotado para calcul-las se prova capaz de adaptar suas previses corretamente, aps a ocorrncia de um choque. Esta caracterstica desejvel dada a presena dos clusters de volatilidade em sries de retornos nanceiros. Veja [50, 17]. Conforme o esperado, os dois testes de independncia diferem na forma como a medem. O primeiro teste, IT98, utiliza cadeias de Markov para determinar se a ocorrncia de uma violao em uma data t prov alguma informao sobre a ocorrncia de uma nova violao na data t + 1. Por considerar apenas dias consecutivos, este um teste de primeira ordem. J o segundo teste, DBIT, utiliza a srie de intervalos de tempo entre violaes consecutivas para avaliar a independncia das mesmas. Assim, este um teste de ordem superior. Detalhes sobre estes mtodos esto fora do escopo deste trabalho. Aqui, limita-se a avaliar o resultado dos mesmos atravs dos p-valores por eles fornecidos. Para maiores detalhes sobre estes mtodos, recomendada a leitura de [17]. Na prxima seo so apresentadas as estimativas de risco calculadas durante o backtesting e o resultado da avaliao das mesmas.

7.3

Resultados

Finalmente, considere a Tabela 7.2, que contm o resultado dos testes estatsticos utilizados para avaliar a qualidade das previses de VaR realizadas. As colunas desta tabela apresentam: o perodo de teste (colunas from e to), o teste aplicado, o nvel de VaR sendo testado, o p-valor resultante, a estatstica de teste, o nmero de amostras, o nmero de violaes observadas e a porcentagem de no violaes, que corresponde ao nvel de VaR.
dois testes de independncia utilizados foram implementados pela autora do trabalho [17], a quem agradecemos por t-las tornado disponveis para este trabalho.
1 Os

84
from 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2010-01-04 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 2008-06-13 to 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2013-01-14 2009-12-30 2009-12-30 2009-12-30 2009-12-30 2009-12-30 2009-12-30 2009-12-30 2009-12-30 2009-12-30 test Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT Kupiec IT98 DBIT

CAPTULO 7. AVALIAO DO RISCO DE UM PORTFLIO

VaR.level 90 90 90 95 95 95 99 99 99 90 90 90 95 95 95 99 99 99 90 90 90 95 95 95 99 99 99 p.value 0.06 0.22 1.00 0.14 0.97 0.36 0.19 0.50 0.00 0.24 0.07 1.00 0.37 0.73 1.00 0.86 0.68 0.25 0.12 0.63 1.00 0.20 0.57 0.19 0.06 0.56 0.05 statistic 3.51 1.51 -5.36 2.19 0.00 0.82 1.70 0.46 10.47 1.40 3.38 -0.40 0.80 0.12 -0.98 0.03 0.17 1.32 2.43 0.23 -4.47 1.66 0.32 1.68 3.45 0.34 3.79 samples 1136 1136 1136 1136 1136 1136 1136 1136 1136 751 751 751 751 751 751 751 751 751 385 385 385 385 385 385 385 385 385 violations 133 133 133 68 68 68 16 16 16 85 85 85 43 43 43 8 8 8 48 48 48 25 25 25 8 8 8 non.violations.ratio 88.29 88.29 88.29 94.01 94.01 94.01 98.59 98.59 98.59 88.68 88.68 88.68 94.27 94.27 94.27 98.93 98.93 98.93 87.53 87.53 87.53 93.51 93.51 93.51 97.92 97.92 97.92

Tabela 7.2: Avaliao das previses de VaR

Como pode ser observado na Tabela 7.2, a informao sobre os testes foi dividida em trs blocos. O primeiro destes contm as informaes referentes a todas as previses realizadas. O segundo, as relativas ao perodo entre 2010 e 2013. E o terceiro bloco, as relativas s datas anteriores a 2010, ou seja, relativas ao perodo que contm a crise de 2008. Seguindo a prtica, as hipteses nulas dos testes so rejeitadas apenas quando os seus p-valores so menores que 5%. No caso do teste de Kupiec, a rejeio da hiptese nula indica que o nmero de violaes de VaR no corresponde ao esperado. Para os testes de independncia, esta indica a existncia de algum tipo de dependncia entre as violaes de VaR. Voltando Tabela 7.2, nota-se que a nica hiptese nula rejeitada, assinalada em vermelho, a do teste de independncia DBIT para = 99%, no primeiro bloco de testes. Alm deste, alguns outros testes apresentaram p-valores baixos, mas no o suciente para terem suas hipteses nulas rejeitadas. Foi a rejeio do teste DBIT que motivou a diviso das previses em dois blocos, para permitir a anlise dos perodos durante e aps a crise de 2008. Analisando cada um dos blocos separadamente, no possvel rejeitar a hiptese nula de nenhum dos testes realizados. Entretanto, o teste DBIT para = 99% ainda apresenta um p-valor baixo para o perodo da crise. De forma geral, no perodo ps crise (segundo bloco), as previses de VaR parecem ser bastante adequadas. Apenas um dos testes teve p-valor abaixo de 20%. Entretanto, para os valores mais crticos de (95% e 99%), bons resultados foram obtidos em todos os testes, ou seja, os p-valores destes so grandes o suciente para que suas hipteses nulas no sejam rejeitadas com conana. Durante o perodo da crise, os testes no apresentaram resultados to bons quanto os do segundo bloco. Porm, considerando que a crise de 2008 foi marcada por um perodo de grandes oscilaes, os resultados obtidos podem ser considerados animadores. Neste perodo, os nicos p-valores abaixo de 10% foram encontrados nos testes de Kupiec e DBIT para = 99%. Alm dos testes estatsticos, foram criados diversos grcos para auxiliar na avaliao do algo-

7.4. CONCLUSO

85

ritmo implementado. Na Figura 7.1, possvel ver os grcos das estimativas de risco utilizadas nos testes da Tabela 7.2 junto com os retornos dirios do portflio. Na Figura 7.2 foi feita uma verso suavizada dos mesmos grcos, para permitir uma melhor visualizao dos diferentes nveis das medidas de VaR e CVaR. Tambm foram criados grcos sobrepondo as violaes de VaR observadas, representadas por pontos azuis, e as estimativas de risco para um mesmo valor de . Estes podem ser vistos nas guras 7.3, 7.4 e 7.5. Nestas guras, tambm foram includas as verses suaves das curvas de VaR e CVaR. Analisando os grcos da Figura 7.2, possvel ver que os aumentos e redues nos valores das medidas de risco acompanham a maior ou menor volatilidade encontrada nas sries de retornos dirios. Como exemplos, possvel notar que as mtricas de risco tm valores bastante elevados na proximidade do grande cluster de volatilidade encontrado em 2008 e no outro cluster encontrado em meados de 2010. Alm disso, conforme o esperado, para quaisquer dois valores 1 e 2 de nvel de VaR, tais que 1 > 2 , foi possvel vericar que VaR1 > VaR2 , que CVaR1 > CVaR2 e que CVaR1 > VaR1 . Apesar dos grcos disponveis indicarem estes resultados visualmente, os mesmos tambm foram vericados numericamente. Finalmente, considere os grcos da Figura 7.5, calculados para = 99%. O nmero reduzido de violaes permite ver que as mesmas acontecem, em geral, em momentos de grande variao dos retornos, de acordo com o esperado.

7.4

Concluso

Neste captulo foi apresentado um algoritmo para a avaliao do risco de um portflio atravs do clculo de previses das medidas VaR e CVaR que so baseadas em simulaes de um modelo para os retornos dirios do portflio. No algoritmo foram adotados o modelo VAR+GO-GARCH (ver Captulo 6) e o estimador de CVaR baseado na funo F , denido na Seo 3.2. Para avaliar a qualidade das previses calculadas pelo algoritmo, foram realizados diversos testes estatsticos e tambm foram elaborados grcos que permitem visualizar as medidas de risco calculadas e as violaes de VaR observadas. De forma geral, os testes de independncia e de Kupiec realizados para avaliar as previses no acusaram grandes problemas. Entretanto, a rejeio apontada no primeiro bloco para o teste DBIT com = 99%, merece ateno. Como mostrado na Seo 7.3, ao dividir as previses em dois blocos, a rejeio apontada anteriormente no mais ocorre. Assim, a rejeio pode ter sido causada pela presena de dois perodos econmicos bastante diferentes no primeiro bloco de testes. Algo semelhante foi reportado em [13], onde foram analisadas previses de VaR para o ndice S&P 500. Finalmente, dado que a anlise visual dos grcos criados no foi capaz de apontar nada fora do esperado e dados os resultados positivos dos testes estatsticos, possvel concluir que o algoritmo cumpre o seu propsito de forma adequada.

86

CAPTULO 7. AVALIAO DO RISCO DE UM PORTFLIO

Log Returns

0.20

0.10

0.00

0.10

Log Returns

cvar99

cvar95

cvar90

2009

2010

2011 Date

2012

2013

Log Returns

0.15

0.05

0.05

0.15

Log Returns

var99

var95

var90

2009

2010

2011 Date

2012

2013

Figura 7.1: Previses de VaR e CVaR

7.4. CONCLUSO

87

Log Returns

0.20

0.10

0.00

0.10

Log Returns

cvar99

cvar95

cvar90

2009

2010

2011 Date

2012

2013

Log Returns

0.15

0.05

0.05

0.15

Log Returns

var99

var95

var90

2009

2010

2011 Date

2012

2013

Figura 7.2: Previses de VaR e CVaR (suavizadas)

88

CAPTULO 7. AVALIAO DO RISCO DE UM PORTFLIO

Log Returns

0.05 0.10 0.15

0.05

G G G GG G G G G G G G G

G GG G G G G GG G

G G G G G G G GG G G G GGG

G G GG G G G

G G G

G GG G G G G

G G GG G G G G G G

G G G GG GG G G G G G GG G GG G G G GG G G G GG GG G G GG G G G

G G

G G GG G G G G

GG G G G G G G G G G G G G G G

0.15

Log Returns

CVaR 90%

VaR90%

2009

2010

2011 Date

2012

2013

Log Returns

0.05 0.10 0.15

0.05

G G G GG G G G G G G G G

G GG G G G G GG G

G G G G G G G GG G G G GGG

G G GG G G G G

G G G

G GG G G G G

G G GG G G G G G G

G G G GG GG G G G G G GG G GG G G G GG G G G GG GG G G GG G G G

G G

G G GG G G G G

GG G G G G G G G G G G G G G G

0.15

Log Returns

CVaR 90%

VaR90%

2009

2010

2011 Date

2012

2013

Figura 7.3: Previses de VaR e CVaR, com violaes de VaR, para = 90%

7.4. CONCLUSO

89

Log Returns

0.05 0.10 0.15

0.05

G G G G G G G G G G G G GG G GG G GG G G G G G G G G G

G G

G G

G G G

G GG G G G

GG G GG G G

G G

G G G G G G G G G G

G G

0.15

Log Returns

CVaR 95%

VaR95%

2009

2010

2011 Date

2012

2013

Log Returns

0.05 0.10 0.15

0.05

G G G G G G G G G G G G GG G GG G GG G G G G G G G G G

G G

G G

G G G

G GG G G G

GG G GG G G

G G

G G G G G G G

G G

G G

0.15

Log Returns

CVaR 95%

VaR95%

2009

2010

2011 Date

2012

2013

Figura 7.4: Previses de VaR e CVaR, com violaes de VaR, para = 95%

90

CAPTULO 7. AVALIAO DO RISCO DE UM PORTFLIO

Log Returns

0.00

0.10

G G G G G G GG G G G

GG

0.10

0.20

Log Returns

CVaR 99%

VaR99%

2009

2010

2011 Date

2012

2013

Log Returns

0.00

0.10

G G G G G G GG G G G

GG

0.10

0.20

Log Returns

CVaR 99%

VaR99%

2009

2010

2011 Date

2012

2013

Figura 7.5: Previses de VaR e CVaR, com violaes de VaR, para = 99%

Parte III Concluso e Complementos

91

Captulo 8 Concluso
Este trabalho teve como objetivo o desenvolvimento de algoritmos para a avaliao de risco de um portflio e tambm para a seleo de portflios de risco mnimo. Todo o desenvolvimento teve como base a medida de risco CVaR e os modelos VAR e GOGARCH para os retornos nanceiros. A medida CVaR, como explicado na Seo 1.1, foi escolhida por ser apropriada para mensurar as perdas nanceiras (pois uma medida coerente de risco) e por ser uma funo convexa, o que permite construir algoritmos de otimizao com maior facilidade. Quanto aos modelos VAR e GO-GARCH, estes foram escolhidos por fornecer uma representao de retornos mais realista, ou seja, retornos no gaussianos, multivariados e explicados principalmente pela sua volatilidade. Ao longo do trabalho foram implementados algoritmos para as seguintes operaes: (i) Estimao das medidas de risco VaR e CVaR a partir de uma amostra de retornos, (ii) Seleo de um portflio de CVaR mnimo em funo do retorno esperado mnimo e de uma amostra de retornos, (iii) Ajuste de modelos VAR e GO-GARCH a sries histricas de retorno, (iv) Avaliao diria do risco de um portflio. Estes algoritmos foram desenvolvidos em R com o auxlio da biblioteca de otimizao MOSEK e dos pacotes vars, rugarch, R-to-MOSEK e fastICA. Tambm foram utilizados os testes de independncia de violaes implementados no trabalho [17], que foram gentilmente cedidos pela autora do mesmo, para testar os valores de VaR calculados no Captulo 7. Foram feitas implementaes prprias dos estimadores de VaR e CVaR, do ajuste de modelos GO-GARCH por ICA e pelo mtodo dos momentos (MM2011), do algoritmo FG para a diagonalizao simultnea de um conjunto de matrizes, da seleo de portflios de CVaR mnimo e do algoritmo para a avaliao diria do risco de um portflio. Quanto ao uso dos modelos VAR e GO-GARCH, foi possvel vericar que estes so adequados para descrever os retornos nanceiros. De forma geral, os ajustes realizados foram capazes de capturar a dinmica dos retornos, o que pde ser vericado atravs da ausncia de autocorrelaes de primeiro e segundo momento no vetor dos resduos, por estes apresentarem coordenadas no correlacionadas entre si e tambm pela distribuio destas ser compatvel com a distribuio escolhida para modelar os choques dos fatores que controlam a dinmica do modelo GO-GARCH. Alm disso, foi possvel vericar que o ajuste dos modelos a dados histricos no apresentou problemas de convergncia. Entretanto, o ajuste do modelo por anlise de componentes independentes se mostrou sensvel a parmetros iniciais. 93

94

CAPTULO 8. CONCLUSO

Em relao aos portflios de risco mnimo, foi possvel conrmar que o CVaR destes aumenta medida que o rendimento esperado mnimo aumenta e tambm medida que o nvel de VaR aumenta. Alm disso, o risco dos portflios selecionados era menor que o risco individual de qualquer um dos ativos disponveis, o que demonstra o benefcio da diversicao de um investimento. De acordo com o esperado, o estimador de CVaR bastante sensvel ao tamanho da amostra utilizada em seu clculo. Testes de simulao indicaram que o erro relativo mdio, ao variar o tamanho da amostra entre dez mil e cem mil, ca entre 0.5% e 4.0%. Assim, o estimador pode ser utilizado sem grandes problemas nos casos onde possvel controlar o tamanho das amostras utilizadas. Nos outros casos, possvel que os erros de estimao sejam proibitivos para algumas aplicaes. O estimador de CVaR e os modelos VAR e GO-GARCH foram utilizados em conjunto para gerenciar o risco de um portflio, calculando estimativas de VaR e CVaR sobre uma amostra de cenrios gerados para o dia seguinte. A anlise das violaes de VaR indicou que esta estratgia adequada, uma vez que as violaes ocorreram com a frequncia esperada e tambm eram independentes entre si. No teste destas violaes foram utilizados o teste de Kupiec e tambm os testes de independncia utilizados em [17]. Havendo disponibilidade de rotinas para a resoluo de problemas de programao linear e para o ajuste de modelos GARCH univariados, todos os algoritmos tm implementao simples. Estes so sequenciais, no havendo uso de recurso, paralelismo ou estruturas de dados complexas. Desta forma, dados os bons resultados obtidos no gerenciamento do risco de um portflio com o estimador de CVaR e com os modelos VAR e GO-GARCH, possvel que esta seja uma alternativa mais apropriada que a adoo de modelos baseados na distribuio normal. Anal, os retornos representados pelos modelos VAR e GO-GARCH so mais prximos aos encontrados na prtica.

8.1

Trabalhos Futuros

Este trabalho ainda pode ser estendido de diversas formas. O modelo adotado para os retornos nanceiros, por exemplo, utiliza apenas fatores que seguem o modelo GARCH(1,1). Apesar dos bons resultados obtidos, seria interessante testar outros modelos para estes fatores, j que isto permitido pelo modelo GO-GARCH. O algoritmo para a seleo de portflios tambm pode sofrer modicaes. Atualmente, o seu usurio fornece apenas o retorno esperado mnimo. Entretanto, permitir uma maior inuncia do usurio na escolha do portflio pode ser bastante til. Este poderia fornecer requisitos mnimos de liquidez ou uma quantidade mxima para cada ativo. Outra possvel modicao a incorporao de outros ativos nanceiros, como opes ou bonds. Em relao avaliao do risco de um portflio, seria interessante comparar as previses de VaR e CVaR calculadas com as obtidas por outras metodologias, como a RiskMetrics. Alm disso, os testes realizados at o momento foram concentrados na medida VaR, devido disponibilidade dos testes para tal medida. Assim, ainda preciso realizar testes sobre as estimativas de CVaR calculadas pelo algoritmo.

Apndice A Anlise de Componentes Independentes

Neste apndice feita uma breve apresentao da anlise de componentes independentes (ou ICA) de um vetor aleatrio. Para um tratamento completo deste tpico, recomenda-se a consulta a [11, 28, 31, 30, 29]. Esta apresentao tem trs objetivos principais. Em primeiro lugar, denir formalmente a ICA, diferenciando-a da anlise de componentes principais (PCA), que uma tcnica bastante semelhante. Em segundo lugar, apresentar os conceitos tericos que justicam formalmente o mtodo de estimao das componentes independentes. Finalmente, apresentar o algoritmo FastICA [30], que foi utilizado na estimao de modelos GO-GARCH.

A.1

Denio

Tanto a PCA quanto a ICA so baseadas na hiptese de que as coordenadas de um vetor aleatrio x podem ser calculadas a partir de combinaes lineares de um outro vetor aleatrio y que, em geral, tem menor dimenso e algumas propriedades especiais. Desta forma, vale a expresso x = Fy. (A.1.1)

Os nomes componentes principais ou componentes independentes so atribudos s coordenadas de y, dependendo do tipo de anlise realizado. A Denio 13, adaptada de [11], dene formalmente a PCA de um vetor aleatrio x. Denio 13. Anlise de Componentes Principais (PCA) Seja x um vetor aleatrio m-dimensional com mdia zero e matriz de covarincia x , associado a um vetor aleatrio y de componentes principais, n-dimensional. A PCA de x consiste no par de matrizes {F, } satisfazendo: (i) F uma matriz m n de posto completo satisfazendo F F = In , (ii) uma matriz diagonal n n, real e positiva, (iii) x = F 2 F . Pela Equao (A.1.1) e pela restrio F F = In , as componentes principais (ou independentes) podem ser obtidas atravs da expresso y=F x (A.1.2) 95

96

APNDICE A. ANLISE DE COMPONENTES INDEPENDENTES

Considerando a Equao (A.1.1) e a Denio 13, a PCA do vetor x pode ser vista como sua decomposio em variveis no correlacionadas, j que a matriz y (matriz de covarincias de y) diagonal, como demonstra a Equao (A.1.3). y = E yy = E F x F x = F x F = F F 2 F F = 2 (A.1.3)

Finalmente, pela Denio 14, a ICA pode ser vista como uma extenso da PCA. Sendo que a diferena entre as duas anlises reside na troca do requisito de no existncia de correlaes entre as componentes de y pelo de independncia entre as mesmas. Vale relembrar que a independncia entre duas variveis aleatrias implica na ausncia de correlao entre as mesmas. O contrrio, porm, no verdade. Assim, ca claro que a ICA e a PCA so semelhantes, porm conceitualmente diferentes. Denio 14. Anlise de Componentes Independentes (ICA) Seja x um vetor aleatrio m-dimensional com mdia zero e matriz de covarincia x , associado a um vetor y de componentes independentes, n-dimensional. A ICA de x consiste no par de matrizes {F, } satisfazendo: (i) F uma matriz m n de posto completo satisfazendo F F = In , (ii) uma matriz diagonal n n, real e positiva, (iii) x = F 2 F , (iv) y tem componentes o mais independentes possvel, de acordo com uma funo de contraste a ser denida. Assim como para as componentes principais, a Denio 14 e a Equao (A.1.1) permitem interpretar a ICA como uma decomposio do vetor x em variveis aleatrias. Sendo estas, entretanto, independentes.

A.2

Estimao

De acordo com a Denio 14, a estimao das componentes independentes se resume a determinar o par de matrizes {F, } que maximiza uma funo de contraste I (y), cujo propsito medir o grau de independncia existente entre as componentes de y. O problema de otimizao a ser resolvido pode ser simplicado utilizando duas hipteses adotadas no algoritmo FastICA. Na primeira hiptese, considera-se que as componentes independentes tm varincia unitria, ou seja, que y = In . Como mostrado em [29], j que x = Fy e tanto F quanto y so no observveis, impossvel determinar a varincia das componentes independentes, pois alteraes em y podem ser compensadas por alteraes em F . Desta forma, no h perda de generalidade ao considerar que as componentes independentes tm varincia unitria. Na verdade, a estimao das mesmas se torna mais robusta. A segunda hiptese, que aparentemente resulta em perda de generalidade, considera que o vetor x branco (ver Denio 15). Denio 15. Vetor Aleatrio Branco Um vetor aleatrio x de mdia zero, m-dimensional, dito branco quando suas coordenadas so no correlacionadas e tm varincia unitria, ou seja, Cov (x) = Im .

A.3. CENTRALIZAO E BRANQUEAMENTO

97

Felizmente, como mostrado na Seo A.3, possvel obter uma representao de um vetor aleatrio que atenda a este requisito. Desta forma, a estimao de componentes independentes no ca restrita apenas a vetores aleatrios brancos. Com as duas hipteses adicionadas, a restrio x = F 2 F equivale a FF = Im . Desta forma, duas restries so obtidas para o problema de estimao: FF = Im e F F = In . Assim, estimar as componentes independentes de x se resume a resolver o problema de otimizao a seguir. max I (F x) F Sujeito a: (A.2.1) F F = In FF = Im Daqui em diante, considera-se o caso em que as dimenses m e n so iguais. Sob esta condio, as restries sobre F implicam na sua ortogonalidade, j que FF = F F = Im . A ortogonalidade de F , como mostrado em [29], pode ser explorada para melhorar o processo de estimao. Quando F ortogonal, apenas m(m 1)/2 parmetros precisam ser estimados contra m2 parmetros para uma matriz qualquer. Desta forma, o branqueamento do vetor a ser analisado se apresenta como uma tcnica obrigatria, principalmente para problemas de maior dimenso.

A.3

Centralizao e Branqueamento

Seja z um vetor aleatrio com mdia z no nula e com matriz de covarincia z . Atravs das operaes de centralizao e branqueamento, como mostrado em [29], possvel obter um vetor branco zb , que pode ser usado para estimar as componentes independentes de z atravs da soluo do Problema (A.2.1). A operao de centralizao consiste em simplesmente subtrair de z sua mdia, para obter um vetor z0 de mdia nula, ou seja, z0 = z z . (A.3.1) Aps a centralizao, o vetor branco zb obtido multiplicando z0 pela matriz V = PL1/2 P , onde PLP a decomposio espectral de z . zb = V z0 . (A.3.2) Como mostram as Equaes (A.3.3) e (A.3.4), zb tem as propriedades de um vetor branco, como desejado. zb = E [zb ] = V E [z0 ] = 0 (A.3.3) Cov (zb ) = E zb zb = V E z0 z0 V = PL /2 P
1

PLP

PL /2 P
1

= Im

(A.3.4)

Finalmente, seja Fzb a matriz ortogonal, estimada pela resoluo da Problema (A.2.1), para o vetor zb . A partir das Equaes (A.3.1) e (A.3.2), a decomposio de z em componentes independentes pode ser escrita como z = V 1 Fzb y + z . (A.3.5)

A.4

Funo de Contraste

A m de completar a denio do Problema (A.2.1), necessrio denir formalmente a funo de contraste I (x), responsvel por medir o grau de independncia entre as coordenadas do vetor x.

98

APNDICE A. ANLISE DE COMPONENTES INDEPENDENTES

As componentes de um vetor aleatrio so independentes entre si quando a densidade de probabilidade conjunta do vetor igual ao produto de suas densidades marginais. Assim, sendo fx a densidade de probabilidade conjunta de x e gx o produto de suas densidades marginais (ver Equao (A.4.1)), natural utilizar a diferena entre fx e gx como mtrica de independncia.
m

gx (u) = fxi (ui )

i=1

(A.4.1)

Desta forma, a funo de contraste I (x) denida como a Divergncia de Kullback-Leibler (KLD) entre fx e gx , que fornece uma medida no simtrica da diferena entre as duas densidades de probabilidade (ver a Denio 16 e [11, 25, 33] para maiores informaes), ou seja, I (x) = ( fx , gx ) . Denio 16. Divergncia de Kullback-Leibler (KLD) Sejam fx e gx densidades de probabilidade. A KLD entre fx e gx , ( fx , gx ), dada por ( fx , gx ) = fx (u) log fx (u) du. gx (u) (A.4.3) (A.4.2)

Rm

Como a KLD de qualquer par de densidades de probabilidade no negativa (veja [11]), vale que I (x) = ( fx , gx ) 0 com igualdade apenas quando fx e gx diferem em conjuntos de medida nula. Alm da formulao baseada na KLD, a funo de contraste I (x) possui formulaes derivadas de conceitos da Teoria da Informao. Utilizando a Entropia Diferencial (veja a Denio 17), possvel escrever I (x) como
m

I (x) = H (xi ) H (x) .

i=1

(A.4.4)

Denio 17. Entropia Diferencial Seja x um vetor aleatrio com densidade conjunta de probabilidade fx . A Entropia Diferencial de x dada por H (x) =
Rm

fx (u) log fx (u) du.

(A.4.5)

A entropia diferencial uma medida da quantidade de informao que pode ser obtida a partir de observaes de uma varivel aleatria (ver [29]). Quanto maior sua entropia (ou aleatoriedade), menor a quantidade de informao que pode ser obtida sobre o valor real de suas realizaes. Desta maneira, I (x), chamada de Informao Mtua na Teoria da Informao, mede a quantidade de informao redundante que as componentes xi possuem. Assim, quando a informao mtua nula, no existe informao redundante nas componentes de x, sendo todas necessrias para atingir o nvel de informao H (x). Conforme esperado, as formulaes para I (x) usando a entropia diferencial e a KLD so equivalentes, como mostra a Equao (A.4.6).

A.4. FUNO DE CONTRASTE

99

I (x) = ( fx , gx ) = =
Rm Rm

fx (u) log

fx (u) du gx (u)
Rm

fx (u) log fx (u) du

m Rm

fx (u) log gx (u) du

= H (x) = H (x)

fx (u) log fxi (ui ) du

i=1 m

Rm i=1 m
m i=1 R m

fx (u) log fxi (ui) du

fx (u) log fxi (ui ) du

(A.4.6)

= H (x) = H (x)

fxi (u) log fxi (ui ) dui

i=1 R m

= H (x) + H (xi )
i=1

Um outro conceito de Teoria da Informao, o de Entropia Negativa (ver Denio 18), ainda necessrio para a denio nal da informao mtua I (x). A distribuio Normal multivariada tem a maior entropia entre todas as distribuies de mesma varincia (ver [12]). Desta forma, sua entropia utilizada para denir uma medida no nula da quantidade de informao de um vetor aleatrio, que tem importncia na prtica. Esta medida a entropia negativa. Denio 18. Entropia Negativa Seja x um vetor aleatrio e xg um vetor normal multivariado, ambos com matriz de covarincia x . A Entropia Negativa de x dada por J (x) = H (xg ) H (x) . (A.4.7)

A exemplo da entropia diferencial, a entropia negativa tambm pode ser escrita a partir da KLD, como mostra a Equao (A.4.8). No caso da entropia negativa, entretanto, gx substituda por x , densidade de uma Normal multivariada com mesma matriz de covarincia do vetor x. J (x) = H (xg ) H (x) = H (xg ) = H (xg ) = 0+
Rm Rm

fx (u) log x (u) du + fx (u) log x (u) du + fx (u) du x (u)

Rm Rm

fx (u) log x (u) du H (x) fx (u) log fx (u) du x (u) (A.4.8)

Rm

fx (u) log

= ( f x , x ) Sendo uma KLD, a entropia negativa herda suas propriedades. Assim, J (x) 0. Mais uma vez, valendo a igualdade apenas quando fx e x diferem apenas em conjuntos de medida nula. Finalmente, tendo sido apresentados todos os conceitos necessrios, possvel denir a infor-

100

APNDICE A. ANLISE DE COMPONENTES INDEPENDENTES

mao mtua para uma transformao linear y = W x, caso de interesse para a resoluo do Problema (A.2.1). Em primeiro lugar, considere a entropia de y. Como mostrado em [12], H (y) = H (x) + log | det W | = H (x) , (A.4.9)

j que W uma matriz ortogonal no contexto do Problema (A.2.1). Em seguida, considere as variveis aleatrias z, de varincia unitria, e a varivel zg N (0, 1). Aplicando a Denio 17, chega-se a entropia de zg , dada pela constante H (zg ) = 1/2 (1 + log 2). Assim, pela Denio 18, fcil ver que as entropias diferencial e negativa de z diferem apenas pela constante H (zg ), ou seja, H (z) = H (zg ) J (z) = 1/2 (1 + log 2) J (z) . (A.4.10)

Logo, pelas Equaes (A.4.9) e (A.4.10), a informao mtua I (y) pode ser escrita em funo das entropias negativas J (yi ) e de uma constante Kx , cujo valor dado pelas propriedades do vetor x, ou seja,
m

I (y) = H (yi ) H (y)

i=1 m

= {1/2 (1 + log 2) J (yi )} H (x)

i=1 m m

(A.4.11)

i=1

1/2 (1 + log 2) H (x)

m i=1

J (yi )
i=1

= Kx J (yi ) Com a derivao da Equao (A.4.11), a justicativa terica para os algoritmos de otimizao concluda, j que esta relaciona a funo objetivo I (y) s variveis de otimizao J (yi ). Assim, considere novamente o Problema (A.2.1). Seu objetivo nal a estimao das componentes independentes e no a obteno do valor de I (y) propriamente dito. Logo, no h perdas em trocar a minimizao da informao mtua I (y) pela maximizao da soma das entropias negativas J (yi ). A equivalncia entre estas duas alternativas ca evidente pela Equao (A.4.11). Como mostrado em [31, 30, 29] possvel aproximar as entropias negativas J (yi ) utilizando funes no lineares. Estas aproximaes, que seguem a forma J (y) (E [G (y)] E [G ()])2 , (A.4.12)

tm implementao computacional simples e permitem avaliar I (y) de forma bastante eciente. Entretanto, como J (y) tem valor mximo quando a esperana E [G (y)] mxima, a ltima pode ser usada como a funo objetivo do problema de estimao, simplicando-o ainda mais. Desta forma, o problema de otimizao original pode ser reescrito como o Problema (A.4.13). max E G F x F Sujeito a: (A.4.13) F F = I n FF = Im

A.5. ALGORITMO FASTICA

101

Quanto funo no linear G, diversos exemplos so apresentados em [29], onde descrito com detalhes o processo para obteno das mesmas. Como exemplos, as funes G1 e G2 podem ser usadas no lugar de G (ver Equaes (A.4.14) e (A.4.15)). G1 (y) = 1 log cosh (a1 y) a1 1 a2 y2 exp a2 2 (A.4.14)

G2 (y) =

(A.4.15)

A.5

Algoritmo FastICA

A resoluo do Problema (A.4.13) feita com base em uma modicao do Mtodo de Newton, que d origem a um algoritmo eciente e simples para a estimao de componentes independentes. Seguindo [28, 30, 29], a apresentao do algoritmo FastICA realizada em duas partes. Inicialmente, apresentado o algoritmo para estimao de uma nica componente independente. Em seguida apresentado o algoritmo completo, obtido com uma simples modicao do algoritmo inicial. Aqui, a apresentao se limita descrio dos algoritmos utilizados na ICA, para a prova de convergncia dos mesmos, veja [28, 30, 29].

A.5.1

Estimao de uma componente independente

Ao considerar apenas uma componente, o Problema (A.4.13) se reduz determinao do vetor unitrio w, para o qual a esperana E [G (w x)] mxima, como indica o Problema (A.5.1). max E G w x
w

Sujeito a: ww=1

(A.5.1)

Em geral, como a distribuio de w x desconhecida, a esperana E [G (w x)] avaliada como a mdia amostral dos valores G (w xi ), para uma amostra A = {x1 , . . . , xN }. A m de resolver o Problema (A.5.1) utiliza-se o Mtodo de Newton e a tcnica de Multiplicadores de Lagrange (ver [5]). Assim, a funo Lagrangiana L dada por

L (w) = E G w x 1 w w ,
e suas derivadas pelas Equaes (A.5.3) e (A.5.4). L = E xG w x w 2 L = E xx G w x w2 As iteraes do Mtodo de Newton so dadas por 2 L wk+1 = wk (wk ) w2 + w

(A.5.2)

(A.5.3)

+ Im

(A.5.4)

L (wk ) , w

(A.5.5)

102

APNDICE A. ANLISE DE COMPONENTES INDEPENDENTES

o que exige a inverso da hessiana de L . Entretanto, ao invs de inverter a hessiana original de L , adotada uma aproximao que a torna uma matriz diagonal, como mostra a Equao (A.5.6). Segundo [29], tal aproximao possvel por x ser um vetor branco (veja a Denio 15). E xx G wx E xx E G wx = Im E G wx (A.5.6)

Assim, a hessiana aproximada de L dada por 2 L E G w2 w x Im + Im (A.5.7)

e as iteraes aproximadas do Mtodo de Newtow por wk+1 = wk E xG wk x + w . E G wk x + (A.5.8)

Seja = E G wk x . Multiplicando os dois lados da Equao (A.5.8) por , possvel simplic-la. Assim, obtm-se wk+1 = wk E xG wk x + w E G wk x + + wk + wk wk x wk , (A.5.9)

= wk + E xG wk x = wk E G = E xG wk x

wk x wk + E xG wk x E G

que leva Equao (A.5.10) para a iterao do Mtodo de Newton aproximado. wk+1 = 1/ E xG wk x E G wk x wk (A.5.10)

Para garantir o respeito s restries do Problema (A.5.1), as solues encontradas pela Equao (A.5.10) so projetadas sobre o espao das restries a cada iterao do algoritmo. No caso da estimao de uma nica componente independente, a projeo no espao das restries consiste em normalizar o vetor w. Assim, dada a normalizao obrigatria, o termo 1/ pode ser descartado da Equao (A.5.10). Desta forma, a cada iterao, o algoritmo realiza as operaes wk+1 = E xG wk x E G wk x wk , wk+1 (A.5.11) . wk+1 = wk+1 O Algoritmo 5 apresenta o pseudocdigo para implementao da estimao de uma nica componente independente. Vale destacar o objetivo das funes branqueamento e rand. A primeira funo, branqueamento, aplica sua entrada as operaes necessrias para transform-la em um vetor branco, como feito na Seo A.3. A segunda, rand, cria um vetor aleatrio que usado para iniciar o algoritmo.

A.5.2

FastICA

O algoritmo para a estimao simultnea de n componentes independentes obtido com duas modicaes simples no Algoritmo 5. A estrutura geral deste, entretanto, permanece inalterada.

A.5. ALGORITMO FASTICA Algorithm 5 IC - Estimao de uma nica componente independente 1: procedure IC(x) 2: xb := branqueamento (x) 3: wk := rand() 4: wk := wk/ wk 5: wk+1 := 0 6: while |wk wk+1 | = 1 do 7: wk := wk+1 8: wk+1 := E xb G wk xb E G wk xb wk 9: wk+1 := wk+1/ wk+1 10: end while 11: return wk 12: end procedure

103

A primeira modicao consiste em calcular atualizaes para todos os vetores w1 , . . . , wn a cada iterao. Como no Algoritmo 5, as atualizaes so calculadas pela Equao (A.5.11), sendo cada atualizao independente das demais. Observe que, sendo estas independentes entre si, possvel calcul-las em paralelo quando houver necessidade de um algoritmo computacionalmente mais eciente. A segunda modicao, correspondente projeo de solues sobre o espao de restries, consiste em ortogonalizar a matriz W = [w1 . . . wn ] aps a atualizao dos vetores w1 , . . . , wn . Esta ortogonalizao pode ser facilmente justicada considerando a covarincia das componentes independentes y. Como mostrado na Seo A.2, Cov (y) = In por hiptese. Logo, as colunas de W , que so os vetores w1 , . . . , wn , devem ser ortogonais entre si, pois In = Cov (y) = E (W x) (W x) = W E xx W = WW . (A.5.12)

Quanto ao procedimento para ortogonalizao, em [29] recomendado o mtodo de ortogonalizao simultnea, descrito a seguir. 1 Seja PLP a decomposio espectral de W , com P ortogonal e L diagonal. Para V = (W W ) /2 , a matriz Wo = VW ortogonal, pois V= WW e, consequentemente, WoWo = (VW ) (VW ) = PLP PL1 P PL1 P PLP = In . (A.5.14)
1/2

PLP

PLP

1/2

= PL2 P

1/2

= PL1 P ,

(A.5.13)

Desta forma, est comprovada a ortogonalidade de Wo . Finalmente, incorporando estas duas modicaes ao pseudocdigo do Algoritmo 5, obtm-se o algoritmo FastICA, cujo pseudocdigo pode ser visto no Algoritmo 6. Em [30], diversas propriedades do algoritmo FastICA so apresentadas. Aqui, so destacadas as seguintes: (i) A convergncia do algoritmo FastICA cbica (ou pelo menos quadrtica). (ii) Por no requerer a denio de um tamanho de passo, o algoritmo tem fcil utilizao. (iii) A escolha das funes no lineares G no determinada por hipteses feitas sobre a distribuio do dado analisado.

104

APNDICE A. ANLISE DE COMPONENTES INDEPENDENTES

(iv) O algoritmo passvel de congurao, sendo possvel melhorar seu desempenho atravs de escolhas apropriadas da no linearidade G. Algorithm 6 FastICA - Estimao de n componentes independentes 1: procedure FAST ICA(x, n) 2: xb := branqueamento (x) 3: for i := 1, . . . , n do 4: wik := rand() 5: wik := wik/ wik 6: wik+1 := 0 7: end for 8: repeat 9: for i := 1, . . . , n do 10: wik+1 := E xb G wik xb E G wik xb wik 11: wik+1 := wik+1/ wik+1 12: end for 13: W := (w1k , . . . , wmk ) 1 14: V := (WW ) /2 15: for i := 1, . . . , n do 16: wik+1 := V wik+1 17: end for 18: convergencia := TRUE 19: for i := 1, . . . , n do 20: if |wik wik+1 | = 1 then 21: convergencia := FALSE 22: end if 23: end for 24: for i := 1, . . . , n do 25: wik = wik+1 26: end for 27: until convergencia 28: return (w1k , . . . , wmk ) 29: end procedure

Apndice B Anlise de Componentes Principais Comuns

Neste apndice feita uma breve reviso sobre a anlise de componentes principais comuns (ou CPCA), tendo em vista trs objetivos principais. Em primeiro lugar, denir formalmente a CPCA, esclarecendo a relao desta com as anlises de componentes independentes (ICA) e principais (PCA). Em seguida, denir o problema de otimizao usado para estimar as componentes principais comuns (ou CPCs) e, por ltimo, apresentar a adaptao do algoritmo FG para a estimao das mesmas. Para um melhor tratamento sobre CPCs, recomenda-se a consulta a [19, 4]. Alm disso, como nesta reviso so omitidas as provas de corretude e convergncia do algoritmo FG, recomenda-se a consulta a [20, 18] para um tratamento mais completo. Aqui, a apresentao se limita descrio do algoritmo e apresentao de seu pseudocdigo.

B.1

Denio

A PCA e a ICA so mtodos estatsticos de amostra nica, ou seja, estudam as propriedades de apenas uma amostra. Em [19], a CPCA apresentada como uma generalizao da PCA para lidar com um conjunto de amostras, buscando identicar a estrutura comum a todas elas. Desta forma, por se tratar de uma extenso, as principais caractersticas da PCA tambm podem ser encontradas na CPCA. Entre estas, por exemplo, esto a diagonalizao da matriz de covarincia e o clculo das componentes principais atravs da multiplicao do dado original por uma matriz ortogonal. Conceitualmente, a CPCA baseada na hiptese de componentes principais comuns, que caracterizada pela existncia de uma matriz capaz de diagonalizar simultaneamente todo o conjunto de matrizes de covarincia das amostras em estudo. Assim, considere um conjunto de amostras A = A1 , , A p , onde cada amostra Ai tem matriz de covarincia amostral Si e obtida atravs de observaes de um vetor aleatrio xi . Neste contexto, diz-se que as amostras em A satisfazem a hiptese de componentes principais comuns se existe uma matriz ortogonal BS que as diagonaliza simultaneamente, ou seja, Si = BS 2 i BS , 1 i p, (B.1.1)

onde as matrizes 2 i so diagonais. Como todas as matrizes Si so diagonalizveis por uma mesma matriz ortogonal BS , a estrutura compartilhada pelas amostras Ai consiste em nada mais que um conjunto de autovetores. No caso, os autovetores das matrizes Si , que so os vetores coluna da matriz BS . Considere agora a matriz Si associada ao vetor aleatrio xi . Pela Equao (B.1.1) e pela ortogona105

106 lidade de BS , vale que

APNDICE B. ANLISE DE COMPONENTES PRINCIPAIS COMUNS

2 i = BS Si BS = BS E xi xi BS = E BS xi Logo, tomando yi = BS xi , obtm-se 2 i = E yi yi = Cov (yi ) .

xi BS

(B.1.2)

(B.1.3) (B.1.4)

Assim, como na PCA, a Equao (B.1.3) permite obter um vetor yi com coordenadas no correlacionadas entre si. Neste contexto, entretanto, as coordenadas de yi so denominadas componentes principais comuns de xi . Finalmente, pela ortogonalidade de BS e pela Equao (B.1.3), os vetores xi podem ser escritos como uma combinao linear de suas componentes principais comuns yi . Isto , xi = BS yi . (B.1.5)

Desta maneira, pelas Equaes (B.1.1), (B.1.3) e (B.1.5), os vetores xi tm as principais propriedades encontradas na PCA (veja o Apndice A), o que demonstra a grande semelhana existente entre a CPCA e a PCA. At este ponto, considerou-se que a hiptese de componentes principais comuns satisfeita. Na prtica, entretanto, dicilmente possvel encontrar a matriz BS que diagonalize todas as matrizes de covarincia simultaneamente. Assim, a denio formal da CPCA (veja a Denio 19) abandona este requisito em favor de um menos restritivo, exigindo apenas que as matrizes i sejam simultaneamente o mais diagonais possvel. Alm disso, a Denio 19 considera o caso em que a matriz BS tem tamanho m n para permitir uma melhor comparao com as denies da PCA e da ICA, feitas no Apndice A. No restante deste apndice, entretanto, considera-se o caso mais simples em que BS uma matriz ortogonal. Denio 19. Anlise de Componentes Principais Comuns (CPCA) Seja X = x1 , , x p um conjunto de p vetores aleatrios m-dimensionais com mdias zero e matrizes de covarincia 1 , , p . Alm disso, cada vetor xi est associado a um vetor n-dimensional yi , que contm as chamadas componentes principais comuns (ou CPCs) de xi . Neste contexto, a CPCA de X consiste no conjunto de matrizes BS , 1 , , p satisfazendo: (i) BS uma matriz m n de posto completo satisfazendo BS BS = In , (ii) 1 , , p so matrizes reais n n, positivas e, simultaneamente, o mais diagonais possvel (iii) i = BS 2 i BS , 1 i p.

B.2

Estimao

para a matriz ortogonal BS , que extrai as componentes principais Uma vez disponvel a estimativa B comuns de um conjunto de amostras, as estimativas para a CPCA e para as CPCs podem ser calculadas com facilidade. Desta forma a estimao de BS de fundamental importncia no contexto da CPCA. As CPCs do vetor aleatrio xi , por exemplo, podem ser calculadas pela Equao (B.1.3), ou seja, as CPCs yi so estimadas como xi . y i = B (B.2.1)

B.2. ESTIMAO

107

No caso da CPCA, pela Denio 19 e pela Equao (B.1.1), a estimativa dada pelo conjunto 1 = B S1 B , , BS pB . B (B.2.2)

Assumindo que os vetores aleatrios xi tm distribuio Normal multivariada, possvel obter um estimador para BS baseado na maximizao de verossimilhana, como feito em [19]. A hiptese de normalidade, entretanto, limita a aplicao do estimador obtido. Desta forma, aqui adotado o estimador desenvolvido em [4], onde a estimativa para BS calculada por mnimos quadrados, explorando diretamente a propriedade de diagonalizao simultnea dada pela matriz ortogonal que das matrizes de covarincia. Mais especicamente, a estimativa B minimiza o erro total de diagonalizao das p matrizes S1 , , S p , ou seja,
p

= argmin g (F, Sk ) , B
F Om k=1

(B.2.3)

onde Om o conjunto de matrizes ortogonais de tamanho m m e g (F, Sk ) a funo que mede o erro de diagonalizao da matriz Sk pela matriz F . Quanto ao erro de diagonalizao da matriz Sk pela matriz F , este dado pela soma do quadrado dos elementos fora da diagonal da matriz F Sk F , que so nulos quando Sk diagonalizvel por F . Assim, o erro g (F, Sk ) dado por g (F, Sk ) = F Sk F diag F Sk F onde
F 2 F,

(B.2.4)

a norma de Frobenius.

A Equao (B.2.4), entretanto, pode ser escrita de forma mais conveniente. Tomando Q = F Sk F e D = diag (F Sk F ), obtm-se g (F, Sk ) = Q D
2 F

= trao (Q D) (Q D) = trao Q Q trao Q D trao D Q + trao D2 = trao Q Q 2 trao Q D + trao D2 .

(B.2.5)

Pela ortogonalidade de F e pela invarincia do trao de uma matriz quanto a transformaes de similaridade, Q Q e Sk Sk tm o mesmo trao, como demonstra a Equao (B.2.6). trao Q Q = trao Alm disso, vlido que
m

F Sk F

F Sk F

= trao F Sk Sk F = trao Sk Sk

(B.2.6)

trao Q D = trao D

j=1

F j Sk F j

(B.2.7)

Assim, pelas Equaes (B.2.5), (B.2.6) e (B.2.7), o erro g (F, Sk ) pode ser escrito como
m

g (F, Sk ) = trao Sk Sk Fj Sk Fj
j=1

(B.2.8)

108

APNDICE B. ANLISE DE COMPONENTES PRINCIPAIS COMUNS

O erro total de diagonalizao , ento, dado por

p k=1 p k=1 p m

g (F, Sk ) = trao

Sk Sk

k=1 j=1

Fj Sk Fj

=K

k=1 j=1

Fj Sk Fj

(B.2.9)

Como o termo K na Equao (B.2.9) tem valor independente de F , a minimizao do erro total de diagonalizao pode ser escrita como um problema, mais simples, de maximizao. Desta forma, a estimativa de BS pode ser calculada como
p m

= argmax B

F Om k=1 j=1

F j Sk F j

(B.2.10)

feito atribuindo diferentes pesos s matrizes Sk , sendo o peso de cada Em [4], o clculo de B matriz determinado pelo nmero nk de amostras utilizado em sua estimao. Adotando esta estratgia, passa ser dado por o valor de B
p

= argmax B

F Om k=1 j=1

1/2 (nk 1)2

Fj Sk Fj

(B.2.11)

A m de encontrar as solues do Problema (B.2.11), preciso calcular sua funo lagrangiana. Sendo as restries de ortogonalidade descritas pelas Equaes (B.2.12), Fi Fi = 1, 1 i m Fi Fj = 0, 1 i m, 1 j m, i = j a lagrangiana em questo dada por
p m

(B.2.12)

L (F ) =

k=1 j=1

1/2 (nk 1)2

F j Sk F j

i=1 j=i+1

i j Fj Fi i 1 Fi Fi .
i=1

(B.2.13)

Como as restries Fi Fj e Fj Fi so iguais, considera-se que i j e ji , os multiplicadores de Lagrange associados a elas, tambm o so. Com isso, na Equao (B.2.13), cada multiplicador i j contabilizado duas vezes. obtido atravs dos valores, nos pontos Finalmente, o sistema de equaes que permite calcular B de mximo da lagrangiana L , dos multiplicadores i j . Estes, por sua vez, podem ser calculados multiplicando as condies de primeira ordem, dadas por
p m L = 2 (nk 1)2 Fi Sk Fi Sk Fi 2 i j Fj 2i Fi = 0, Fi k=1 j=1, j=i

(B.2.14)

esquerda pelo vetor coluna Fq , ou seja, a partir da equao Fq L Fi

p

k=1

(nk 1)2

Fi Sk Fi Fq Sk Fi

j=1, j=i

i j Fq Fj i Fq Fi = 0.

(B.2.15)

B.2. ESTIMAO Tomando q = i na Equao (B.2.15), obtm-se que

p

109

iq =

k=1

(nk 1)2

Fi Sk Fi

Fq Sk Fi ,

(B.2.16)

j que Fq Fj = 1 e Fq Fi = 0, pela ortogonalidade de F . Como as matrizes de covarincia Sk so simtricas, F Sk F tambm o so. Assim, vale que Fq Sk Fi = Fi Sk Fq . (B.2.17)

Desta forma, pelas Equaes (B.2.16) e (B.2.17), o multiplicador iq tambm dado pela expresso iq =
p k=1

(nk 1)2

Fi Sk Fi

Fi Sk Fq .

(B.2.18)

J que iq igual a qi , a diferena destes nula e dada por

p p

qi iq = =

k=1 p k=1

(nk 1)2 Fq Sk Fq (nk 1)2

p k=1

Fq Sk Fi (nk 1)2 Fi Sk Fi
k=1

Fq Sk Fi

Fq Sk Fq Fi Sk Fi

Fq Sk Fi

(B.2.19)

= Fq =0

(nk 1)2

Fq Sk Fq Fi Sk Fi Sk Fi

Assim, aplicando a Equao (B.2.19) a todos os pares de colunas de F , obtm-se o conjunto de . Lembrando que as solues do sistema devem ser equaes que, se resolvido, fornece a estimativa B matrizes ortogonais, a estimao de BS pode ser escrita, ento, como o Problema (B.2.20), onde so includas as restries de ortogonalidade.

j B

k=1

(nk 1)2

j Sk B j B i Sk B i Sk B i = 0, 1 i < j m B (B.2.20)

Sujeito a: B = Im B

Quanto s solues do Problema (B.2.20), estas podem ser encontradas atravs de uma adaptao do algoritmo FG (ver [4, 20, 18]), que apresentada na Seo B.3. A estimao por mxima verossimilhana, que considera apenas vetores xi com distribuio Normal multivariada, feita atravs da resoluo do Problema (B.2.21) (ver [19]). Comparando-o com o problema obtido pela tcnica de mnimos quadrados (Problema (B.2.20)), percebe-se a que a diferena entre os dois est na atribuio dos pesos dados s matrizes Sk .

110

APNDICE B. ANLISE DE COMPONENTES PRINCIPAIS COMUNS

j B

k=1

(nk 1)

j Sk B j B i Sk B i B i = 0, 1 i < j m Sk B j Sk B j B i Sk B i B

Sujeito a: B = Im B

(B.2.21)

B.3

Adaptao do algoritmo FG

O algoritmo FG foi originalmente criado para encontrar as solues do Problema (B.2.21), ou seja, para fazer a estimao da matriz BS no caso de vetores aleatrios com distribuio Normal (veja [20]). Em [4], sem fornecer detalhes sobre como adaptar o algoritmo FG, o mesmo utilizado para resolver o Problema (B.2.20). Assim, nesta seo o algoritmo FG apresentado em maiores detalhes, com foco na estimao de BS por mnimos quadrados. O algoritmo FG uma boa alternativa para a resoluo dos Problemas (B.2.20) e (B.2.21) devido simplicidade de sua implementao computacional e robustez numrica. De acordo com [42], por depender principalmente do clculo de autovetores de matrizes 2 2, o algoritmo FG evita os transtornos tipicamente encontrados em problemas de otimizao com muitas variveis. Assim, seja S = S1 , , S p um conjunto de p matrizes de covarincia amostral que devem ser diagonalizadas simultaneamente e (F, S) o erro total de diagonalizao dos elementos de S por uma matriz ortogonal F . O algoritmo FG encontra as solues para o Problema (B.2.20) iterativamente, produzindo uma k sequncia B de matrizes ortogonais onde o erro total de diagonalizao reduzido progressivak0 k , S seja atingido, ou seja, para duas matrizes mente at que um mnimo local da funo de erro B j e B k com j < k, vale que B j, S B k , S . desta sequncia, B Considere agora a k-sima iterao do algoritmo FG. Nesta iterao, o algoritmo calcula a matriz k , Bk+1 , aplicando uma rotao especca a cada um dos m(m + 1)/2 pares de colunas da matriz B obtida na iterao passada. Cada uma das rotaes aplicadas escolhida de forma com que o par de colunas rotacionado k, j e B k,i satisfaa equao do Problema (B.2.20) a ele correspondente, ou seja, ao par de colunas B da matriz Bk aplicada uma rotao Q ji de forma que as colunas rotacionadas, R j e Ri , satisfaam equao
p

Rj

k=1

(nk 1)2

R j Sk R j Ri Sk Ri Sk Ri = 0.

(B.3.1)

k+1 so solues viDesta maneira, ao m de cada iterao, os pares de colunas da matriz B veis para o Problema (B.2.20), pois obedecem s restries do mesmo. Alm disso, como mostrado em [20], a cada iterao o erro total de diagonalizao diminui ou no sofre alterao. Finalmente, para completar a viso geral do algoritmo FG, preciso denir a funo do erro total de diagonalizao. Adotando a mtrica de erro denida na Equao (B.2.4), (F, S) dado por
p

(F, S) =

k=1

F Sk F diag F Sk F

2 F.

(B.3.2)

Outras mtricas para o erro de diagonalizao tambm podem ser adotadas. Em [20], por exemplo, o

B.3. ADAPTAO DO ALGORITMO FG erro de diagonalizao total dado por

k

111

(F, S, n) =
i=1

det (diag (F Si F )) det (F Si F )

ni

(B.3.3)

onde ni corresponde ao nmero de amostras usadas no clculo da matriz de covarincia amostral Si . No Algoritmo 7 apresentado o pseudocdigo da funo F , ponto de entrada do algoritmo FG. Como pode ser visto no mesmo, o algoritmo realiza um nmero indeterminado de iteraes do loop mais externo (linhas 3 a 12) at que ocorra a convergncia do erro total de diagonalizao (na linha 12). Alm disso, a cada iterao do loop mais interno (linhas 7 a 9), a rotao Q aplicada matriz formada pelas colunas B j e Bi , resultando na matriz R de colunas rotacionadas. Ento, as colunas B j e Bi so atualizadas com as colunas de R (na linha 9). Algorithm 7 Algoritmo F 1: procedure F(A1 , . . . , A p ; n1 , . . . , n p ) 2: B := Im 3: repeat 4: Bold := B 5: for j := 1, , m do 6: for i := l + 1, , m do 7: Q := G B j ; Bi ; A1 , . . . , A p ; n1 , . . . , n p 8: R := B j Bi Q 9: B := B1 . . . B j1 R1 B j+1 . . . Bi1 R2 Bi+1 . . . Bm 10: end for 11: end for 12: until | (B) (Bold )| 0 13: return B 14: end procedure A prova de convergncia da funo F pode ser encontrada em [20]. Aqui, a apresentao se limita sua descrio e apresentao do seu pseudocdigo. Para completar a descrio do algoritmo FG, preciso ainda denir o algoritmo para o clculo das j e B i , ou seja, matrizes de rotao Q. Assim, considere a matriz H , formada pelo par de colunas B j B i . H= B (B.3.4)

Ao aplicar a rotao Q matriz H , obtida a matriz R com as colunas rotacionadas. Assim, R = R j Ri = HQ. (B.3.5)

Como as colunas rotacionadas R devem obedecer as equaes do Problema (B.2.20), a equao correspondente a estas pode ser escrita como
p

Rj onde wk dado por

k=1

wk Sk

Ri = 0,

(B.3.6)

wk = (nk 1)2 R j Sk R j Ri Sk Ri .

(B.3.7)

112

APNDICE B. ANLISE DE COMPONENTES PRINCIPAIS COMUNS

Considere agora a matriz simtrica M , dada por

p

M=

k=1

wk

R Sk R .

(B.3.8)

Como a matriz R Sk R, de tamanho 2 2, dada por R Sk R = os termos fora da diagonal de M so iguais a

p p k=1

R j Sk R j R j Sk Ri Ri Sk R j Ri Sk Ri

(B.3.9)

M12 = M21 =

k=1

wk R j Sk Ri = R j

wk Sk

Ri .

(B.3.10)

Logo, a Equao (B.3.6) satisfeita se, e somente se, R j e Ri forem escolhidos de forma que M seja uma matriz diagonal. Desta maneira, escrevendo a matriz M em funo de Q, esta pode ser escolhida de forma que M seja diagonal e, consequentemente, de forma que a Equao (B.3.6) seja satisfeita. Assim, considere as seguintes denies: Tk := H Sk H = e vk := (nk 1)2 Q1 Tk Q1 Q2 Tk Q2 . Pela Equao (B.3.5), vale que R Sk R = (HQ) Sk (HQ) = Q H Sk H Q = Q Tk Q. Quanto a wk , tambm pela Equao (B.3.5) vale que wk = (nk 1)2 R j Sk R j Ri Sk Ri = (nk 1)2 Q1 Tk Q1 Q2 Tk Q2 = vk . Logo, a matriz M pode ser escrita em funo de Q como
p

j Sk B j B j Sk B i B i Sk B j B i Sk B i B

(B.3.11)

(B.3.12)

(B.3.13)

(B.3.14)

M=

k=1

vk
p

Q Tk Q Q (B.3.15)

=Q

k=1

vk Tk

= Q W Q, onde a matriz W dada por

p

W=

k=1

vk Tk .

(B.3.16)

B.3. ADAPTAO DO ALGORITMO FG

113

Finalmente, pela Equao (B.3.15), para que M seja diagonal, basta que a matriz de rotao Q seja composta pelos autovetores da matriz W . Entretanto, como o valor da matriz W depende da rotao Q atravs do termo vk (veja Equao (B.3.12)), necessrio um algoritmo iterativo para calcular o valor de Q (ver [20]). Assim, considere o Algoritmo 8, onde a funo G, responsvel pelo clculo da rotao Q, descrita. Analisando o pseudocdigo de G, possvel ver que a mesma realiza um nmero indeterminado de iteraes do loop principal (linhas 6 a 15) at que a matriz de rotao Q no apresente alteraes signicativas. Na linha 15, representa uma norma matricial. Alm disso, percebe-se que, a cada iterao, a funo G calcula a matriz W utilizando o valor mais recente da rotao Q. Em seguida, Q atualizada com os autovetores da nova matriz W . Vale ressaltar que a matriz W tem tamanho 2 2. Assim, o clculo de seus autovetores trivial. Como no caso do algoritmo F , a prova de convergncia do algoritmo G omitida aqui. A mesma, entretanto, pode ser encontrada em [20]. Algorithm 8 Algoritmo G 1: procedure G(B j ; Bi ; A1 , , A p ; n1 , , n p ) 2: Q := I2 3: for k := 1, , p do B j Ak B j B j Ak Bi 4: Tk := Bi Ak B j Bi Ak Bi 5: end for 6: repeat 7: W := 0 8: for k := 1, , p do 9: d1 := Q1 Tk Q1 10: d2 := Q2 Tk Q2 11: W := W + (nk 1)2 (d1 d2 ) Tk 12: end for 13: Qold := Q 14: Q := autovetores(W ) 15: until Q Qold 0 16: return Q 17: end procedure

114

APNDICE B. ANLISE DE COMPONENTES PRINCIPAIS COMUNS

Apndice C Dados Histricos

As sries de retornos utilizadas nos testes foram calculadas a partir de sries histricas de preos de fechamento de aes negociadas na BM&FBovespa, que podem ser obtidas gratuitamente no web site www.bmfbovespa.com.br. Entre todas as sries disponveis, vinte foram selecionadas por terem sido negociadas diariamente no perodo de estudo (de 01/01/2006 a 14/01/2013) e por apresentarem um nmero mdio de negcios dirios superior a 1000, o que demonstra uma boa liquidez. Na Tabela C.1, so apresentados os cdigos das aes escolhidas e algumas estatsticas dirias. Entre estas, destacam-se as mais importantes para a seleo das aes: o nmero mdio de negcios (Mean #Trades), o volume mdio de capital (Mean Volume) e a quantidade mdia de aes negociadas (Mean Quantity).
CODNEG PETR4 VALE5 GGBR4 USIM5 VALE3 PETR3 CSNA3 CYRE3 CMIG4 CCRO3 NATU3 GOAU4 LREN3 BRAP4 KLBN4 EMBR3 CPLE6 CRUZ3 DASA3 CPFE3 First Date 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 20060102 Last Date 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 20130114 #Dates 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 1737 Mean #Trades 17853 15875 7089 5829 5330 5324 4672 4521 3349 2894 2454 2350 2306 2256 2161 2097 1617 1607 1462 1439 Mean Volume(R$) 57864136121 56916669690 10615071368 11335472607 14321899258 13272619724 9118076299 5116288706 5356616957 3485731420 3172934570 2707958185 3920239688 3943556971 1241988401 2015113006 2212459408 1840707132 1612560645 1624844233 Mean Quantity 18230315 13657950 4709302 3751863 3096947 3904257 2643182 2798380 89385966 1390844 967617 886626 940654 972704 2080341 1545376 181023534 512419 813305 520024 Name PETROBRAS VALE R DOCE GERDAU USIMINAS VALE R DOCE PETROBRAS SID NACIONAL CYRELA REALT CEMIG CCR RODOVIAS NATURA GERDAU MET LOJAS RENNER BRADESPAR KLABIN S/A EMBRAER COPEL SOUZA CRUZ DASA CPFL ENERGIA

Tabela C.1: Aes da BMF&FBovespa selecionadas para estudo Antes de calcular as sries de retorno dirio, os preos histricos das vinte aes selecionadas foram devidamente ajustados em relao aos seus fatores de cotao e aos seus eventos corporativos. O ajuste quanto ao fator de cotao essencial pois cada preo fornecido pela bolsa est associado a uma determinada quantidade de aes. Esta quantidade pode ser diferente de ao para ao e tambm pode sofrer alteraes ao longo do tempo, como ocorreu para a ao CMIG4. Assim, todos os preos histricos foram ajustados de forma a corresponder a uma nica ao. Como exemplos de eventos corporativos, possvel citar o pagamento de dividendos, de juros sobre o capital prprio, o grupamento (ou desdobramento) das aes e as aquisies e fuses com 115

116

APNDICE C. DADOS HISTRICOS

outras empresas. A importncia desses eventos reside no efeito direto que tm sobre o preo das aes. Alm disso, como estas alteraes no preo so fruto de decises estratgicas e administrativas de cada empresa, estas geralmente no so incorporadas nos modelos de retornos. Assim, devem ser descontadas de maneira apropriada, permitindo a anlise com base apenas nas utuaes de mercado do valor de cada ao. O ajuste devido a um evento corporativo bem simples. Considere uma ao que tem um evento corporativo E em uma data d . Como todos os eventos corporativos, E pode ser descrito como um fator multiplicativo real que aplicado ao preo da ao. Calculado , o ajuste em relao a E consiste em multiplicar todos os preos anteriores data d por . Considere agora a Figura C.1. Esta apresenta a srie de preos de fechamento de duas aes (CMIG4 e EMBR3) antes e depois da realizao do ajuste de preos. Como ca evidente, as sries ajustadas apresentam diferenas bastante signicativas em relao s originais. Finalmente, na Tabela C.2 apresentada a matriz de correlao dos log-retornos e nas guras C.2 e C.3 so apresentados dois grcos que permitem comparar os retornos dirios das aes selecionadas. O primeiro grco um grco de barras que mostra o valor do log-retorno mdio para cada uma das aes. O segundo grco um boxplot dos retornos, onde possvel ver os quartis da distribuio emprica de cada ao junto com alguns valores extremos de retorno. Entre os retornos mdios, destaca-se o da ao EMBR3 que o nico negativo entre os selecionados. Atravs da Figura C.1, possvel ver que este valor negativo razovel.
CMIG4
5000 Raw Data Adjusted

Close Price (cents)

0 2006

1000

3000

2008 Date

2010

2012

EMBR3
1000 1500 2000 2500 Raw Data Adjusted

Close Price (cents)

2006

2008 Date

2010

2012

Figura C.1: Sries de preos de fechamento CMIG4 e EMBR3 antes e depois do ajuste

117
EMBR3 GOAU4 GGBR4 KLBN4 CCRO3 CRUZ3 USIM5 DASA3 CYRE3 CSNA3 NATU3 BRAP4 CMIG4 LREN3 VALE5 PETR4 VALE3 PETR3 CPLE6 CPFE3 0.41 0.46 0.47 0.43 0.44 0.39 0.46 0.40 0.53 0.36 0.36 0.47 0.43 0.46 0.40 0.34 0.56 0.38 0.31 1.00

PETR4 VALE5 GGBR4 USIM5 VALE3 PETR3 CSNA3 CYRE3 CMIG4 CCRO3 NATU3 GOAU4 LREN3 BRAP4 KLBN4 EMBR3 CPLE6 CRUZ3 DASA3 CPFE3

1.00 0.73 0.69 0.58 0.72 0.97 0.66 0.48 0.37 0.35 0.31 0.66 0.40 0.69 0.49 0.35 0.44 0.36 0.32 0.41

0.73 1.00 0.75 0.66 0.97 0.72 0.76 0.53 0.43 0.39 0.33 0.73 0.48 0.90 0.54 0.41 0.47 0.38 0.39 0.46

0.69 0.75 1.00 0.74 0.75 0.68 0.78 0.56 0.43 0.40 0.33 0.95 0.48 0.74 0.53 0.42 0.49 0.40 0.40 0.47

0.58 0.66 0.74 1.00 0.65 0.57 0.77 0.51 0.39 0.34 0.31 0.73 0.47 0.67 0.46 0.35 0.45 0.35 0.38 0.43

0.72 0.97 0.75 0.65 1.00 0.72 0.75 0.52 0.41 0.37 0.33 0.73 0.47 0.91 0.52 0.41 0.45 0.37 0.39 0.44

0.97 0.72 0.68 0.57 0.72 1.00 0.66 0.48 0.36 0.34 0.30 0.66 0.38 0.68 0.49 0.36 0.42 0.35 0.31 0.39

0.66 0.76 0.78 0.77 0.75 0.66 1.00 0.53 0.41 0.35 0.31 0.75 0.47 0.74 0.50 0.42 0.48 0.35 0.40 0.46

0.48 0.53 0.56 0.51 0.52 0.48 0.53 1.00 0.37 0.37 0.33 0.57 0.51 0.54 0.45 0.37 0.41 0.31 0.33 0.40

0.37 0.43 0.43 0.39 0.41 0.36 0.41 0.37 1.00 0.35 0.30 0.43 0.38 0.42 0.38 0.28 0.62 0.32 0.28 0.53

0.35 0.39 0.40 0.34 0.37 0.34 0.35 0.37 0.35 1.00 0.27 0.41 0.32 0.39 0.37 0.28 0.36 0.35 0.27 0.36

0.31 0.33 0.33 0.31 0.33 0.30 0.31 0.33 0.30 0.27 1.00 0.34 0.37 0.34 0.30 0.21 0.32 0.33 0.22 0.36

0.66 0.73 0.95 0.73 0.73 0.66 0.75 0.57 0.43 0.41 0.34 1.00 0.47 0.73 0.52 0.40 0.48 0.40 0.39 0.47

0.40 0.48 0.48 0.47 0.47 0.38 0.47 0.51 0.38 0.32 0.37 0.47 1.00 0.48 0.40 0.30 0.41 0.29 0.33 0.43

0.69 0.90 0.74 0.67 0.91 0.68 0.74 0.54 0.42 0.39 0.34 0.73 0.48 1.00 0.54 0.40 0.48 0.39 0.39 0.46

0.49 0.54 0.53 0.46 0.52 0.49 0.50 0.45 0.38 0.37 0.30 0.52 0.40 0.54 1.00 0.38 0.41 0.38 0.32 0.40

0.35 0.41 0.42 0.35 0.41 0.36 0.42 0.37 0.28 0.28 0.21 0.40 0.30 0.40 0.38 1.00 0.29 0.21 0.25 0.34

0.44 0.47 0.49 0.45 0.45 0.42 0.48 0.41 0.62 0.36 0.32 0.48 0.41 0.48 0.41 0.29 1.00 0.36 0.32 0.56

0.36 0.38 0.40 0.35 0.37 0.35 0.35 0.31 0.32 0.35 0.33 0.40 0.29 0.39 0.38 0.21 0.36 1.00 0.26 0.38

0.32 0.39 0.40 0.38 0.39 0.31 0.40 0.33 0.28 0.27 0.22 0.39 0.33 0.39 0.32 0.25 0.32 0.26 1.00 0.31

Tabela C.2: Matriz de correlao dos log-retornos dirios

Average Daily LogReturns

0.0012 0.0010 0.0008 0.0006 0.0004 0.0002 0.0000 GGBR4 CMIG4 USIM5 CCRO3 GOAU4 EMBR3 CSNA3 CYRE3 BRAP4 CRUZ3
G G G G G G G G G G G G G G G G G

DASA3
G G G G G G G G G G G G G G G G

PETR4

VALE5

VALE3

PETR3

NATU3

LREN3

KLBN4

CPLE6

Figura C.2: Mdia dos log-retornos dirios

Daily LogReturns
0.3
G

0.2
G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G

G G G G G G G G G G G G G G G G G G G G

G G G G G G G G G G G G G G G G G G G G G G G G G G G

G G G G G G G G G G

G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G

0.1

G G G G G G G G G

0.0
G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G

0.1

0.2 GGBR4 USIM5 PETR4 VALE5

CMIG4

CCRO3

GOAU4

EMBR3

CSNA3

CYRE3

BRAP4

CRUZ3

DASA3

VALE3

PETR3

NATU3

LREN3

KLBN4

CPLE6

Figura C.3: Boxplot dos log-retornos dirios

CPFE3

CPFE3

118

APNDICE C. DADOS HISTRICOS

Apndice D Diagnstico Modelos IGARCH

119

120

APNDICE D. DIAGNSTICO MODELOS IGARCH

PETR4 Diagnstico do Modelo IGARCH(1,1)

1 2 3 4 5 6 7 8 9 10 11 12 Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7) Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation pvalue 0.0000 0.0017 0.0000 0.7685 0.1000 0.8056 0.8856 0.9414 0.9750 0.6860 0.7911 0.8712 Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.1: Testes para os resduos padronizados PETR4

1 2 3 4 5 6 7 8 9 10 11 12

Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7)

Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation

pvalue 0.0000 0.0000 0.0000 1.0000 0.1000 0.1958 0.1283 0.0994 0.1514 0.2246 0.3178 0.3606

Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.2: Testes para o quadrado dos resduos padronizados PETR4

sstd QQ Plot
G

G GGG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G

Sample Quantiles

Theoretical Quantiles

GARCH model : iGARCH

121

PETR4 Diagnstico do Modelo IGARCH(1,1) Grcos

Price (PETR4)
45 Price 15 2006 25 35

2007 Date

2008

Log Returns (PETR4)

Log Return

0.05 2006

0.05

2007 Date

2008

Conditional SD (PETR4)
0.045 0.015 2006 0.030 SD

2007 Date

2008

PACF Standardized Residuals

1.0 0.05 Partial ACF ACF 0.00 0.05 0 10 20 Lag 30 40 50 0.0 0.2 0.4 0.6 0.8

ACF Standardized Residuals

10

20 Lag

30

40

50

PACF Squared Standardized Residuals

ACF Squared Standardized Residuals

1.0

0.05

Partial ACF

ACF 0 10 20 Lag 30 40 50

0.00

0.05

0.0 0

0.2

0.4

0.6

0.8

10

20 Lag

30

40

50

122

APNDICE D. DIAGNSTICO MODELOS IGARCH

PETR4 Resultados do Ajuste do Modelo IGARCH(1,1)

*---------------------------------* * GARCH Model Fit * *---------------------------------* Conditional Variance Dynamics ----------------------------------GARCH Model : iGARCH(1,1) Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -----------------------------------Estimate Std. Error t value mu 0.001665 0.000838 1.9867 omega 0.000005 0.000004 1.1334 alpha1 0.080920 0.036645 2.2082 beta1 0.919080 NA NA skew 0.879619 0.054739 16.0693 shape 7.516615 2.311313 3.2521

Pr(>|t|) 0.046953 0.257059 0.027232 NA 0.000000 0.001146

Robust Standard Errors: Estimate Std. Error t value Pr(>|t|) mu 0.001665 0.000934 1.78193 0.074760 omega 0.000005 0.000007 0.77574 0.437904 alpha1 0.080920 0.059568 1.35845 0.174322 beta1 0.919080 NA NA NA skew 0.879619 0.057650 15.25783 0.000000 shape 7.516615 2.619332 2.86967 0.004109 LogLikelihood : 1463.434 Information Criteria -----------------------------------Akaike -4.8614 Bayes -4.8248 Shibata -4.8616 Hannan-Quinn -4.8472 Q-Statistics on Standardized Residuals -----------------------------------statistic p-value Lag[1] 0.06056 0.8056 Lag[p+q+1][1] 0.06056 0.8056 Lag[p+q+5][5] 3.09096 0.6860 d.o.f=0 H0 : No serial correlation Q-Statistics on Standardized Squared Residuals -----------------------------------statistic p-value Lag[1] 1.674 0.19578 Lag[p+q+1][3] 6.264 0.01232 Lag[p+q+5][7] 7.691 0.17410 d.o.f=2 ARCH LM Tests -----------------------------------Statistic DoF P-Value ARCH Lag[2] 3.85 2 0.1458 ARCH Lag[5] 7.29 5 0.2000 ARCH Lag[10] 8.45 10 0.5850 Nyblom stability test -----------------------------------Joint Statistic: 0.9309 Individual Statistics: mu 0.15350 omega 0.32981 alpha1 0.04183 skew 0.17349 shape 0.02816 Asymptotic Critical Values (10% 5% 1%) Joint Statistic: 1.28 1.47 1.88 Individual Statistic: 0.35 0.47 0.75 Sign Bias Test -----------------------------------t-value prob sig Sign Bias 2.2455 0.025104 ** Negative Sign Bias 0.5888 0.556226 Positive Sign Bias 2.7149 0.006821 *** Joint Effect 8.3370 0.039536 **

Adjusted Pearson Goodness-of-Fit Test: -----------------------------------group statistic p-value(g-1) 1 20 14.00 0.7837 2 30 28.90 0.4703 3 40 26.13 0.9429 4 50 41.33 0.7736

123

VALE5 Diagnstico do Modelo IGARCH(1,1)

1 2 3 4 5 6 7 8 9 10 11 12 Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7) Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation pvalue 0.0000 0.0001 0.0000 0.9805 0.1000 0.9577 0.9639 0.8123 0.9156 0.7561 0.8439 0.8567 Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.3: Testes para os resduos padronizados VALE5

1 2 3 4 5 6 7 8 9 10 11 12

Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7)

Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation

pvalue 0.0000 0.0000 0.0000 1.0000 0.1000 0.8149 0.8415 0.7026 0.8282 0.8965 0.9103 0.9381

Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.4: Testes para o quadrado dos resduos padronizados VALE5

sstd QQ Plot
G G GGG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G

Sample Quantiles

G G

Theoretical Quantiles

GARCH model : iGARCH

124

APNDICE D. DIAGNSTICO MODELOS IGARCH

VALE5 Diagnstico do Modelo IGARCH(1,1) Grcos

Price (VALE5)
45 Price 15 2006 25 35

2007 Date

2008

Log Returns (VALE5)

Log Return

0.10 2006

0.00

2007 Date

2008

Conditional SD (VALE5)
0.045 0.015 2006 0.030 SD

2007 Date

2008

PACF Standardized Residuals

1.0 0.05 Partial ACF 0.00 ACF 0.05 0.10 0 10 20 Lag 30 40 50 0.0 0.2 0.4 0.6 0.8

ACF Standardized Residuals

10

20 Lag

30

40

50

PACF Squared Standardized Residuals

ACF Squared Standardized Residuals

1.0

0.05

Partial ACF

ACF 0 10 20 Lag 30 40 50

0.00

0.05

0.0 0

0.2

0.4

0.6

0.8

10

20 Lag

30

40

50

125

VALE5 Resultados do Ajuste do Modelo IGARCH(1,1)

*---------------------------------* * GARCH Model Fit * *---------------------------------* Conditional Variance Dynamics ----------------------------------GARCH Model : iGARCH(1,1) Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -----------------------------------Estimate Std. Error t value mu 0.001482 0.000904 1.6403 omega 0.000005 0.000004 1.1635 alpha1 0.066321 0.029468 2.2507 beta1 0.933679 NA NA skew 0.906078 0.056444 16.0527 shape 9.849934 3.951114 2.4930

Pr(>|t|) 0.100936 0.244640 0.024407 NA 0.000000 0.012669

Robust Standard Errors: Estimate Std. Error t value Pr(>|t|) mu 0.001482 0.000892 1.66131 0.096652 omega 0.000005 0.000005 0.97741 0.328368 alpha1 0.066321 0.038271 1.73293 0.083109 beta1 0.933679 NA NA NA skew 0.906078 0.054357 16.66894 0.000000 shape 9.849934 4.341336 2.26887 0.023276 LogLikelihood : 1425.29 Information Criteria -----------------------------------Akaike -4.7343 Bayes -4.6977 Shibata -4.7344 Hannan-Quinn -4.7200 Q-Statistics on Standardized Residuals -----------------------------------statistic p-value Lag[1] 0.00281 0.9577 Lag[p+q+1][1] 0.00281 0.9577 Lag[p+q+5][5] 2.63436 0.7561 d.o.f=0 H0 : No serial correlation Q-Statistics on Standardized Squared Residuals -----------------------------------statistic p-value Lag[1] 0.05482 0.8149 Lag[p+q+1][3] 1.41267 0.2346 Lag[p+q+5][7] 2.34776 0.7992 d.o.f=2 ARCH LM Tests -----------------------------------Statistic DoF P-Value ARCH Lag[2] 0.3308 2 0.8475 ARCH Lag[5] 1.6798 5 0.8914 ARCH Lag[10] 3.8433 10 0.9541 Nyblom stability test -----------------------------------Joint Statistic: 1.3021 Individual Statistics: mu 0.10540 omega 0.41125 alpha1 0.02078 skew 0.15800 shape 0.05681 Asymptotic Critical Values (10% 5% 1%) Joint Statistic: 1.28 1.47 1.88 Individual Statistic: 0.35 0.47 0.75 Sign Bias Test -----------------------------------t-value prob sig Sign Bias 0.3324 0.7397 Negative Sign Bias 0.1637 0.8700 Positive Sign Bias 0.4709 0.6379 Joint Effect 0.8547 0.8363

Adjusted Pearson Goodness-of-Fit Test: -----------------------------------group statistic p-value(g-1) 1 20 28.07 0.08215 2 30 38.80 0.10555 3 40 56.40 0.03524 4 50 66.17 0.05148

126

APNDICE D. DIAGNSTICO MODELOS IGARCH

USIM5 Diagnstico do Modelo IGARCH(1,1)

1 2 3 4 5 6 7 8 9 10 11 12 Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7) Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation pvalue 0.0232 0.4946 0.1297 0.5088 0.1000 0.9780 0.9752 0.6217 0.5364 0.1588 0.2328 0.2114 Rejected.0.01 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE Rejected.0.05 TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.5: Testes para os resduos padronizados USIM5

1 2 3 4 5 6 7 8 9 10 11 12

Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7)

Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation

pvalue 0.0000 0.0000 0.0000 0.6600 0.1000 0.8842 0.9395 0.5867 0.4901 0.6115 0.6884 0.6343

Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.6: Testes para o quadrado dos resduos padronizados USIM5

sstd QQ Plot
G

G G G GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG

Sample Quantiles

Theoretical Quantiles

GARCH model : iGARCH

127

USIM5 Diagnstico do Modelo IGARCH(1,1) Grcos

Price (USIM5)
40 Price 10 2006 20 30

2007 Date

2008

Log Returns (USIM5)

0.10 Log Return 0.10 2006 0.00

2007 Date

2008

Conditional SD (USIM5)
0.045 SD 0.015 2006 0.030

2007 Date

2008

PACF Standardized Residuals

1.0 0.05 Partial ACF 0.00 ACF 0.05 0 10 20 Lag 30 40 50 0.0 0.2 0.4 0.6 0.8

ACF Standardized Residuals

10

20 Lag

30

40

50

PACF Squared Standardized Residuals

ACF Squared Standardized Residuals

1.0

0.05

Partial ACF

ACF 0 10 20 Lag 30 40 50

0.00

0.05

0.0 0

0.2

0.4

0.6

0.8

10

20 Lag

30

40

50

128

APNDICE D. DIAGNSTICO MODELOS IGARCH

USIM5 Resultados do Ajuste do Modelo IGARCH(1,1)

*---------------------------------* * GARCH Model Fit * *---------------------------------* Conditional Variance Dynamics ----------------------------------GARCH Model : iGARCH(1,1) Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -----------------------------------Estimate Std. Error t value mu 0.002165 0.001015 2.1328 omega 0.000009 0.000006 1.4982 alpha1 0.095245 0.028850 3.3014 beta1 0.904755 NA NA skew 1.020804 0.061375 16.6322 shape 14.449460 8.635908 1.6732 Robust Standard Errors: Estimate Std. Error mu 0.002165 0.001006 omega 0.000009 0.000006 alpha1 0.095245 0.029982 beta1 0.904755 NA skew 1.020804 0.058186 shape 14.449460 8.366013 LogLikelihood : 1326.954 Information Criteria -----------------------------------Akaike -4.4065 Bayes -4.3699 Shibata -4.4067 Hannan-Quinn -4.3923 Q-Statistics on Standardized Residuals -----------------------------------statistic p-value Lag[1] 0.000762 0.9780 Lag[p+q+1][1] 0.000762 0.9780 Lag[p+q+5][5] 7.953682 0.1588 d.o.f=0 H0 : No serial correlation Q-Statistics on Standardized Squared Residuals -----------------------------------statistic p-value Lag[1] 0.02122 0.8842 Lag[p+q+1][3] 1.93181 0.1646 Lag[p+q+5][7] 5.21008 0.3908 d.o.f=2 ARCH LM Tests -----------------------------------Statistic DoF P-Value ARCH Lag[2] 0.1233 2 0.9402 ARCH Lag[5] 3.5261 5 0.6194 ARCH Lag[10] 8.5710 10 0.5732 Nyblom stability test -----------------------------------Joint Statistic: 0.3903 Individual Statistics: mu 0.03442 omega 0.03863 alpha1 0.05125 skew 0.07488 shape 0.12395 Asymptotic Critical Values (10% 5% 1%) Joint Statistic: 1.28 1.47 1.88 Individual Statistic: 0.35 0.47 0.75 Sign Bias Test -----------------------------------t-value prob sig Sign Bias 0.9066 0.3650 Negative Sign Bias 0.7357 0.4622 Positive Sign Bias 1.2350 0.2173 Joint Effect 2.1285 0.5462

Pr(>|t|) 0.032938 0.134094 0.000962 NA 0.000000 0.094291

t value 2.1523 1.3936 3.1767 NA 17.5438 1.7272

Pr(>|t|) 0.031377 0.163445 0.001489 NA 0.000000 0.084139

Adjusted Pearson Goodness-of-Fit Test: -----------------------------------group statistic p-value(g-1) 1 20 30.53 0.04539 2 30 35.00 0.20454 3 40 54.40 0.05163 4 50 50.33 0.42045

129

GGBR4 Diagnstico do Modelo IGARCH(1,1)

1 2 3 4 5 6 7 8 9 10 11 12 Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7) Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation pvalue 0.0293 0.0696 0.0530 0.6862 0.1000 0.7890 0.4966 0.6562 0.3587 0.1437 0.2117 0.2848 Rejected.0.01 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE Rejected.0.05 TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.7: Testes para os resduos padronizados GGBR4

1 2 3 4 5 6 7 8 9 10 11 12

Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7)

Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation

pvalue 0.0000 0.0000 0.0000 0.7016 0.1000 0.8434 0.8335 0.8346 0.7645 0.7243 0.7513 0.6840

Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.8: Testes para o quadrado dos resduos padronizados GGBR4

sstd QQ Plot
3
GG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GG G G G

Sample Quantiles

G G

Theoretical Quantiles

GARCH model : iGARCH

130

APNDICE D. DIAGNSTICO MODELOS IGARCH

GGBR4 Diagnstico do Modelo IGARCH(1,1) Grcos

Price (GGBR4)
35 Price 15 2006 25

2007 Date

2008

Log Returns (GGBR4)

0.05 0.05 2006

Log Return

2007 Date

2008

Conditional SD (GGBR4)
0.035 0.015 2006 0.025 SD

2007 Date

2008

PACF Standardized Residuals

1.0 0.05 Partial ACF ACF 0.00 0.05 0 10 20 Lag 30 40 50 0.0 0.2 0.4 0.6 0.8

ACF Standardized Residuals

10

20 Lag

30

40

50

PACF Squared Standardized Residuals

ACF Squared Standardized Residuals

1.0

0.05

Partial ACF

ACF 0 10 20 Lag 30 40 50

0.00

0.05

0.0 0

0.2

0.4

0.6

0.8

10

20 Lag

30

40

50

131

GGBR4 Resultados do Ajuste do Modelo IGARCH(1,1)

*---------------------------------* * GARCH Model Fit * *---------------------------------* Conditional Variance Dynamics ----------------------------------GARCH Model : iGARCH(1,1) Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -----------------------------------Estimate Std. Error t value mu 0.001898 0.000918 2.0663 omega 0.000003 0.000003 1.0000 alpha1 0.054451 0.027684 1.9668 beta1 0.945549 NA NA skew 0.918426 0.056683 16.2027 shape 16.971533 11.515214 1.4738

Pr(>|t|) 0.038801 0.317308 0.049201 NA 0.000000 0.140526

Robust Standard Errors: Estimate Std. Error t value Pr(>|t|) mu 0.001898 0.000944 2.00920 0.044516 omega 0.000003 0.000004 0.75525 0.450099 alpha1 0.054451 0.040254 1.35267 0.176161 beta1 0.945549 NA NA NA skew 0.918426 0.057619 15.93957 0.000000 shape 16.971533 11.878878 1.42871 0.153086 LogLikelihood : 1405.398 Information Criteria -----------------------------------Akaike -4.6680 Bayes -4.6314 Shibata -4.6681 Hannan-Quinn -4.6537 Q-Statistics on Standardized Residuals -----------------------------------statistic p-value Lag[1] 0.07162 0.7890 Lag[p+q+1][1] 0.07162 0.7890 Lag[p+q+5][5] 8.23655 0.1437 d.o.f=0 H0 : No serial correlation Q-Statistics on Standardized Squared Residuals -----------------------------------statistic p-value Lag[1] 0.03904 0.8434 Lag[p+q+1][3] 0.86179 0.3532 Lag[p+q+5][7] 4.80276 0.4404 d.o.f=2 ARCH LM Tests -----------------------------------Statistic DoF P-Value ARCH Lag[2] 0.3551 2 0.8373 ARCH Lag[5] 2.9608 5 0.7060 ARCH Lag[10] 6.3514 10 0.7849 Nyblom stability test -----------------------------------Joint Statistic: 1.8642 Individual Statistics: mu 0.0787 omega 1.1866 alpha1 0.1504 skew 0.2116 shape 0.1327 Asymptotic Critical Values (10% 5% 1%) Joint Statistic: 1.28 1.47 1.88 Individual Statistic: 0.35 0.47 0.75 Sign Bias Test -----------------------------------t-value prob sig Sign Bias 0.7630 0.4458 Negative Sign Bias 0.0477 0.9620 Positive Sign Bias 0.2887 0.7729 Joint Effect 2.2017 0.5316

Adjusted Pearson Goodness-of-Fit Test: -----------------------------------group statistic p-value(g-1) 1 20 11.73 0.8967 2 30 20.90 0.8628 3 40 21.73 0.9885 4 50 35.00 0.9342

132

APNDICE D. DIAGNSTICO MODELOS IGARCH

CSNA3 Diagnstico do Modelo IGARCH(1,1)

1 2 3 4 5 6 7 8 9 10 11 12 Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7) Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation pvalue 0.0171 0.3109 0.0886 0.9883 0.1000 0.3811 0.6093 0.6502 0.4348 0.3783 0.4835 0.5860 Rejected.0.01 FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE Rejected.0.05 TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.9: Testes para os resduos padronizados CSNA3

1 2 3 4 5 6 7 8 9 10 11 12

Test Kurtosis Test Skewness Test Jarque Bera Test LM Test for ARCH effects (lags=12) KPSS Test Ljung-Box (lags=1) Ljung-Box (lags=2) Ljung-Box (lags=3) Ljung-Box (lags=4) Ljung-Box (lags=5) Ljung-Box (lags=6) Ljung-Box (lags=7)

Null.Hypothesis Kurtosis == 3 Skewness == 0 Normality No ARCH effects Level stationarity No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation No autocorrelation

pvalue 0.0000 0.0000 0.0000 0.9998 0.1000 0.7932 0.7285 0.8584 0.9426 0.9147 0.9585 0.9754

Rejected.0.01 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Rejected.0.05 TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

Tabela D.10: Testes para o quadrado dos resduos padronizados CSNA3

sstd QQ Plot
3
G G GGG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G GGG G

Sample Quantiles

Theoretical Quantiles

GARCH model : iGARCH

133

CSNA3 Diagnstico do Modelo IGARCH(1,1) Grcos

Price (CSNA3)

Price

5 2006

15

25

2007 Date

2008

Log Returns (CSNA3)

Log Return

0.05 2006

0.05

2007 Date

2008

Conditional SD (CSNA3)

SD

0.020 2006

0.035

2007 Date

2008

PACF Standardized Residuals

1.0 0.05 Partial ACF 0.00 ACF 0.05 0 10 20 Lag 30 40 50 0.0 0.2 0.4 0.6 0.8

ACF Standardized Residuals

10

20 Lag

30

40

50

PACF Squared Standardized Residuals

ACF Squared Standardized Residuals

1.0

Partial ACF

0.05

0.00

ACF 0 10 20 Lag 30 40 50

0.05

0.0 0

0.2

0.4

0.6

0.8

10

20 Lag

30

40

50

134

APNDICE D. DIAGNSTICO MODELOS IGARCH

CSNA3 Resultados do Ajuste do Modelo IGARCH(1,1)

*---------------------------------* * GARCH Model Fit * *---------------------------------* Conditional Variance Dynamics ----------------------------------GARCH Model : iGARCH(1,1) Mean Model : ARFIMA(0,0,0) Distribution : sstd Optimal Parameters -----------------------------------Estimate Std. Error t value mu 0.002383 0.001003 2.37683 omega 0.000004 0.000004 0.98712 alpha1 0.059489 0.025824 2.30361 beta1 0.940511 NA NA skew 1.010768 0.062901 16.06927 shape 15.728459 9.660301 1.62815

Pr(>|t|) 0.017462 0.323585 0.021245 NA 0.000000 0.103492

Robust Standard Errors: Estimate Std. Error t value Pr(>|t|) mu 0.002383 0.001017 2.34358 0.01910 omega 0.000004 0.000005 0.76511 0.44421 alpha1 0.059489 0.037116 1.60276 0.10899 beta1 0.940511 NA NA NA skew 1.010768 0.066917 15.10485 0.00000 shape 15.728459 10.372258 1.51640 0.12942 LogLikelihood : 1357.725 Information Criteria -----------------------------------Akaike -4.5091 Bayes -4.4724 Shibata -4.5092 Hannan-Quinn -4.4948 Q-Statistics on Standardized Residuals -----------------------------------statistic p-value Lag[1] 0.7672 0.3811 Lag[p+q+1][1] 0.7672 0.3811 Lag[p+q+5][5] 5.3183 0.3783 d.o.f=0 H0 : No serial correlation Q-Statistics on Standardized Squared Residuals -----------------------------------statistic p-value Lag[1] 0.06869 0.7932 Lag[p+q+1][3] 0.76254 0.3825 Lag[p+q+5][7] 1.68077 0.8913 d.o.f=2 ARCH LM Tests -----------------------------------Statistic DoF P-Value ARCH Lag[2] 0.6336 2 0.7285 ARCH Lag[5] 1.5123 5 0.9116 ARCH Lag[10] 2.6213 10 0.9890 Nyblom stability test -----------------------------------Joint Statistic: 1.3801 Individual Statistics: mu 0.09650 omega 0.41901 alpha1 0.05696 skew 0.10930 shape 0.12326 Asymptotic Critical Values (10% 5% 1%) Joint Statistic: 1.28 1.47 1.88 Individual Statistic: 0.35 0.47 0.75 Sign Bias Test -----------------------------------t-value prob sig Sign Bias 0.9688 0.3330 Negative Sign Bias 0.9993 0.3181 Positive Sign Bias 1.1635 0.2451 Joint Effect 2.4836 0.4783

Adjusted Pearson Goodness-of-Fit Test: -----------------------------------group statistic p-value(g-1) 1 20 28.07 0.08215 2 30 34.50 0.22143 3 40 42.67 0.31638 4 50 47.00 0.55457

Referncias Bibliogrcas
[1] The MOSEK Optimization Tools Manual, (2012). [2] C. Acerbi and D. Tasche, Expected Shortfall: a natural coherent alternative to Value at Risk, May 2001. [3] Philippe Artzner, Freddy Delbaen, Jean-Marc Eber, and David Heath, Coherent Measures of Risk, 1998. [4] Michael Beaghen, Canonical Variate Analysis and Related Methods with Longitudinal Data, Ph.D. thesis, Virginia Polytechnic Institute and State University, 1997. [5] D.P. Bertsekas, Nonlinear programming, Athena Scientic optimization and computation series, Athena Scientic, 1999. [6] J Frdric Bonnans, Numerical optimization: theoretical and practical aspects: with 26 gures, Springer-Verlag New York Incorporated, 2003. [7] Herman Peter Boswijk and Roy Van der Weide, Wake me up before you GO-GARCH, (2006). [8] Simon A Broda and Marc S Paolella, CHICAGO: A fast and accurate method for portfolio risk calculation, Journal of Financial Econometrics 7 (2009), no. 4, 412436. [9] Peter Christoffersen and Denis Pelletier, Backtesting value-at-risk: A duration-based approach, Journal of Financial Econometrics 2 (2004), no. 1, 84108. [10] Peter F Christoffersen, Evaluating interval forecasts, International economic review (1998), 841862. [11] P. Comon, Independent component analysis a new concept?, Signal Processing 36 (1994), no. 3, 287314. [12] Thomas M Cover and Joy A Thomas, Elements of information theory, Wiley-interscience, 2012. [13] J. Danielsson, Financial Risk Forecasting: The Theory and Practice of Forecasting Market Risk with Implementation in R and Matlab, The Wiley Finance Series, Wiley, 2011. [14] Zhuanxin Ding and Robert Engle, Large scale conditional covariance matrix modeling, estimation and testing, (2001). [15] Jianqing Fan, Mingjin Wang, and Qiwei Yao, Modelling multivariate volatilities via conditionally uncorrelated components, Journal of the Royal Statistical Society: series B (statistical methodology) 70 (2008), no. 4, 679702. 135

136

REFERNCIAS BIBLIOGRFICAS

[16] Carmen Fernndez and Mark FJ Steel, On Bayesian modeling of fat tails and skewness, Journal of the American Statistical Association 93 (1998), no. 441, 359371. [17] Cristiane Azevedo Ferreira, Avaliao de Modelos de Risco atravs de Backtesting, Masters thesis, Instituto Nacional de Matemtica Pura e Aplicada, July 2013. [18] Bernard N Flury and Gregory Constantine, Algorithm AS 211: The FG diagonalization algorithm, Journal of the Royal Statistical Society. Series C (Applied Statistics) 34 (1985), no. 2, 177183. [19] Bernhard N Flury, Common principal components in k groups, Journal of the American Statistical Association 79 (1984), no. 388, 892898. [20] Bernhard N Flury and Walter Gautschi, An algorithm for simultaneous orthogonal transformation of several positive denite symmetric matrices to nearly diagonal form, SIAM J. Sci. Stat. Comput. 7 (1986), no. 1, 169184. [21] Henrik Alsing Friberg, Rmosek: The R-to-MOSEK Optimization Interface, 2012, R package version 1.2.4. [22] Jim Gatheral, The volatility surface: a practitioners guide, vol. 357, Wiley, 2006. [23] Alexios Ghalanos, Introduction to the rugarch package, January 2013. [24] J.D.A. HAMILTON, The Time Series Analysis, Princeton Univers. Press, 1994. [25] Trevor Hastie, A closer look at the deviance, The American Statistician 41 (1987), no. 1, 1620. [26] F. Hayashi, Econometrics, Princeton University Press, 2011. [27] John RM Hosking, The multivariate portmanteau statistic, Journal of the American Statistical Association 75 (1980), no. 371, 602608. [28] A. Hyvarinen, Fast and robust xed-point algorithm for independent component analysis, 10 (1999), no. 3, 626634. [29] A. Hyvrinen, J. Karhunen, and E. Oja, Independent Component Analysis, Adaptive and Learning Systems for Signal Processing, Communications and Control Series, Wiley, 2004. [30] A Hyvrinen and E Oja, Independent component analysis: algorithms and applications, Neural Netw 13 (2000), no. 4-5, 411430. [31] Aapo Hyvrinen, Survey on Independent Component Analysis, 1999. [32] P. Jorion, Value at risk: the new benchmark for managing nancial risk, vol. 2, McGraw-Hill New York, 2007. [33] Solomon Kullback and Richard A Leibler, On information and sufciency, The Annals of Mathematical Statistics 22 (1951), no. 1, 7986. [34] Paul Kupiec, Techniques for verifying the accuracy of risk measurement models, THE J. OF DERIVATIVES 3 (1995), no. 2.

REFERNCIAS BIBLIOGRFICAS

137

[35] Denis Kwiatkowski, Peter CB Phillips, Peter Schmidt, and Yongcheol Shin, Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root?, Journal of econometrics 54 (1992), no. 1, 159178. [36] Z.M. Landsman and E.A. Valdez, Tail conditional expectations for elliptical distributions, North American Actuarial Journal 7 (2003), no. 4, 5571. [37] Greta M Ljung and George EP Box, On a measure of lack of t in time series models, Biometrika 65 (1978), no. 2, 297303. [38] Andriy Andreev-Antti Kanto-Pekka Malo, On Closed-form calculation of CVAR. [39] J L Marchini, C Heaton, and B D Ripley, fastICA: FastICA Algorithms to perform ICA and Projection Pursuit, 2012, R package version 1.1-16. [40] Harry Markowitz, Portfolio selection*, The journal of nance 7 (1952), no. 1, 7791. [41] A. Meucci, Risk and asset allocation, Springer nance, Springer-Verlag Berlin and Heidelberg GmbH & Company KG, 2005. [42] H Peter Boswijk and Roy van der Weide, Method of moments estimation of GO-GARCH models, Journal of Econometrics 163 (2011), no. 1, 118126. [43] Giovanni Petris, Patrizia Campagnoli, and Sonia Petrone, Dynamic linear models with R, Springer, 2009. [44] Bernhard Pfaff, VAR, SVAR and SVEC Models: Implementation Within R Package vars, Journal of Statistical Software 27 (2008), no. 4. [45] R Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, 2012, ISBN 3-900051-07-0. [46] TM Riskmetrics, JP Morgan Technical Document, 1996. [47] R. Rockafellar and S. Uryasev, Optimization of Conditional Value-at-Risk, The Journal of Risk (2000). [48] S.M. Ross, Simulation, Statistical Modeling and Decision Science, Elsevier Science, 2006. [49] Gideon Schwarz, Estimating the dimension of a model, The annals of statistics 6 (1978), no. 2, 461464. [50] R.S. Tsay, Analysis of Financial Time Series, Wiley Series in Probability and Statistics, John Wiley & Sons, 2010. [51] Roy Van der Weide, GO-GARCH: a multivariate generalized orthogonal GARCH model, Journal of Applied Econometrics 17 (2002), no. 5, 549564. [52] Dennis D Wackerly, William Mendenhall, and Richard L Scheaffer, Mathematical statistics with applications, CengageBrain. com, 2008. [53] Lingyu Zheng and William WS Wei, Weighted scatter estimation method of the GO-GARCH models, Journal of Time Series Analysis 33 (2011), no. 1, 8195. [54] E. Zivot and J. Wang, Modeling Financial Time Series With S-Plus, International Federation for Information Processing, Springer, 2003.