Acoplamentos, Teoria dos Valores Extremos

e Valor em Risco
Erick Andrade Busato
Dr. Luiz Koodi Hotta

Resumo: Este projeto utiliza a teoria de funes de acoplamentos para entender a

co-movimentao entre mercados latino-americanos, que pode ser entendida como
a dependncia entre pares de mercados nos perodos de grandes perdas ou ganhos
(dependncia nas caudas). Nossa primeira abordagem se baseia na escolha de
funes de acoplamento que modelem bem essa dependncia, utilizando,
inicialmente, uma modelagem no paramtrica, atravs do acoplamento emprico,
para a estimao da dependncia nas caudas. Aps, sero escolhidas cpulas
paramtricas que melhor se adaptem s caractersticas de dependncia observadas
empiricamente. Veremos que possvel obter o ndice de dependncia nas caudas
a partir da cpula paramtrica escolhida, permitindo que faamos uma comparao
com os ndices obtidos de forma no paramtrica, e calcular uma medida de risco
para um portflio constitudo dos diferentes pares de mercados internacionais. Os
clculos sero, ento, refeitos utilizando filtragens atravs de modelos AR(p)GARCH(r,s) para as distribuies marginais dos mercados (que geralmente
apresentam assimetria e caudas pesadas), enquanto modelamos a dependncia
entre os mercados utilizando uma famlia de cpulas. Nessa segunda aplicao, o
objetivo investigar a dependncia entre ativos da BOVESPA utilizando os
conceitos de modelos ARMA-GARCH e Cpulas.

1: Iniciao Cientfica / FAPESP / Depto. Estatstica, UNICAMP

2: Departamento de Estatstica, UNICAMP

1. Introduo
Segundo Nelsen (1999), acoplamentos podem ser vistos de duas formas:
sob um ponto de vista, acoplamentos so funes que juntam ou acoplam
funes

distribuies

conjuntas

suas

funes

distribuies

marginais.

Alternativamente, acoplamento so funes distribuies multivariadas, cujas

marginais unidimensionais so uniformes no intervalo (0,1). Atualmente, o estudo
de funes de acoplamento de grande interesse, principalmente por suas
aplicaes em finanas e aturia, como, por exemplo, a anlise de risco de
mercado, o clculo do risco de um portflio de seguros, o apreamento de
derivativos, entre outros.

Nesta monografia ser apresentada a teoria bsica que se refere s funes

de acoplamento, sua estimao a partir de um conjunto de dados e seu uso na
simulao de variveis aleatrias.

Iniciaremos apresentando as ferramentas bsicas necessrias para o

entendimento das funes de acoplamento.
1.1. A Transformada Integral de Probabilidade
Para um bom entendimento das funes de acoplamento, necessrio
definir uma ferramenta de extrema importncia, que a transformada integral de
probabilidade:
Seja

uma

varivel

aleatria

com

funo

de

distribuio F ( x) = P( X x), x , sendo isso denotado por X ~ F . Suponha que

F (x) contnua. Ento, para u (0,1) , existe um valor mnimo nico x(u ) , tal que

F ( x(u )) = u . Formalmente,
x(u ) = F 1 (u ) = inf{x / F ( x) u}

(1-1)

O qual define a funo distribuio inversa. Ento F ( x ) u x F 1 (u ) . Uma vez

que F (x) no-decrescente e contnua, ento sua inversa F 1 (u ) tambm nodecrescente e contnua sobre u (0,1) . Portanto

P ( F ( X ) u ) = P ( X F 1 (u )) = F ( F 1 (u )) = u
e
1 se u 1
P( F ( X ) u ) =
0 se u < 0

(1-2)

Portanto,
1 se u 1

P ( F ( X ) u ) = u se 0 u 1
0 se u < 0

Conseqentemente,

F(X )

tem

distribuio

uniforme

em

[0,1] ,

i.e.,

F ( X ) ~ Uniforme(0,1) . A transformao U = F ( X ) chamada transformada

integral de probabilidade.

Lema 1.1: Para quaisquer variveis aleatrias X ~ F e U ~ Uniforme(0,1) , X e

F 1 (U ) tem a mesma funo distribuio.

Realmente, uma vez que F 1 (u ) no decrescente tem-se que:

P ( F 1 (u ) x) = P(U F ( x)) = F ( x)

Proposio 1.1: Seja G (x) uma funo distribuio qualquer e U ~ Uniforme(0,1) .

Ento existe uma funo H (x) tal que P ( H (U ) x) = G ( x ), x .
Prova: Se G (x) contnua, tomamos h(U ) = G 1 (U ) . Ento

P (h(U ) x) = P (U G ( x)) = G ( x) .

Se G (x) tem saltos de tamanho p k em y k , ento tomamos h( x) = y k para

x ( p1 + p 2 + L + p k 1 , p1 + p 2 + L + p k ], k = 1,2,... (assumindo p0 = 0 ). Uma vez

que U ~ U (0,1) ,

P (h(U ) = y k ) = P( p1 + L + p k 1 < U p1 + L + p k ) = p k
Portanto h(U ) uma varivel aleatria discreta com funo distribuio G (x) .

Ento, se Y tem densidade g ( y ) e funo distribuio G ( y ) , ento Y = G 1 ( F ( x))

transforma f (.) em g (.) .
1.2. Distribuies Multivariadas
A dependncia entre as variveis aleatrias de valores reais X 1 , X 2 ,..., X n
completamente descrita pela funo de distribuio conjunta

H ( x1 , x2 ,..., xn ) = P( X 1 x1 , X 2 x2 ,..., X n xn )

(1-3)

Se H ( x1 , x2 ,..., xn ) conhecida, podemos obter a densidade conjunta (se a mesma

existir) de acordo com a formula:

h( x1 , x2 ,..., xn ) =

n H ( x1 , x2 ,..., xn )
x1x2 ...xn

(1-4)

para todo ( x1 , x2 ,..., xn ) n onde H ( x1 , x2 ,..., xn ) tem derivada parcial mista.

Para qualquer subconjunto {i1 , i2 ,..., i j } {1,2,..., n} a distribuio marginal de

( X i1 , X i2 ,..., X i j ) dada por

H X i1 , X i2 ,..., X i j ( xi1 , xi2 ,..., xi j ) = lim H ( x1 , x2 ,..., xn ), i i1 , i2 ,..., i j

xi

(1-5)

2. Funes de Acoplamentos
Suponha que se transforme o vetor aleatrio ( X 1 , X 2 ,..., X n ) componente a
componente para que ele tenha distribuies marginais Uniforme(0,1) . Se

X 1 , X 2 ,..., X n tm distribuies marginais contnuas F X 1 ( x 1 ),..., F X n ( x n ) ,

ento essa transformao pode ser obtida usando-se a transformada integral de
probabilidade:

Tn : n a n , ( x1 ,..., x n ) a ( FX 1 ( x1 ),..., FX n ( x n ))

(2-1)

A funo distribuio conjunta C (.) de ( FX 1 ( x1 ),..., FX n ( xn )) ento chamada de

cpula (ou funo de acoplamento, ou, muitas vezes, apenas acoplamento) do vetor
aleatrio ( X 1 , X 2 ,..., X n ) , ou equivalentemente, cpula associada com a distribuio
conjunta H (.) .
Segue que:

H ( x1 , x 2 ,..., x n ) =
= P ( FX 1 ( X 1 ) FX 1 ( x1 ), FX 2 ( X 2 ) FX 2 ( x 2 ),..., FX n ( X n ) FX n ( x n ))

(2-2)

= C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n )
Definio 2.1: Uma funo de acoplamento definida como a funo de
distribuio conjunta

C (u1 , u 2 ,..., u n ) = P(U 1 u1 , U 2 u 2 , ..., U n u n ), 0 u i 1 ,

sendo U i ~ Uniforme(0,1), i = 1,2,..., n
ou alternativamente
Definio 2.2: Uma funo de acoplamento qualquer funo C : [0,1] n [0,1]
que possui as seguintes propriedades:
i) C (u1 ,..., u n ) no-decrescente em cada componente u i
ii) C (1,...,1, ui ,1,...,1) = ui [0,1] i = 1,2,..., n

iii) para (a1 ,..., a n ), (b1 ,..., bn ) [0,1] n com a i bi tem-se que

i1 =1

i n =1

... (1)

i1 + i 2 + ... + i n

C ( x1i1 ,..., xnin ) 0 , onde x j1 = a j e x j 2 = b j , j = 1,2,..., n

Sendo essas definies equivalentes.

2.1. Propriedades
Apresentaremos agora algumas propriedades e teoremas que as funes de
acoplamento satisfazem. Maiores detalhes podem ser obtidos em Nelsen (1999) e
Bouy et al. (2000).
Teorema de Sklar (2.1): Seja H (.) uma funo de distribuio conjunta com
marginais FX 1 ,..., FX n . Ento existe uma funo de acoplamento n-dimensional C (.)
tal que:

H ( x1 , x 2 ,..., x n ) = C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n ))

(2-3)

Reciprocamente, se C (.) uma funo de acoplamento n-dimensional e

FX 1 ,..., FX n so funes de distribuio, ento H (.) , definida por (*) uma

distribuio conjunta n-dimensional.

Note que a recproca desse teorema implica que podemos acoplar quaisquer
tipos de distribuies univariadas com qualquer funo de acoplamento, assim
definindo uma distribuio multivariada vlida.

O corolrio a seguir mostra que podemos obter funes de acoplamento a

partir de qualquer distribuio multivariada e us-la independentemente das
marginais originais.

Corolrio 2.1: Seja H (.) uma funo de distribuio conjunta com marginais

FX 1 ,..., FX n e sejam F 1 X 1 ,..., F 1 X n as inversas de FX 1 ,..., FX n respectivamente.

Ento, para qualquer ui [0,1] , existe uma funo de acoplamento n-dimensional

C (.) tal que:

C (u1 , u 2 ,..., u n ) = H ( F 1 X 1 (u1 ),..., F 1 X n (u n ))

(2-4)

Ento, podemos estudar o fenmeno de dependncia entre as variveis sem fixar

as distribuies marginais.

Teorema 2.2: Seja ( X 1 , X 2 ,..., X n ) um vetor de variveis aleatrias contnuas com

funo de acoplamento C (.) . Se 1 (.),..., n (.) so funes estritamente crescentes
em Im( X 1 ),..., Im( X n ) , respectivamente, ento (1 ( X 1 ),..., n ( X n )) tambm possui
acoplamento C (.) .
Prova: Sejam FX1 , L, FX n funes distribuio de X 1 , L , X n e sejam G1 , L , G n as
funes distribuio de 1 ( X 1 ), L , 1 ( X n ) respectivamente . Seja ( X 1 , L , X n ) um
vetor aleatrio com cpula C (.) e seja C (.) a cpula de ( 1 ( X 1 ),L , 1 ( X n )) .
Uma vez que k (.) estritamente crescente para cada k = 1,L, n ,

Gk ( x) = P( k ( X k ) x) = P( X k k1 ( x)) = Fk ( k1 ( x))
para todo x em , portanto

C (G1 ( x1 ),..., Gn ( x n )) = P ( 1 ( X 1 ) x1 ,..., n ( X n ) x n ) =

= P( X 1 11 ( x1 ),..., X n n11 ( x n )) = C ( F1 ( 11 ( x1 )),..., Fn ( n1 ( x n ))) =
= C (G1 ( x1 ),..., Gn ( x n )).

Uma

vez

que

X 1 ,..., X n

so

contnuas,

Im(G1 ) = ... = Im(Gn ) = [0,1] , i.e.,

C (.) = C (.) em [0,1] n .

Ento, as transformaes no lineares estritamente crescentes alteram a
distribuio conjunta H (.) e suas marginais, mas a forma analtica da funo de
acoplamento permanece a mesma.

Teorema 2.3: ( X 1 , X 2 ,..., X n ) um vetor de variveis aleatrias contnuas com

funo de acoplamento C (.) . Ento X 1 , X 2 ,..., X n so independentes se e somente
se
n

C (u) = u i = (u)

(2-5)

i =1

chamada de cpula de independncia (ou independente).

2.1. Limites de Frchet-Hoeffding para Cpulas
Definio 2.3 (Acoplamentos W e M): Sejam M e W funes com domnio em

[0,1] n , tais que:

( u ) = min( u 1 , u 2 ,..., u n )

W n (u) = max(u1 + u 2 + ... + u n n + 1 , 0)

(2-6)

Ento M uma funo de acoplamento n-dimensional para todo n 2 , ao passo

que W no uma funo de acoplamento para todo n 3 .
Teorema 2.4 (Limites de Frchet-Hoefding): Se C (u) um acoplamento
qualquer, ento, para todo u [0,1] n ,

W n (u) C (u) M n (u)

(2-7)

Portanto, o limite inferior de Frchet-Hoefding W 2 (u , v) = max(u + v 1 ,0) menor

do que qualquer cpula bidimensional, e qualquer cpula C (u) menor que o limite
superior de Frchet-Hoefding M n (u) .

Prova (caso bidimensional):

1 parte: Seja (u , v) [0,1] 2 , temos por definio que C (u, v) C (u,1) = u e

C (u, v) C (1, v) = v . Diretamente, isso implica que C (u, v) min(u, v). .

2 parte: Utilizando a definio de cpula (Definio 2.2, item iii), com u 2 = v 2 = 1 ,
temos que C (1,1) C (u,1) C (1, v) + C (u, v) 0 . Ento

1 u v + C (u, v) 0
C (u , v) u + v 1. Como C (u , v) 0 ,

C (u, v) max(u + v 1 ,0) .

3. Dependncia
A dependncia entre variveis aleatrias totalmente definida por sua
funo de distribuio conjunta, porm, esta no informa especificamente como
essa dependncia, nem a mensura. Para isso so desenvolvidas medidas de
dependncia, que so instrumentos que quantificam essa associao.
3.1. Dependncia Perfeita
Definio 3.1: As variveis aleatrias X e Y so ditas comonotnicas se so
positivamente dependentes perfeitamente (i.e.,

X =Y

quase certamente) e

contramonotnicas se so negativamente dependentes perfeitamente (i.e., X = Y

quase certamente).
Definio 3.2: Seja X = ( X 1 ,..., X n ) um vetor aleatrio com funo de acoplamento

M n . Neste caso, dizemos que as variveis aleatrias so comonotnicas.

Definio 3.3: Se ( X , Y ) T um vetor aleatrio com acoplamento M , ento X e

Y so ditas serem comonotnicas. Se o vetor tem cpula W ento X e Y so

ditas serem contramonotnicas.

Teorema 3.1: O vetor aleatrio ( X 1 ,..., X n ) comonotnico se e somente se uma

das seguintes condies equivalentes satisfeita:
(i) ( X 1 ,..., X n ) tem suporte comonotnico
(ii) Para todos ( x1 ,..., xn ) n temos H ( x1 ,..., x n ) = min{FX1 ( x1 ),..., FX n ( x n )}
(iii) ( X 1 ,..., X n ) = d ( FX11 (U ),..., FXn1 (U ) para U ~ U (0,1)
(iv) existem funes no-decrescentes i : , i = 1,..., n

e uma varivel

aleatria Z tal que ( X 1 ,..., X n ) = d ( 1 ( Z ),..., n ( Z )) , onde = d indica igualdade em

distribuio.
Teorema 3.2: Um vetor aleatrio ( X 1 ,..., X n ) comonotnico se e somente se

( X i , X j ) comonotnico para todo i j em {1,2,..., n)

3.2. Medidas de Dependncia
Seja T : estritamente montona no intervalo de variao de X . Apesar da
multiplicidade de medidas de dependncia, todas elas so norteadas por um
conjunto de propriedades desejveis para tais medidas. Seja (.,.) uma medida de
dependncia, ento:
(i)

Simetria ( ( X , Y ) = (Y , X )) ;

(ii)

1 ( X ,Y ) 1

(iii)

( X , Y ) = 1 X , Y comonotnicas
( X , Y ) = 1 X , Y contramonotnica

(iv)

(T ( X ), Y ) = ( X , Y ) , com T crescente
(T ( X ), Y ) = ( X , Y ) , com T decrescente

(v)

( X , Y ) = 0 X , Y Independentes.

Embora o Coeficiente de Correlao Linear de Pearson falhe em algumas das

propriedades acima, ele uma medida de dependncia.
3.3. Medidas de Concordncia
Apresentaremos nesta seo medidas alternativas correlao linear, que
so chamadas medidas de concordncia, sendo duas delas muito conhecidas, o tau
de Kendall e o rho de Spearman.

Definio 3.4. (Concordncia): Sejam ( x, y ) T e ( x' , y ' ) T duas observaes do

vetor ( X , Y ) T , onde X e Y so variveis aleatrias contnuas. Ento ( x, y ) T e

( x' , y ' ) T so ditos serem concordantes se ( x x' )( y y ' ) > 0 e discordantes caso

( x x' )( y y ' ) < 0 . Ou seja, o par ser concordante se x < x ' e y < y ' ou x > x' e
y > y ' . O par ser discordante se x < x' e y > y ' ou x > x' e y < y ' .

Teorema 3.3: Sejam ( X , Y ) e ( X ' , Y ' ) vetores aleatrios independentes formados

por variveis aleatrias contnuas, com funes de distribuio conjunta H e H '
respectivamente, e com funes marginais F1 (de X e X ' ) e F2 (de Y e Y ' ).
Sejam C e C ' as funes de acoplamento de ( X , Y ) e ( X ' , Y ' ) respectivamente,
de modo que

H ( x, y ) = C ( F1 ( x), F2 ( y )) e H ' ( x, y ) = C ' ( F1 ( x), F2 ( y )) . Ento

definiremos:

Q = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0)
Q , ento, a medida de concordncia. Pode ser mostrado que:

Q = Q(C , C ' ) = 4

[ 0 ,1]2

C ' (u, v)dC (u , v) 1

Definio 3.5: Uma medida nos reais de dependncia entre duas variveis
aleatrias contnuas X e Y com funo de acoplamento C uma medida de
concordncia se satisfaz as seguintes propriedades:

10

1. definido para cada par X , Y de variveis aleatrias contnuas;

2. 1 X ,Y 1, X ,Y = 1 e X , Y = 1 ;
3. X ,Y = Y , X ;
4. Se X e Y so independentes, ento X ,Y = = 0 ;
5. X ,Y = X , Y = X ,Y
6. Se C e C ' so acoplamentos tais que C p C ' , ento C C ' ;
7. Se {( X n , Yn )} uma seqncia de variveis aleatrias contnuas com
acoplamentos C n e se {C n} converge pontualmente para C , ento lim C ' = C .
n

3.3.1. O Tau de Kendall

Definio 3.6: O tau de Kendall para o vetor aleatrio ( X , Y ) T definido como:

( X , Y ) = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0) ,
onde ( X , Y ) T e ( X ' , Y ' ) T so vetores aleatrios i.i.d.

vlido ento que

( X , Y ) = 4

[ 0 ,1]2

C ' (u, v)dC (u , v) 1 = 4 E (C (U , V )) 1

Ento o Tau de Kendall simplesmente a medida de concordncia definida pelo

teorema 3.3.
3.3.2. O Rho de Spearman
Definio 3.7: O Rho de Spearman para o vetor aleatrio ( X , Y ) T definido como:

S ( X , Y ) = P{( X X ' )(Y Y ' ' ) > 0} P{( X X ' )(Y Y ' ' ) < 0) ,

11

onde ( X , Y ) T , ( X ' , Y ' ) T e ( X ' ' , Y ' ' ) T so cpias independentes.

, tambm, vlido que:

S ( X , Y ) = 3Q(C , ) = 12

[ 0 ,1]2

uvdC (u , v) 3 = 12

[ 0 ,1]2

C (u , v)dudv 3 , onde a

cpula independente.
3.3.3. Dependncia nas Caudas
O conceito de dependncia nas caudas relacionado com a quantidade de
dependncia na cauda do quadrante direito superior ou na cauda do quadrante
esquerdo inferior de uma distribuio bivariada, como por exemplo, a distribuio do
vetor aleatrio ( X , Y ) T .

Definio 3.8: Seja o vetor ( X , Y ) T

de variveis aleatrias contnuas, com

distribuies marginais F1 e F2 . O coeficiente de dependncia na cauda superior de

( X , Y ) T definido como:
lim P{Y > F21 ( ) / X > F11 ( )} = U ,

dado que o limite U [0,1] exista. Se U (0,1] , ento X e Y so chamadas

de assintoticamente dependentes na cauda superior. Se U = 0 , X e Y so
chamadas de assintoticamente independentes na cauda superior. Caso o limite no
exista, a dependncia na cauda no definida.
Podemos reescrever P{Y > F21 ( ) / X > F11 ( )} como:

1 P{ X F11 ( )} P{Y F21 ( )} + P{ X F11 ( ), Y F21 ( )}

1 P{ X F11 ( )}

12

encontrando uma definio equivalente para cpulas:

Definio 3.9: Se C um acoplamento bivariado tal que o limite

lim

exista, ento C

1 2 C ( , )
= U
1

tem dependncia na cauda superior se U (0,1] , e

independente na cauda superior se U = 0 .

Definio 3.10: Se C um acoplamento bivariado tal que o limite

lim+

C ( , )

= L

exista, ento C tem dependncia na cauda inferior se L (0,1] , e independente

na cauda inferior se L = 0 .
4. Classes de Funes de Acoplamentos
Conhecer as funes de acoplamentos disponveis o primeiro passo para
se escolher uma funo adequada para um determinado problema (por exemplo a
modelagem de retornos de uma srie financeira). Sero apresentadas as principais
funes de acoplamentos num caso n-dimensional, embora

medidas de

dependncia estejam disponveis apenas num caso bivariado.

4.1. Acoplamentos Elpticos
A razo de se usar acoplamentos elpticos que estes so uma rica fonte de
distribuies multivariadas que compartilham muitas propriedades da distribuio
normal multivariada e possibilita a modelagem de dependncia no-normal. Esta
famlia de funes chamada de elpticas, pois suas curvas de contorno so
elipses.
Definio 4.1: Seja X um vetor aleatrio n-dimensional. Seja n e alguma
matriz n n simtrica no-negativa definida. Se, para algum a funo

13

caracterstica X (t ) de X funo da forma quadrtica t' t , ou seja,

X (t ) = (t' t ) , dizemos que X tem distribuio elptica com parmetros , e

, e denotamos por X ~ En (, , ) .
4.1.1. Acoplamentos Gaussianos
Definio 4.2: Seja uma matriz simtrica, positiva definida, com diag( )=1 e
seja a distribuio normal

univariada padronizada e seja a distribuio

normal multivariada com matriz de correlao . Pelo corolrio do teorema de Sklar

(2-4), o acoplamento gaussiano multivariado definido por:

C Ga (u1 , u 2 ,..., u n ) = ( 1 (u1 ), 1 (u 2 ),..., 1 (u n ))

(4-1)

Onde 1 a inversa da funo distribuio normal padro univariada.

4.1.2. Acoplamentos t
Definio 4.3: Seja uma matriz simtrica, positiva definida, com diag( )=1 e
seja T , a distribuio t-student com = 0 e graus de liberdade e matriz de
correlao . Ento o acoplamento t-student multivariado definido como:

C t , (u1 , u 2 ,..., u n ) = T , (t (u1 ), t (u 2 ),..., t (u n ))

Onde t

(4-2)

a inversa da funo distribuio t padro univariada.

4.2. Acoplamentos Arquimedianos

Definio 4.4: Seja uma funo contnua, estritamente decrescente, de [0,1]
para

[0, ] , tal que (1) = 0 . A pseudo-inversa de

uma funo

[ 1] : [0, ]
[0,1] , dada por:

14

[ 1]

1 (t ) se 0 t (0)
=
0 se (0) t

(4-3)

Note que [ 1] (t ) contnua e no-crescente em [0,1] e estritamente decrescente

em [0, (0)] . Alm disso, [ 1] ( (u )) = u em [0,1] , e

t se 0 t (0)
[ 1] ( (u )) =
(0) se (0) t

(4-4)

Finalmente, se (0) = , ento [ 1] = 1 .

Teorema 4.1: Seja uma funo contnua, estritamente decrescente, de [0,1] para

[0, ] , tal que (1) = 0 , e seja [ 1] a pseudo-inversa de . Seja C uma funo de

[0,1] 2 para [0,1] , dada por:
C (u , v) = 1 ( (u ) + (v))

(4-5)

Ento C uma funo de acoplamento se, e somente se, convexa.

Funes de acoplamento da forma (4-5) so chamadas de funes de
acoplamentos arquimedianos. A funo chamada de geradora do acoplamento.
Se (0) = , dizemos que uma geradora estrita, o que implica que [ 1] = 1 .
Teorema 4.2: Sejam X e Y variveis aleatrias com acoplamento arquimediano

C , gerado por . O Tau de Kendall para X e Y dado por:

C = 1 + 4

(t )
dt .
' (t )

(4-6)

15

4.2.1 Verso Multivariada de Acoplamentos Arquimedianos

Definio 4.5: Uma funo g (t ) completamente montona no intervalo [0,1] se
tem derivadas de todas as ordens que alternam o sinal, ou seja, se satisfaz:

dk
(1)
g (t ) 0
dt k
k

(4-7)

Para todo t (0,1) e k = 0,1,2,....

Teorema 4.3: Seja uma funo contnua, estritamente decrescente, de [0,1] para

[0, ] , tal que (0) = e (1) = 0 , e seja 1 a inversa de . Se C n uma

funo de [0,1] n para [0,1] dada por:

C n (u) = 1 ( (u1 ) + (u 2 ) + ... + (u n ))

(4-8)

Ento C n um acoplamento n-dimensional para todo n 2 se, e somente se, 1

completamente montona em [0, ) .
seguir so mostrados exemplos de acoplamentos arquimedianos e seus
geradores:

Famlia

Geradora (t )

Cpula C (u1 , u 2 ,..., u n )

Independncia

log(t )

u1u 2 ...u n

Frank

t 1
, 0
log
1

n ( uk 1)
1
k =1

log 1 +
log( )
( 1) n 1

Gumbel-Hougaard

( log(t )) , 0

exp k =1 ( log(u k ))

Cook-Johnson

t 1, > 1

Joe

log[1 (1 t ) ], 1

1 1 k =1 1 (1 u k )

Gumbel-Barnett

log[1 (1 t )], 0 < 1

1 /

u n + 1
k =1 k
n

{
[
exp{ [1

1 /

n
k =1

]}

1/

(1 log(u k )

]}

Tabela 4.1 - Exemplos de acoplamentos da famlia arquimediana.

16

4.2. Acoplamento de Plackett

Uma medida de associao ou dependncia em uma tabela de
contingncia 2 2 chamada razo do produto cruzado, ou em ingls odds ratio,
que denotaremos por . Por exemplo, seja a tabela 4.2, onde denotamos as
categorias de cada varivel como baixa e alta:

Varivel Coluna
Baixa
Alta
a
b
a+b
Baixa
c
d
c+d
Alta
a+c
b+d
n
Tabela 4.2 Uma tabela de contingncia 2 2
Varivel
Linha

Se a contagem observada das categorias mostradas na tabela foram a, b, c,

d, ento temos = (ad ) /(bc) . Caso = 1 , temos que cada entrada observada
(como a) igual ao seu valor esperado sob independncia (neste caso
(a+b)(a+c)/n), onde n=a+b+c+d. Caso > 1 , as observaes esto concentradas
nas clulas baixa-baixa e alta-alta. Caso 0 < < 1 , as observaes esto
concentradas nas outras duas clulas da tabela.

Plackett (1965) teve a idia de associar esta tabela com distribuies

marginais contnuas. Sejam X e Y variveis aleatrias contnuas com funes de
distribuio marginais conjuntas F1 e F2 e funo distribuio conjunta H . Seja

( x, y ) qualquer par de nmeros e as categorias baixa e alta sejam

respectivamente X x e X > x para a varivel X , e respectivamente Y y
e Y > y para a varivel Y . Ento trocando os nmeros a, b, c, d por suas
probabilidades de ocorrncia, temos:

( x, y ) =

H ( x, y )[1 F1 ( x) F2 ( y ) + H ( x, y )]
[ F1 ( x) H ( x, y )][ F2 ( y ) H ( x, y )]

(4-9)

Para a maioria das distribuies, ( x, y ) no independente de ( x, y ) ,

porm podemos encontrar distribuies conjuntas que no dependem de ( x, y ) .
Seja u = F1 ( x) e v = F2 ( y ) . Utilizando o Teorema de Sklar (2.3) temos que:

17

 =C

H (u , v)[1 u v + C (u , v)]
[u C (u , v )][v C (u , v)]

(4-10)

onde C o acoplamento entre as variveis X e Y .

Resolvendo para C , temos:

C (u, v) =

1 1 + ( 1)(u + v) [1 + ( 1)(u + v)]2 4uv ( 1)

2 ( 1)

uv para = 1

para 1 (4-11)

Que definida para > 0 , e satisfaz as condies que definem uma funo
de acoplamento. Assim H ( x, y ) = C ( F ( x), G ( y )) a funo distribuio conjunta
entre x e y . Temos ainda que lim C = W e lim C = M .
0

5. Estimao e Identificao de Funes de Acoplamento

5.1. Estimao Paramtrica
Seja C uma funo de acoplamento n-dimensional que pertence famlia

{C , } , onde C completamente conhecida com exceo do parmetro .

Seja X i , i = 1,..., n variveis aleatrias com distribuio conjunta H e distribuies
marginais F1 ,..., Fn respectivamente. Supondo que cada distribuio marginal
dependa apenas do parmetro i , teremos pelo teorema de Sklar que:

H ( x1 ,..., x n ) = C ( F1 ( x1 ;1 ),..., Fn ( x n ;n ); )

(5-1)

ou seja, para conhecermos completamente a distribuio conjunta H devemos

estimar o vetor de parmetros = (1 , 2 ,..., n , ) .

Derivando (5-1) para todas as variveis, temos a expresso da funo densidade h :

18

h( x1 , x 2 ,..., x n ) = c( F1 ( x1 ), F2 ( x 2 ),..., Fn ( x n )) f i ( xi )

(5-2)

i =1

onde f i a densidade da funo distribuio marginal Fi e c a densidade da

funo de acoplamento dada por:

c(u1 ,..., u n ) =

n C (u1 ,..., u n )
u1 .u 2 ...u n

(5-3)

A seguir apresentaremos alguns mtodos de estimao do vetor de parmetros

= (1 , 2 ,..., n , ) .
5.2. Mtodo de Mxima Verossimilhana Exata
Suponha que temos uma amostra de tamanho T de um vetor aleatrio ndimensional {( x1,t ,..., x n ,t )}Tt=1 . Seja = (1 , 2 ,..., n , ) um vetor de parmetros
onde i so os parmetros da distribuio marginal Fi , i = 1,2,...n , e o vetor de
parmetros da funo de acoplamento C .

A funo de log-verossimilhana definida por:

l ( ) = ln c( F1 ( x1,t ;1 ),..., Fn ( x n ,t ;n ); ) + ln f i ( xi ,t ;i )
t =1

(5-4)

t =1 i =1

Deste modo, o estimador de mxima verossimilhana de aquele que

maximiza (5-4), ou seja,

= arg max l ( )

(5-5)

esta estimao complicada quando a distribuio tem dimenso grande, pois

requer a estimao conjunta dos parmetros.

19

5.3. Mtodo IFM (Inference function For Margins)

Este mtodo, computacionalmente mais simples que o anterior, divide a
estimao em dois estgios. No primeiro estgio estimamos os parmetros das
marginais

Fi , pelo mtodo de mxima verossimilhana:

T

i = arg max ln f i ( xi ,t ;i )

(5-6)

t =1

No segundo estgio, estimamos o parmetro utilizando o mtodo de

mxima verossimilhana condicionado ao que foi obtido no primeiro estgio. Ento,
T

= arg max ln c( F1 ( x1,t ;1 ),..., Fn ( x n ,t ;n ); )

(5-7)

t =1

5.4 Mtodo de Mxima Verossimilhana Cannica

Primeiro Estgio: Primeiramente usa-se a distribuio emprica para estimar as
distribuies marginais (abordagem no-paramtrica, ou seja, nenhuma suposio
feita sobre as distribuies marginais).

Definio 5.1: Seja Y1 ,..., Yn uma amostra aleatria da varivel Y , que tem
distribuiao F . A funo distribuio emprica de Y dada por

Fn ( y ) =

1
n

1{Y (, y]}
i =1

(5-8)

Utilizando a distribuio emprica, transformamos o conjunto de dados ( x1,t ,..., x n ,t ) ,

t = 1,2,...T ,

em variveis aleatrias uniformes (u1,t ,..., u n ,t ) . Pela teoria de

probabilidades,

temos:

U = FX1 ( X ) ~ U (0,1) ,

fazemos

ento

u t = Fn1 ( xt ) , t = 1,2,...T , em que Fn a distribuio emprica de X .

Segundo Estgio: Estimamos o parmetro da seguinte forma:

20

= arg max ln c(u1,t ,..., u n ,t ; )

(5-9)

t =1

5.5 Estimao No-Paramtrica

Acoplamentos Empricos
Definio 5.2: Seja uma amostra {( x1,t ,..., x n ,t )}Tt=1 = x t . O acoplamento emprico
dado por:

t 1 T
t t
C 1 , 2 ,..., n = 1{x1,t x1 (t1 ), x 2,t x 2 (t 2 ),..., x n ,t x n (t n )} (5-10)
T T t =1
T T
onde xi (t j ) , i = 1,..., n , j = 1,..., n so estatsticas de ordem e 1 t1 , t 2 ,..., t n T . Ou
seja, o acoplamento emprico a proporo da amostra que satisfazem

x1,t x1 (t1 ), x2,t x2 (t 2 ),..., xn ,t xn (tn ) .

Definio 5.3: Seja uma amostra como na definio 5.2. A freqncia do
acoplamento emprico dada por:

t 1 se ( x1 (t1 ), x 2 (t 2 ),..., x n (t n ) pertencem amostra

t t
c 1 , 2 ,..., n = T
T 0 caso contrrio
T T

(5-11)

As relaes entre C e c so dadas por:

tn
t t1 t2
i
t t
i i
C 1 , 2 ,..., n = L c 1 , 2 ,..., n
T i1 =1 i2 =1 in =1 T T
T
T T

(5-12)

2
t 2
t i + 1
t t
t i + 1 t 2 i2 + 1
,
,..., n n
c 1 , 2 ,..., n = L (1) i1 +i2 +...+in C 1 1
(5-13)
T i1 =1 in =1
T
T
T
T T

21

Sejam C e c , respectivamente o acoplamento emprico e a freqncia do

acoplamento emprico de uma amostra {( x1,t , x 2,t )}Tt=1 . Ento podemos obter o rh
de Spearman e o tau de Kendall respectivamente por:

s =

12 T T t1 t 2
C ,
T 2 1 t1 =1 t2 =1 T T

t1 t 2
2
T

(5-14)

k =

2T T T t1 1 t2 1 t1 t 2
c ,
T 1 t1 = 2 t2 = 2 p =1 q =1 T T

p q t1 q p t 2
.c , c , .c ,
T T T T T T

(5-15)

5.6. Seleo de Funes de Acoplamento

Iremos discutir como selecionar a melhor famlia de acoplamentos para uma
determinada amostra.
5.6.1. Acoplamentos Arquimedianos
Apresentamos a seguir uma abordagem proposta por Genest e Rivest (1993)
que nos permite selecionar o melhor acoplamento que se ajusta a um conjunto de
dados real, no caso da classe dos acoplamentos Arquimedianos. Essa abordagem
baseada no seguinte teorema:
Teorema 5.1: Seja C um acoplamento Arquimediano gerado por , e seja

K C (t ) = VC ({(u, v) [0,1] 2 | C (u , v) t}),

(5-16)

(onde VC calculado como no item (iii) da definio 2.2). Ento para qualquer

t [0,1] ,
K C (t ) = t

(t )
' (t )

(5-17)

22

K C (t ) pode ser interpretada como a medida abaixo da curva de nvel C(u,v)=t. Uma
estimao no-paramtrica de (5-17) dada por:

1 T
K C (t ) = 1{i t} ,
T i =1
onde i =

(5-18)

1 T
1{x1, j x1,i ; x2, j x2,i ;...; xn, j xn,i } , para i = 1,..., T .
T 1 j =1

Podemos ento escolher diversas representaes paramtricas dos acoplamentos

atravs de algumas funes geradoras i . Comparamos ento a estimativa noparamtrica K e as funes K tericas de diversas famlias arquimedianas, e
escolhemos a que melhor se ajusta estimativa K , sendo que essa comparao
pode ser feita atravs de um grfico Quantil-Quantil. Ou podemos escolher o
acoplamento que minimiza a distncia em L2 entre (5-17) e (5-18), que dada por:

d 2 ( K , K ) = K ( z ) K ( z ) dz
2

(5-19)

5.6.2. Acoplamento Emprico

Seja {C k }1 k K o conjunto de acoplamentos disponveis. A escolha das
famlias de acoplamentos a serem consideradas est relacionada com a estrutura
de dependncia dos dados a serem modelados e tambm com os objetivos da
modelagem. Pelo mtodo de seleo atravs do acoplamento emprico, utilizado por
Romano (2002), escolheremos a funo de acoplamento C k que minimiza a
seguinte distncia entre Ck e o acoplamento emprico definido em (5-10):

T
T
t
t
t
t
d n C , C k = L C 1 ,..., n C k 1 ,..., n
T
T
T
t1 =1 tn =1 T

(5-20)

Esta distncia pode tambm ser utilizada para estimar o vetor de parmetros
de um acoplamento dado C (u, ) da seguinte forma:

23

= arg min C (u) C (u; )

(5-21)

5.6.2. Critrio de Informao de Akaike (AIC)

Suponha que um modelo estatstico de Q parmetros seja ajustado aos
dados. Para assegurar a qualidade do ajuste do modelo, Akaike (1973) introduziu
um critrio de informao. O critrio chamado na literatura de AIC (Akaikes
information criterion), e definido como:

AIC (Q) = 2 ln(mxima verossimilhana) + 2Q

(5-22)

Podemos utilizar este critrio para a escolha do melhor acoplamento, ou seja,

escolher a funo de acoplamento estimada que nos d o menor AIC, onde a
funo de verossimilhana dada por (5-4). Smith (2003) utiliza este critrio para a
seleo de funes de acoplamento.
6. Simulao de Variveis Aleatrias utilizando Cpulas
Uma das utilizaes mais importantes das funes de acoplamento na
gerao de vetores pseudo-aleatrios, que pode ser utilizada para compreendermos
e testarmos modelos de sistemas do mundo real.

Inicialmente sero apresentados mtodos gerais para a gerao de vetores

pseudo-aleatrios e aps isso, sero mostrados algoritmos especficos para os
acoplamentos gaussianos e t-Student.
6.1. Mtodo Geral
1. Gere n variveis Uniforme(0,1) independentes, (v1 ,..., v n )
2. Considere u1 = v1
3. Seja

24

C m / 1,...,m 1 (u1 ,..., u m ) = P{U m u m /(U 1 ,...,U m 1 ) = (u1 ,..., u m 1 )} =

(mu1 1,...,um 1 ) C (u1 ,...., u m ,1,...,1)

(mu1 1,...,um 1 ) C (u1 ,...., u m 1 ,1,...,1)

ento calcule recursivamente u m = C m1/ 1,...,m 1 (u1 ,..., u m 1 , v m ) para m = 2,..., n . Deste
modo teremos que o vetor (u1 ,..., u n ) gerado uma observao do vetor

(U 1 ,...,U n ) , que tem distribuio conjunta C ;

4. Transforme o vetor uniforme (u1 ,..., u n ) no vetor desejado ( x1 ,..., x n ) , utilizando
as inversas xi = Fi 1 (u i ) para i = 1,2,..., n .
6.2. Mtodo de Rejeio
1. Gere n + 1 variveis u1 , u 2 ,...., u n , v Uniforme(0,1) independentes;
2. Aceitar os valores gerados se v c(u1 ,..., u n ) . Caso contrrio, retornar ao passo
1;
3. O vetor (u1 ,..., u n ) uma observao gerada da funo de acoplamento C ;
4. Transforme o vetor uniforme (u1 ,..., u n ) no vetor desejado ( x1 ,..., x n ) , utilizando
as inversas xi = Fi 1 (u i ) para i = 1,2,..., n .
6.3. Acoplamentos Gaussianos
Considere a funo de acoplamento gaussiano, denotada por (4-1). Temos
que R tem dimenso n n e positiva definida. Neste caso, existe uma matriz A
tambm n n tal que R = AAT . Tambm assumido que as variveis aleatrias

Z 1 ,..., Z n so normais-padro independentes. Seja Z = ( Z 1 ,..., Z n ) . Ento temos

que:

+ AZ ~ N n ( , R ) .
A matriz A pode ser encontrada atravs da decomposio de Cholesky da
matriz R . Temos ento o seguinte algoritmo:

25

1. Encontre a decomposio de Cholesky A da matriz R ;

2. Simule n variveis normal-padro independentes z = ( z1 ,..., z n ) T ;
3. Faa x = Az ;
4. Determine os componentes u i = ( xi ) , onde a funo distribuio
acumulada da Normal padro, para i = 1,2,..., n ;
5. O vetor (u1 ,..., u n ) T uma observao do vetor (U 1 ,...,U n ) T que tem distribuio

C RGa ;
6. Transforme o vetor uniforme (u1 ,..., u n ) T no vetor desejado ( x1 ,..., x n ) T , utilizando
as inversas xi = Fi 1 (u1 ) para i = 1,2,..., n .
6.4. Acoplamentos t-Student
O algoritmo para gerar observaes de um acoplamento t denotado por C t ,
apresentado a seguir:
1. Encontre a decomposio de Cholesky A da matriz R ;
2. Simule n variveis normal-padro independentes z = ( z1 ,..., z n ) T ;
3. Simule uma varivel s de uma distribuio v2 , independente de z ;
4. Faa y = Az ;
5. Faa x =

v
s

y;

6. Determine os componentes u i = t v ( xi ) , para i = 1,2,..., n ;

7. O vetor (u1 ,..., u n ) T uma observao do vetor (U 1 ,..., U n ) T que tem distribuio

C t , ;
8. Transforme o vetor uniforme (u1 ,..., u n ) T no vetor desejado ( x1 ,..., x n ) T , utilizando
as inversas xi = Fi 1 (u1 ) para i = 1,2,..., n .
6.5. Acoplamentos Arquimedianos
No caso de acoplamentos Arquimedianos, temos dois resultados que iro
nos auxiliar na construo de um algoritmo de simulao. O primeiro deles um

26

corolrio do teorema 5.1, cuja prova pode ser encontrada em Nelsen(1999), (p.
104).

Corolrio 6.1: Seja (U ,V ) um vetor aleatrio com distribuio conjunta C , onde

C um acoplamento arquimediano gerado por . Ento a funo KC dada por (517) a funo de distribuio da varivel aleatria C(U ,V ) .

Teorema 6.1: sob as hipteses do corolrio 6.1, a funo de distribuio conjunta

H (s, t ) das variveis aleatrias S =

(U )
e T = C (U , V ) dada por
[(U ) + (V )]

H ( s, t ) = sK C (t ) para todo ( s, t ) [0,1] 2 . Ento S e T so independentes, e S

uniformemente distribuda em [0,1] .
Temos ento o seguinte algoritmo para simulao:

1. Gere duas variveis Uniforme(0,1) independentes s e q ;

2. Faa t = K C1 (q ) , onde K C a funo de distribuio da varivel aleatria

C (U , V ) . Deste modo temos que t uma observao da varivel aleatria

T = C (U ,V ) ;
3. Faa u = [ 1] ( s (t )) e v = [ 1] ((1 s ) (t )) ;
4. Temos que o par (u , v) uma observao de um vetor aleatrio (U ,V ) , com
distribuio conjunta C .
6.6. Acoplamento de Plackett
Um algoritmo para simular dados distribudos de acordo com o acoplamento
de Plackett consiste em simular uma observao de uma das marginais e ento
simular a outra marginal utilizando o acoplamento. O algoritmo apresentado a
seguir:

1. Gere duas variveis Uniforme(0,1) independentes u e t ;

27

2. Defina a = t (1 t ) e b = + 4au (1 u )(1 ) 2 ;

3. Calcule v =

[2a (u 2 + 1 u ) + (1 2a) (1 2t )b]

;
[2 + a( 1) 2 ]

4. u e v sero distribudos de acordo com uma distribuio de Plackett.

6.7. Ilustrao
Para ilustrar o uso das funes de acoplamento na gerao de vetores PseudoAleatrios, consideraremos dois casos:

Caso 1: Primeiramente, iremos gerar observaes de um vetor 3-dimensional de

variveis atravs de uma cpula da famlia arquimediana (Cook-Johnson),
utilizando, primeiramente, normais-padro univariadas como distribuies marginais,
gerando atravs do mtodo da rejeio.

Acoplamento 3-dimensional Cook-Johnson:

C (u1 , u 2 , u 3 ) = (u1 + u 2 + u 3 ) 1 /
c(u1 , u 2 , u 3 ) =

3 1
3 C (u1 , u 2 , u 3 )
= ( + 1)(2 + 1)(u1 + u 2 + u 3 ) (u1u 2 u 3 ) 1
u1u 2 u 3

Algoritmo 1:
1. Gere 4 variveis u1 , u 2 , u 3 , v Uniforme(0,1) independentes;
2. Aceitar os valores gerados se v c(u1 , u 2 , u 3 ) . Caso contrrio, retornar ao passo
1;
3. O vetor (u1 , u 2 , u 3 ) uma observao gerada da funo de acoplamento C ;
4. Transforme o vetor uniforme (u1 , u 2 , u 3 ) no vetor desejado ( x1 , x 2 , x3 ) , utilizando
as inversas xi = 1 (u i ) para i = 1,2,3 , Onde a funo normal padro
univariada.

28

1
N3

N3

1
0

N2

-1

-1

-1

-2

-2

-2
-3

-2

-1

-3

-2

-1

N1

-2

-1

N2

N1

Grfico 6.1: 1000 observaes geradas pelo algoritmo 1, com marginais normais-padro,
= 1.

O grfico acima mostra os cruzamentos entre as 3 variveis geradas com

acoplamento Cook-Johnson, com parmetro = 1 . Note que, para este valor de

N3
-2

-2

-2

-1

-1

-1

N3

N2

parmetro, a distribuio conjunta possui uma leve dependncia na cauda inferior.

-1

N1

-2

-1

1
N2

-1

N1

Grfico 6.2: 1000 observaes geradas pelo algoritmo 1, com marginais normais-padro,

= 5.
Note que quando aumentamos o parmetro , a dependncia na cauda inferior
aumenta. Quando , o acoplamento de Cook-Johnson se aproxima da
dependncia perfeita positiva.

Caso 2: Iremos gerar agora observaes de um vetor aleatrio 3-dimensional com

cpula tambm de Cook-Johnson, com parmetro = 5 , sendo as marginais:

X 1 ~ Normal (0,1)
X 2 ~ Exponencial (1)
X 3 ~ Weibull (2,2)

29

4
X3

X3

X2

O grfico a seguir mostra os cruzamentos dessas varveis X 1 , X 2 , X 3 :

-2

-1

-2

-1

X2

X1

X1

Grfico 6.3: 1000 observaes geradas pelo algoritmo 1, com marginais X1:Normal-Padro,
X2:Exponencial(1), X3: Weibull(2,2), = 5 .

Como era de se esperar, a dependncia na cauda inferior existe, no importando

quais so as marginais escolhidas para a cpula.

Caso 3: Agora, iremos gerar observaes de um vetor bidimensional utilizando um

Acoplamento t com 4 graus de liberdade e marginais Gamma(3,1). A Matriz de
Correlaes considerada neste exemplo :

0,85
1
R=

0,85 1 ,
Algoritmo 2:

1. Encontre a decomposio de Cholesky A da matriz R ;

2. Simule 2 variveis normal-padro independentes z = ( z1 , z 2 ) T ;
3. Simule uma varivel s de uma distribuio v2 , independente de z ;
4. Faa y = Az ;
5. Faa x =

v
s

y;

6. Determine os componentes u i = t v ( xi ) , para i = 1,2 ;

30

7. O vetor (u1 , u 2 ) T uma observao do vetor (U 1 ,U 2 ) T que tem distribuio C t , ;

8. Transforme o vetor uniforme (u1 , u 2 ) T no vetor desejado ( x1 , x 2 ) T , utilizando as

8
6
4
0

g2

rgamma(1000, 3, 1)

10

12

10

inversas xi = Fi 1 (u1 ) para i = 1,2 .

10

g1

10

12

rgamma(1000, 3, 1)

Grfico 6.4 I e II: 1000 observaes geradas pelo algoritmo 2, com marginais
g1:Gamma(3,1), g2:Gamma(3,1), no primeiro grfico, e 1000 observaes geradas
de 2 distribuies Gamma(3,1) independentes.

Note que, quando usamos o acoplamento, obtemos observaes provindas

de variveis aleatrias visivelmente dependentes.

6.8. Consideraes Finais sobre Simulao

Vimos que relativamente fcil gerar observaes de n variveis

dependentes entre si, embora para isso, devemos ter em mos toda a estrutura de
dependncia entre essas variveis, de forma que essa estrutura seja condizente
com o problema que estamos estudando, ou com o modelo que est sendo criado.
7. Valor em Risco
A noo de risco de um portflio (carteira, conjunto de ativos) est associada
ao fato de que seu retorno em um dado perodo de tempo no conhecido de
antemo. Ao contrrio, existe um conjunto de retornos possveis. As probabilidades

31

de ocorrncia de cada um dos elementos deste conjunto iro determinar, em ltima

instncia, o potencial de perda da carteira.
Definimos a varivel aleatria X : valor do portflio e a varivel aleatria R : retorno
do portflio.
Ao montarmos o portflio, investimos uma quantidade inicial W = X 0 . Iremos
considerar x0 ,..., x m : valor do portflio nos tempos {0,1,..., m} (discretos). Estes
tempos podem ser m dias, semanas, meses, de acordo com o horizonte que
desejamos para o clculo do VaR.
Definimos ento Ri =

Xi
1 : retorno do portflio no perodo [i 1;1] . Assim
X i 1

r1 ,..., rm uma amostra da varivel aleatria R .

O VaR (Value-at-Risk) de um portflio definido como a mxima perda em
unidades monetrias num dado espao de tempo a um certo nvel de confiana.
Por exemplo, se uma carteira cujo valor de mercado R$ 100.000,00,
apresentasse uma probabilidade de retornos dirios abaixo de 2% igual a 5%,
ento poderamos dizer que a carteira tem 5% de probabilidade de gerar uma perda
financeira maior ou igual a R$ 2000,00, ou em linguagem estatstica, o Value-at-Risk
desta carteira de R$ 2000,00 a 95% de confiana em horizonte dirio.
Esta a definio do VaR absoluto. Podemos trabalhar tambm com o VaR
relativo, que mede a perda mxima considerando o retorno mdio da carteira. Ou
seja: VaR (relativo) = VaR (absoluto) + retorno mdio (monetrio).
Vamos supor que R (retorno da carteira) seja uma varivel aleatria
contnua e que conhecemos sua distribuio de probabilidades. Sua funo de
densidade f (R) .
Seja = E (R) o retorno mdio (percentual) da carteira. Ento W o
retorno mdio (monetrio) desta carteira.
Seja R * o valor de R cuja rea a esquerda da curva f ( R) seja 100 c%.

32

Definimos ento :
VaR(absoluto) = R* W
VaR(relativo) = R* W + W
Estas medidas esto definidas a 100 (1-c)% de confiana.
Graficamente, temos:

Grfico 7.1 Valor em Risco, graficamente

8. Teoria de Valores Extremos
Nesta seo apresentaremos os resultados clssicos sobre a teoria de
valores extremos aplicada s funes de acoplamento.
8.1. Principais Resultados
Seja X 1 , X 2 ,... uma seqncia de variveis aleatrias i.i.d. com funo de
Distribuio F ( x) . Classicamente, caracterizamos as caudas de F ( x) a partir da
distribuio do mximo M n = max( X 1 ,..., X n ), n 2 , que :

P{max( X 1 ,..., X n ) x} = [ P{ X x}] n = [ F ( x)]n , para x . (8-1)

O comportamento assinttico dessa distribuio perto do limite superior

p=
F
direito do suporte de F (x) , denotado por x F , e definido por xu
. Para todo x < x F temos que:
F

33

P{M n x} = [ F ( x)]n 0, para n . (8-2)

E, se x F < , temos que, para x x F ,

P{M n x} = [ F ( x)]n = 1 (8-3)

Temos, ento, que o mximo converge em probabilidade para x F , quando

n , para x F < . Como a seqncia ( M n ) no decrescente em n , o

mximo converge quase certamente para x F , quando n . Devemos padronizar

M n para obter uma distribuio limite no degenerada. Esse resultado dado pelo
seguinte teorema:
Teorema 8.1. (Fisher-Tippet). Seja ( X n ) uma seqncia de variveis aleatrias
i.i.d. Se existirem seqncias de constantes normalizadoras c n > 0 e d n , e uma
distribuio no degenerada H tal que,

M n dn d
H (8-4)
cn
d

Onde representa convergncia em distribuio, ento H do tipo de

uma das trs fd:
Gumbel: H 1 ( x) = exp{e x }, x (8-5)

0,

x0

exp{ x },

x > 0, > 0

Frchet: H 2, ( x) =

exp{( x) }
Weibull: H 2, ( x) =
1,

(8-6)

x 0, > 0
(8-7)
x > 0,

O teorema de Fisher-Tippet implica que se F n (c n x + d n ) no degenerada

quando n , para certas constantes c n > 0 , d n , ento

x dn
F n ( x ) H
cn

0, n (8-8)

34

Para alguma H .
Definio 8.1. (Domnio de atrao).

Se (8-8) se verifica, dizemos que F (x)

pertence ao domnio de atrao do mximo da distribuio de valores extremos H ,

e denotamos por F MDA(H ) .
possvel representar as trs distribuies de valores extremos em uma
nica classe de distribuies, conhecida como a distribuio de valores extremos
generalizada (GEV), dada por:

exp{(1 + y ) } se 0
(8-9)
H ( y) =
exp{ exp{ y}} se = 0
1

Onde 1 + y > 0 . A famlia de locao e escala correspondente H , , obtida

substituindo-se y por ( y ) / , para e > 0 . Se o ndice de cauda
zero (caso limite quando 0 ), H ( y ) corresponde distribuio Gumbel. Os
casos < 0 ou > 0 correspondem respectivamente s distribuies Weibull ou a
1
Frchet, e temos que = .

Agora considere X 1 ,..., X N variveis aleatrias i.i.d. com fd F MDA( H ) ,

para algum , e um limiar alto u predefinido. Chamamos de limiar alto, algum
valor do suporte de X perto de x F . Seja N u o nmero de excedentes do limiar u ,
isto , N u =

i =1 ( X i >u )

, onde 1( X i >u ) = 1 se X i > u , e 0 caso contrrio. Os

excessos alm do limiar u denotados por Y1 ,...., YN u , so os valores X i u > 0 .

A distribuio condicional do excesso Y = X u , denotada por Fu , tem
funo de sobrevivncia

Fu ( y ) = P{Y > y / X > u} =

1 F (u + y )
, y 0 (8-10)
1 F (u )

Podemos modelar os excessos como uma distribuio do tipo Pareto, a partir do

resultado que se segue:

35

F MDA( H ) se e somente se existe uma funo a (.) positiva e mensurvel tal

que, para 1 + x > 0 , tem-se

F (u + xa(u )) (1 + x)
lim
=
u xF
F (u )
e x

se 0
se = 0

(8-11)

Que pode ser reescrito por:

1
X u
(1 + x)
lim P
> x / X > u =
u xF
a (u )
e x

se 0
se = 0

(8-12)

Teorema 8.2. Seja X 1 , X 2 ,... uma seqncia de variveis aleatrias i.i.d. com
Distribuio F ( x) , e suponha que F MDA( H ) , H ( y ) dada em (8-9). Ento,
para u suficientemente grande, a distribuio de Y = X u condicional a X > u ,
aproximadamente,

1 (1 + x)
P ( y ) =
1 e x

se 0
se = 0

(8-13)

Onde y 0 se 0 , e 0 y 1 / se < 0 .
A famlia definida em (8-13), chamada de famlia de Pareto generalizada
(padro), onde

o mesmo da GEV. Podemos introduzir , onde

= + (u ) , e , so os parmetros de (8-9). Note que fcil obter (8-13) a

partir de (8-9), para n e u suficientemente grandes.
Assim como na GEV, podemos obter trs submodelos: Tipo 1, Exponencial
( = 0 ), tipo 2, Pareto ( > 0 ), e tipo 3, Beta ( < 0 ). Temos tambm que, sempre
que

F MDA( H ) ,

temos

lim nF (c n x + d n ) = ln H ( x) ,
n

para

constantes

apropriadas c n > 0 , d n . Assim, vemos que os excessos padronizados por uma

escala alm dos limiares altos possuem uma distribuio tipo Pareto com ndice de
cauda 1 / , se e somente se F MDA( H ) .

36

9. Modelos de Volatilidade
Suponha uma srie de retornos X t . Essa srie pode ser modelada como um
nvel t mais uma perturbao t . Podemos considerar que existe uma relao
aditiva entre os componentes, e que a perturbao o produto de dois processos
independentes. Dessa forma, temos:

X t = t + t

t = t t

[9-1]

Sob as suposies de que as perturbaes t e o nvel t so processos

independentes, os processos { t } e { t } so independentes e que { t } um
processo rudo branco com mdia zero e varincia 1. No caso mais simples temos

t = c (constante). Porm, estaremos modelando o nvel t atravs de modelos

ARMA(p,q).
9.1. Modelo GARCH(p,q)
O

modelo

GARCH

(Generalized

Autoregressive

Conditional

Heteroskedasticity) dado por:

t = t t
p

i =1

j =1

2 t = 0 + i 2 t 1 + j 2 t j

[9-2]

onde { t } um processo rudo branco com mdia zero e varincia 1. Em geral,

supes-se que t ~ N (0,1) ou t ~ t (TStudent padronizada). So restries
que garantem que a varincia condicional seja positiva:

0 > 0 , i 0 para i = 1, ..., p, j 0 para j = 1, ..., q, e

max( p , q )

(
i =1

+ i ) < 1

Para esse modelo, a varincia no condicional dada por:

37

Var ( t ) =

Que finita quando

i =1

j =1

0
p

i =1

j =1

1 ( i + j )

[9-3]

i + j < 1 . Temos tambm que:

t 2 = 0 + ( 1 + 1 ) 2 t 1 + L + ( p + p ) 2 t p + t 1 t 1 L q t q
onde t = t t um rudo branco. Ento, que 2 t ~ ARMA( p, q ) . No caso do
modelo GARCH(1,1), a autocorrelao desse processo ARMA(1,1) tem decaimento
segundo o valor 1 + 1 , que chamado de persistncia do processo.
10. Aplicao 1
10.1. Introduo
Historicamente, perodos de crise econmica que afetaram alguns pases
tiveram fortes impactos nas economias latino-americanas. Podemos observar esses
efeitos ao analisar perodos de crise em diversos pases, comparados com
variaes das bolsas de valores latino-americana (podemos citar a crise mexicana
de 1982, a asitica em 1997, a russa em 1998, a brasileira em 1999, entre muitas
outras).
Essa co-movimentao pode ou no ter causa definida (um estudo dessas
causas (caso existam) poderia ser efetuado, sendo chamado de estudo
fundamentalista (ver Calvo et al. (1996)), mas no ser abordado neste projeto). Se
no houver causas definidas, ou se no puderem ser observadas, essa comovimentao chamada, por diversos autores, de contgios (ver Forbes &
Rigobon (2000)).
O objetivo desta aplicao ser estudar a dependncia (estocstica) entre os
mercados nos perodos de grandes variaes de alta e baixa (co-movimentao e
contgios), utilizando o conceito de funes de acoplamento e dependncia nas
caudas, sendo essa abordagem verossmil, j que, para entendermos a interao
entre os pares de mercados, necessitamos conhecer sua funo de distribuio

38

conjunta, a qual podemos caracterizar atravs de uma funo de acoplamento, e

que o ndice de dependncia nas caudas nos d uma informao geral que leva em
considerao a existncia de dependncia nos valores extremos do conjunto de
dados. Essa abordagem ser aplicada aos mercados brasileiro, argentino, russo e
mexicano, atravs do principal ndice das bolsas de valores de cada um desses
pases.
10.2. Mtodos de Anlise
A anlise se inicia com a estimao da cpula emprica de Deheuvels
(1979), aplicada sobre os valores dos log-retornos calculados para cada mercado, e
sua utilizao na obteno dos ndices de dependncia nas caudas inferior e
superior (veja Caillault & Gugan (2003)). Com essas estimativas podemos notar a
simetria dos dados ou a falta de dependncia em uma das caudas, o que nos ajuda
a escolher um conjunto de cpulas que possuam essas propriedades.
A seguir, para os diferentes acoplamentos escolhidos, estimamos os
parmetros de dependncia pelo mtodo de mxima verossimilhana. Sero
utilizados o critrio de informao de Akaike (AIC) e a proporo de vezes em que a
perda de um portflio constitudo pelos ndices dois a dois, excede o Valor em
Risco, para discriminar entre os diferentes acoplamentos e nos ajudar a escolher a
melhor cpula. Veremos que possvel, tambm, estimar a dependncia nas
caudas a partir da cpula escolhida. A distribuio marginal que ser utilizada em
toda a anlise a Distribuio de Pareto Generalizada.
10.3. O Conjunto de Dados
Por serem contagiadas com variaes do mercado internacional com mais
freqncia e intensidade, escolhemos trabalhar com as bolsas de valores dos
seguintes mercados latino-americanos:
- Brasil, atravs do ndice IBOVESPA (IBV), de 08/10/1996 a 14/03/2005;
- Argentina, atravs do ndice MERVAL (MRV), de 27/04/1993 a 14/03/2005;
- Mxico, pelo ndice IPC (IPC), de 08/10/1996 a 14/03/2005;
- Rssia, utilizando o ndice RTSI, de 01/09/1995 a 14/03/2005;

39

10.4. Dependncia nas Caudas

Para os seis pares possveis com os quatro ndices acima, calcularemos,
empiricamente, o ndice de dependncia nas caudas, da seguinte forma: Obtemos
valores da dependncia na cauda superior (inferior), U ( L ), para cada valor ,
discretizado pelo tamanho da amostra, possvel, utilizando
(

C ( , )

1 2 C n ( , )
= U ,
1

= L , ). Ao se aproximar de = 1 ( = 0 + ), certa instabilidade numrica

surge. Selecionamos, ento, visualmente, um ponto

instabilidade.

logo antes dessa

Ao fazer isso, adicionamos certa incerteza, j que inclumos a

subjetividade do observador na obteno do valor que ser utilizado. Mostraremos o

mtodo para o par IBOVESPA MERVAL, sendo que, para os outros pares, as
dependncias so calculadas de forma anloga.
Dependncia na Cauda Superior IBOVESPA x Merval

0 .3
0 .1

0 .2

U.BVPMRV[1 50 0:n]

0.6
0.4
0.0

0 .0

0.2

U.BVPMRV

0.8

0 .4

1.0

Dependncia na Cauda Superior IBOVESPA x Merval

0.0

0.2

0.4

0.6
alpha

0.8

1.0

0.75

0.80

0.85

0.90

0.95

1.00

alpha[1500:n]

Grfico 10.1 Grfico da dependncia na cauda superior estimada de forma emprica para
o par IBOVESPA MERVAL. O segundo grfico mostra uma ampliao na regio prxima
1. O intervalo de confiana de 80% foi obtido atravs do mtodo Bootstrap.

Observe que, no grfico 10.1, a partir de = 0.95 , a instabilidade numrica

torna-se bem mais evidente. O ponto escolhido para obter a dependncia na cauda
superior para esse par foi = 0.9552 , onde obtivemos U = 0,2333 [0,1777 ;
0,3].Em seguida obtivemos, da mesma forma, a dependncia na cauda inferior:

40

Dependncia na Cauda Inferior IBOVESPA x Merval

0.0

0.0

0.2

0.2

0.4

L.BVPMRV[0:500]

0.6
0.4

L.BVPMRV

0.8

0.6

1.0

Dependncia na Cauda Inferior IBOVESPA x Merval

0.0

0.2

0.4

0.6

0.8

1.0

0.0

0.05

alpha

0.10

0.15

0.20

0.25

alpha[0:500]

Grfico 10.2 Grfico da dependncia na cauda inferior estimada de forma emprica para o
par IBOVESPA MERVAL. O segundo grfico mostra uma ampliao na regio prxima
0. O intervalo de confiana de 80% foi obtido atravs do mtodo Bootstrap.

Pelo grfico 10.2, notamos que a instabilidade numrica alcana at,

aproximadamente, = 0,05 . Escolhemos, para a dependncia na cauda inferior o
ponto = 0,0472 , em que obtivemos L = 0,3473 [0,2947 ; 0,4105].
A partir desses nmeros, podemos concluir que, para o par IBOVESPA MERVAL,
existe certa co-movimentao, e que ela mais evidente em perodos de maiores
perdas. Analogamente obtivemos os valores para os outros cinco pares possveis:
Par
IPC - IBOVESPA
IBOVESPA - MERVAL
IBOVESPA - RTSI
IPC - MERVAL
IPC - RTSI
RTSI - MERVAL

Cauda Inferior
0.3363 [0.2727 , 0.3909]
0.3473 [0.2947 , 0.4105]
0.1650 [0.1262 , 0.2233]
0.3000 [0.2666 , 0.3777]
0.2200 [0.1800 , 0.2800]
0.2368 [0.2000 , 0.2736]

Cauda Superior
0.2325 [0.1937 , 0.2945]
0.2333 [0.1777 , 0.3000]
0.1171 [0.0810 , 0.1531]
0.2325 [0.1937 , 0.2945]
0.1397 [0.1103 , 0.1911]
0.1130 [0.0869 , 0.1565]

Tabela 10.1: ndices de Dependncia nas Caudas para todos os pares possveis de ndices,
com seus respectivos intervalos de confiana (80%).

Vemos que os valores estimados da dependncia na cauda inferior so

menores que os valores da cauda superior, o que indica uma maior comovimentao, para todos os pares, em situaes de grande perda. A partir desses
valores, devemos, ento, escolher algumas cpulas para estimao pelo mtodo de
mxima verossimilhana cannica. Para a escolha das cpulas, podemos notar,
principalmente, a simetria em relao dependncia nas caudas.
Podemos considerar o par IPC IBOVESPA assimtrico. Porm o intervalo
de confiana para a dependncia de suas caudas se intercepta, o que pode
acarretar simetria com, certa probabilidade. Podemos escolher uma cpula

41

arquimediana, como as arquimedianas bivariadas e a cpula de dependncia. Ou

uma cpula simtrica como a t-student. O mesmo ocorre com todos, menos com o
par RTSI MERVAL.
Na tabela 10.2, para todos os pares de ndices, so mostrados os valores
estimados da dependncia nas caudas para algumas cpulas estimadas por MVC,
onde percebemos que:
1. As estimativas das dependncias nas caudas da cpula t-Student, para
todos os pares, est aqum do observado empiricamente.
2. A cpula BB3 apresenta dependncia terica unitria, na cauda superior.
3. A dependncia nas caudas da cpula BB7 foi a que mais se aproximou dos
valores estimados empiricamente.
4. Em geral, as estimativas das dependncias nas caudas atravs das cpulas
paramtricas estavam muito diferentes das dependncias estimadas
empiricamente.
Par
IPC - IBOVESPA

IBOVESPA MERVAL
IBOVESPA - RTSI

IPC MERVAL

IPC RTSI
RTSI - MERVAL

Cpula
Cauda Inferior
Cauda Superior
BB1
0.2576
0.1875
BB3
1.0000
0.2414
T-Student
0.1969
0.1969
BB1
0.2816
0.2065
BB3
1.0000
0.2514
BB7
0.3319
0.2502
T-Student
0.2114
0.2114
BB3
1.0000
0.1555
T-Student
0.0441
0.0441
BB1
0.2458
0.1620
BB3
1.0000
0.2317
BB7
0.2868
0.1990
T-Student
0.1441
0.1441
BB3
1.0000
0.1630
T-Student
0.0853
0.0853
BB3
1.0000
0.1473
T-Student
0.0392
0.0392

Tabela 10.2: Dependncia nas caudas para algumas cpulas.

10.5. Discriminao entre Cpulas

Nesta seo verificaremos a qualidade do ajuste das cpulas relacionadas
aos seis pares de mercados que esto sendo estudados. Foram calculados o AIC, e

42

a proporo em que as perdas ultrapassaram o Valor em Risco para os nveis

= 0.95 e = 0.99 . Caso a funo de acoplamento e as distribuies marginais

sejam adequadas, esta proporo deve ser prxima de 1 . As cpulas
apresentadas abaixo foram as que obtiveram os melhores ajustes com relao
mxima

verossimilhana

(foram

calculadas

as

cpulas

Normal,

Frank,

Kimeldorf.sampson, Gumbel, Galambos, Husler.reiss, BB1 a 7 (Joe, 1997) , Tawn,

Normal.mix, Joe e T-Student). A tabela 10.3 mostra as estatsticas que usaremos
para discriminar entre as cpulas.
Note que, em termos do AIC, o acoplamento T-Student o melhor para
todos os pares, seguido pelo acoplamento BB3. Com relao proporo que
ultrapassa o VaR, temos que, em geral, o acoplamento T-Student tambm o que
mais se aproxima. Veja tambm que, para os pares IBOVESPA-MERVAL e IPCMERVAL, todas as cpulas escolhidas subestimam o VaR (fora BB7, cujos VaR no
puderam ser estimados devido falta de convergncia durante o ajuste da cpula).
Par
IPC
IBOVESPA
IBOVESPA
MERVAL
IBOVESPA
RTSI
IPC
MERVAL
IPC
RTSI
RTSI
MERVAL

Cpula
BB1
BB3
T-Student
BB1
BB3
BB7
T-Student
BB3
T-Student
BB1
BB3
BB7
T-Student
BB3
T-Student
BB3
T-Student

p/ VaR 0.05
0.041158 (1)
0.039414 (3)
0.039762 (2)
0.056218 (2)
0.056716 (3)
0.008457 (*)
0.054726 (1)
0.032868 (2)
0.044574 (1)
0.072942 (3)
0.072942 (2)
0.016264 (*)
0.071956 (1)
0.048315 (2)
0.050531 (1)
0.039694 (2)
0.043765 (1)

p/ VaR 0.01
0.009068 (1)
0.006975 (3)
0.008022 (2)
0.012935 (2)
0.012935 (3)
0.009452 (*)
0.011940 (1)
0.007654 (2)
0.010355 (1)
0.018728 (3)
0.017249 (2)
0.018235 (*)
0.016264 (1)
0.010638 (2)
0.010638 (1)
0.010178 (1)
0.008651 (2)

AIC
-360.87 (3)
-502.11 (2)
-685.58 (1)
-285.16 (3)
-389.79 (2)
-284.36 (*)
-517.52 (1)
-120.34 (2)
-221.61 (1)
-231.48 (3)
-327.90 (2)
-231.90 (*)
-419.67 (1)
-138.26 (2)
-275.48 (1)
-93.620 (2)
-179.51 (1)

Tabela 10.3: Discriminao entre as cpulas. Entre parnteses est a ordem de escolha
das cpulas. (*) indica que houve um erro durante a estimao do valor.

10.6. Concluses
1. Por existirem infinitas cpulas que podem ser desenvolvidas, a seleo se torna
pouco conclusiva, fazendo-se necessrios novos estudos sobre a escolha das
cpulas que iremos comparar em nosso estudo.

43

2. Numa anlise inicial podemos utilizar as estimaes, acima calculadas, das

dependncias nas caudas, para tentar entender a co-movimentao entre os
mercados estudados.
3. Se encontrarmos uma cpula que caracterize, da melhor forma possvel, a comovimentao entre o par de mercados (atravs do ndice de dependncia nas
caudas), podemos incluir essa informao no clculo do risco de um portflio
composto por esses ativos, atravs do uso da cpula no clculo do VaR.
11. Aplicao 2
11.1. Introduo
Como sabido, a situao poltica de um pas influi na sua economia de
maneira bem significativa. Isso pde ser notado em diversas situaes que
ocorreram no pas em um perodo recente (eleies, renovao de ministrio,
principalmente da Fazenda, CPIs e escndalos envolvendo grandes personalidades
do governo, entre outras). Cada uma dessas notcias interferiu na negociao de
ativos financeiros em bolsa de valores, causando, muitas vezes, aumento e, em
outras, diminuio da volatilidade de um determinado ativo.
Outros perodos ainda mais significativos, como as eleio presidencial, em 2002,
pode ter sido a causa at de uma mudana na tendncia de crescimento ou queda
dos preos de ativos negociados em bolsa de valores.
O objetivo desta aplicao ser estudar a dependncia (estocstica) entre diversos
ativos negociados na Bolsa de Valores de So Paulo, nos perodos de grandes
variaes de alta e baixa, utilizando o conceito de funes de acoplamento e
dependncia nas caudas, quando so utilizados filtros para a mdia e para a
heteroscedasticidade do tipo ARMA-GARCH. Estaremos estudando, principalmente,
a influncia da eleio presidencial de 2002 nas dependncias entre os ativos,
buscando uma funo de acoplamento que melhor caracterize a dependncia entre
os pares de ativos das sries filtradas. Essa abordagem ser aplicada a ativos de
trs setores, negociados na Bolsa de Valores de So Paulo, e com participao no
ndice IBOVESPA: Telecomunicaes, Minerao e Bancrio. No captulo 2,
apresentaremos o conjunto de dados. Em 3, a metodologia. No captulo 4, os
resultados. E, em 5, as concluses.

44

11.2. O Conjunto de Dados

Estaremos estudando, alm do ndice IBOVESPA (IBV), os seguintes ativos
financeiros, no perodo de 03/10/2000 a 10/10/2005, totalizando 1429 observaes:
Telecomunicaes:
-TeleMar ON (TEL), 9.081% de participao no IBOVESPA;
-Embratel ON (EMB), 2.443% de participao no IBOVESPA;
Minerao:
-Petrobrs ON (PET), 7.926% de participao no IBOVESPA;
-Vale do Rio Doce ON (VAL), 6.966% de participao no IBOVESPA;
Bancrio
-Bradesco, ON (BRA), 3.264% de participao no IBOVESPA;
-Ita AS ON (ITA), 2.506% de participao no IBOVESPA;
Esses ativos somam, no total, um peso de 31,18% do ndice IBOVESPA.
A fim de se obter as diferenas (possivelmente) decorrentes do perodo de
instabilidade, dividiremos o conjunto de dados em dois perodos: Antes do anncio
dos resultados do segundo turno das Eleies para presidente em 2002 (Perodo A),
e depois de anunciados esses resultados (Perodo B). Analisaremos os dados no
perodo completo (todas as 1429 observaes), e tambm nos perodos A e B (com
701 e 728 observaes, respectivamente), referentes aos dados de 03/10/2000 a
04/11/2002 e de 05/11/2002 a 10/10/2005.
Os pares cujas dependncias sero estudadas nesses perodos, so:
Dependncia entre ndice:
-IBV x TEL, EMB, PET, VAL, BRA, IT
Dependncias entre empresas de setores diferentes:
-TEL x PET, TEL x BRA e PET x BRA;
Dependncias entre empresas no mesmo setor:
-TEL x EMB, PET x VAL e BRA x ITA;

45

11.3. Mtodos de Anlise

A anlise se inicia com a obteno dos log-retornos dos ativos que sero estudados.
Nesses log-retornos so aplicados os filtros ARMA-GARCH e obtidos os resduos,
que sero utilizados, par a par, na estimao da cpula emprica de Deheuvels
(1979), e na obteno dos ndices de dependncia nas caudas inferior e superior
(veja Caillault & Gugan (2003)). Com essas estimativas podemos notar a simetria
dos dados ou a falta de dependncia em uma das caudas, o que nos ajuda a
escolher um conjunto de cpulas que possuam essas propriedades. Faremos esses
procedimentos para o perodo completo, e tambm para os outros dois perodos.
A seguir, para os diferentes acoplamentos escolhidos, estimamos os parmetros de
dependncia pelo mtodo de mxima verossimilhana. Ser utilizado o critrio de
informao de Akaike (AIC), para discriminar entre os diferentes acoplamentos e
nos ajudar a escolher a melhor cpula. Veremos que possvel, tambm, estimar a
dependncia nas caudas a partir da cpula escolhida.
Iremos, ento, comparar os valores das dependncias estimados para o perodo
completo e para o perodo dividido em duas partes, assim como os parmetros dos
modelos ARMA-GARCH, verificando as diferenas entre os modelos e entre as
dependncias, que podem ter sido causadas por influncia da instabilidade poltica.
11.3.1. Estimao dos Modelos ARMA-GARCH
Para todos os ativos apresentados anteriormente, utilizamos filtros do tipo
ARMA-GARCH, de mdia e de heteroscedasticidade, da seguinte forma: Sob um
ndice calculado o seu log-retorno. Atravs do grfico de autocorrelaes,
verificamos se existe a necessidade de adicionar parmetros ARMA ao modelo. Se
for necessrio, filtramos os log-retornos com o modelo ARMA, obtendo resduos.
Ento, para esses resduos ao quadrado, verificamos o grfico de autocorrelaes,
que nos dir sobre a necessidade de adicionar parmetros GARCH ao modelo.
Como ilustrao, apresentaremos a seleo do modelo ARMA-GARCH para
os log-retornos das da TELEMAR ON, no perodo completo. As estimativas das
funes de Autocorrelao e Autocorrelao Parcial so apresentadas no Grfico
11.1.

46

Series : RET.TEL

0.0

-0.05

0.2

ACF
0.4

Partial ACF
0.0

0.6

0.05

0.8

1.0

Series : RET.TEL

10

15
Lag

20

25

30

10

15
Lag

20

25

30

Grfico 11.1: Autocorrelao e Autocorrelao Parcial para os log-retornos dos preos da

Telemar ON.

Ajustamos, ento um modelo mais geral, e verificamos quais parmetros so

significativos. Neste caso, optamos por um modelo AR(1), cujo diagnstico (como
veremos abaixo), se mostra favorvel esse modelo. Obtendo os resduos desse
modelo, e elevando os resduos ao quadrado, calculamos a funo de
Autocorrelao, que mostrada no grfico 11.2:

0.0

0.2

0.4

ACF

0.6

0.8

1.0

Series: Residuals RET.TEL ^2

10

15

20

25

30

Lag

Grfico 11.2: Autocorrelao para os resduos do modelo ARMA(1,0) ao quadrado, para

Telemar ON.
Note que a persistncia do modelo bem evidente, indicando que podemos
utilizar um modelo GARCH para modelar a volatilidade. Selecionado o modelo
ARMA(1,0)-GARCH(1,1), calculamos os Q-Q plots para os resduos finais, a fim de

47

verificar se a distribuio utilizada, normal, condiz com o observado. Se no for

condizente, podemos utilizar a distribuio t-student, de caudas mais pesadas:
QQ-Plot of Standardized Residuals

QQ-Plot of Standardized Residuals

QQ-Plot

QQ-Plot
455

1429
4

1428
Standardized Residuals

Standardized Residuals

-2

-2

1
1

-4
-2

-4

Quantiles of gaussian distribution

-2

Quantiles of t distribution

Grfico 11.3: Q-Q Plot dos resduos do modelo ARMA-GARCH utilizando Distribuies
Normal e T-Student.

Note, pelo grfico 11.3, que os resduos possuem caudas mais pesadas que
a normal, e um pouco mais pesadas que a t. Optaremos, aqui pela distribuio tstudent. Finalmente, obtemos, ento, os seguintes resultados para o modelo de
TELEMAR ON:
Tabela 11.1: Estimativas dos parmetros e diagnsticos para o modelo ARMAGARCH de Telemar ON:

Tabela 11.1: Estimativas dos parmetros e diagnsticos para o modelo ARMA-GARCH de

Telemar ON:
Telemar ON: ARMA(1,0) GARCH (1,1) T-Student
Erro
Padr.
t-valor
Pr(>|t|)
2.761e-004
5.931e-004
0.4655
3.208e-001
7.086e-002
2.745e-002
2.5809
4.976e-003
9.293e-006
4.275e-006
2.1740
1.493e-002
6.823e-002
1.352e-002
5.0474
2.528e-007
9.171e-001
1.584e-002
57.891
0.000e+000
Persistncia Calculada: 0,98533
t-student com 21.93222 g.l. e erro padro 10.37621
Teste de Normalidade: Jarque-Bera: 6.779, p-valor=0.03373
Teste de Ljung-Box para resduos: 10.21, p-valor=0.5972 g.l: 12
Teste de Ljung-Box para resduos ao quadrado: 12.28,p-valor=0.438 g.l: 12
: O teste de Jarque-Bera calcula a Curtose e a Assimetria para verificar a
normalidade. Hiptese nula: Normalidade.
: O teste de Ljung-Box verifica se o resduo, aps aplicado o modelo, um rudo
branco. Hiptese nula: Rudo Branco.
Valor
C
AR(1)
A
ARCH(1)
GARCH(1)

48

11.4. Resultados
Analogamente ao apresentado na seo 11.3.1, calculamos os modelos
ARMA-GARCH para todos os ativos sendo estudados, nos perodos completo, A e
B. Os resultados das estimativas dos parmetros so apresentados nas tabelas
11.5 a 11.11 (ver apndice B).
Nessas tabelas, podemos notar as diferenas nos formulaes e nos
parmetros dos modelos ARMA-GARCH para os perodos completo, A e B.
Podemos observar que, em geral, os modelos para o perodo B possui persistncias
ligeiramente maiores do que o perodo A, e que os parmetros, mesmo quando os
modelos possuem a mesma formulao nos perodos A e B, so diferentes,
indicando que os perodos A e B possuem diferenas notveis. Vemos tambm que,
em geral, o perodo completo possui uma formulao muitas vezes diferente da
formulao para os perodos A e B.
Outra caracterstica interessante que, muitas vezes, pode ser utilizada uma
distribuio normal para as inovaes, a maioria delas no perodo B, indicando
caudas menos pesadas nesse perodo (volatilidade mais baixa).
A seguir, a partir dos resduos dos modelos estimados acima, obtemos, para
os pares propostos, as dependncias nas caudas de forma emprica. A tabela 11.2
mostra essas dependncias, nos perodos completo, A e B. Nessa tabela, notamos
que, em geral, as dependncias na cauda inferior, referentes s perdas, so
maiores do que as dependncias na cauda superior (ganhos), indicando maior
concordncia entre as perdas das empresas, do que entre os ganhos.
Analisando, de uma forma geral, as dependncias nos perodos A e B,
podemos observar que, para a maioria dos pares, foram maiores no perodo A do
que no perodo B. Essa mudana na dependncia, entre um perodo e o outro, pode
ter relao com a mudana poltica que ocorreu no incio do ano de 2003, quando
assumiram os novos presidente e ministrios.
Veja tambm que a dependncia na cauda superior entre uma empresa de
telecomunicaes (no caso a Telemar) e uma empresa de minerao (Petrobrs),
no perodo B foi estimada como zero, indicando que essas empresas tiveram pouca
concordncia nos ganhos, nesse perodo. Podemos observar tambm um aumento
da dependncia na cauda inferior do perodo A para o perodo B.

49

Tabela 11.2: Dependncias nas Caudas Empricas para todos os pares de ativos sendo
estudados, no perodo completo e nos perodos A e B.

Perodo Completo
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3199 [0,2560 ; 0,3880]
IBVxEMB
0,2236 [0,1561 ; 0,3143]
IBVxITA
0,3027 [0,2449 ; 0,3851]
IBVxPET
0,3407 [0,2562 ; 0,4438]
IBVxTEL
0,3307 [0,2549 ; 0,4348]
IBVxVAL
0,2194 [0,1342 ; 0,3057]
TELxPET
0,2054 [0,1447 ; 0,2756]
TELxBRA
0,2535 [0,2004 ; 0,3231]
PETxBRA
0,1221 [0,0646 ; 0,2074]
TELxEMB
0,1908 [0,1332 ; 0,2603]
PETxVAL
0,1975 [0,1498 ; 0,2498]
BRAxITA
0,2318 [0,1665 ; 0,3094]

Inferior
0,5033
0,4396
0,4618
0,4541
0,5102
0,3033
0,2854
0,3672
0,2660
0,3583
0,2097
0,4576

IC (80%)
[0,4415 ; 0,5705]
[0,3694 ; 0,5106]
[0,3849 ; 0,5499]
[0,4038 ; 0,5217]
[0,2959 ; 0,6928]
[0,3476 ; 0,3617]
[0,1359 ; 0,3652]
[0,3027 ; 0,4294]
[0,1979 ; 0,3390]
[0,2757 ; 0,4400]
[0,1359 ; 0,2960]
[0,3836 ; 0,5250]

Inferior
0,4299
0,3739
0,5020
0,4188
0,6535
0,3382
0,2834
0,3926
0,2997
0,3748
0,2929
0,5329

IC (80%)
[0,2810 ; 0,5832]
[0,2864 ; 0,4898]
[0,4090 ; 0,6136]
[0,3359 ; 0,4864]
[0,5832 ; 0,7298]
[0,2575 ; 0,4207]
[0,2195 ; 0,3816]
[0,3286 ; 0,4835]
[0,2178 ; 0,3848]
[0,2928 ; 0,4692]
[0,2373 ; 0,3513]
[0,4450 ; 0,6054]

Inferior
0,4424
0,5195
0,3457
0,5245
0,2312
0,2683
0,3681
0,3854
0,3028
0,4606
0,2196
0,3895

IC (80%)
[0,3633 ; 0,5133]
[0,4528 ; 0,6010]
[0,2621 ; 0,4844]
[0,4404 ; 0,6135]
[0,5557 ; 0,7086]
[0,2188 ; 0,3372]
[0,2919 ; 0,4449]
[0,3041 ; 0,4579]
[0,2240 ; 0,3659]
[0,3884 ; 0,5470]
[0,1505 ; 0,2873]
[0,3242 ; 0,4842]

Perodo A
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3150 [0,2260 ; 0,4106]
IBVxEMB
0,3417 [0,2477 ; 0,4852]
IBVxITA
0,3586 [0,2726 ; 0,4704]
IBVxPET
0,4390 [0,2985 ; 0,5446]
IBVxTEL
0,4326 [0,3157 ; 0,5819]
IBVxVAL
0,2260 [0,1658 ; 0,3379]
TELxPET
0,2698 [0,1898 ; 0,3671]
TELxBRA
0,2691 [0,2075 ; 0,3641]
PETxBRA
0,1416 [0,0905 ; 0,2235]
TELxEMB
0,3333 [0,2257 ; 0,4129]
PETxVAL
0,1840 [0,1359 ; 0,2600]
BRAxITA
0,2337 [0,1687 ; 0,3333]

Perodo B
Dependncia nas Caudas
Superior
IC (80%)
IBVxBRA
0,3752 [0,3032 ; 0,4559]
IBVxEMB
0,1224 [0,0583 ; 0,2524]
IBVxITA
0,2207 [0,1188 ; 0,3812]
IBVxPET
0,3961 [0,3147 ; 0,4835]
IBVxTEL
0,2727 [0,1777 ; 0,4188]
IBVxVAL
0,2119 [0,1477 ; 0,2774]
TELxPET
0,0000 [0,0000 ; 0,3710]
TELxBRA
0,1710 [0,0859 ; 0,2781]
PETxBRA
0,2901 [0,2204 ; 0,3542]
TELxEMB
0,2425 [0,1816 ; 0,3194]
PETxVAL
0,2210 [0,1492 ; 0,2991]
BRAxITA
0,3370 [0,2738 ; 0,4356]

No caso das empresas Telemar (Telecomunicaes) e Bradesco (Bancrio),

notamos um decrescimento nas dependncias do perodo A para o perodo B,
indicando uma diminuio na concordncia dos ganhos e perdas desses ativos.

50

J para Petrobrs x Bradesco, observamos um aumento na concordncia

para os ganhos e as perdas. Para os ativos dentro do mesmo setor, vemos que,
para o setor de telecomunicaes ocorreu um aumento na concordncia entre as
perdas e diminuio da concordncia entre os ganhos, do perodo A para o B. No
setor bancrio e de minerao vemos um aumento na concordncia entre os
ganhos e diminuio da concordncia entre as perdas.
No grfico a seguir vemos as dependncias na cauda inferior nos perodos
completo, A e B, de todas as empresas contra o ndice IBOVESPA, sendo que
aparecem no grfico primeiro as empresas de maior participao na construo do
ndice IBOVESPA.

Dependncias na Cauda Inferior nos Perodos Completo, A e B (1, 2 e 3)

0,8
0,7

Data

0,6
0,5
0,4
0,3
0,2
C7

1 2 3
TEL

1 2 3
PET

1 2 3
VAL

1 2 3
BRA

1 2 3
ITA

1 2 3
EMB

Grfico 11.4: Dependncias na Cauda Inferior nos Perodos Completo, A e B, para os ativos
que compem, no total, 31,18% do ndice IBOVESPA, sendo Telemar (TEL) 9,08%,
Petrobrs (PET) 7,92%, Vale do Rio Doce (VAL) 6,96%, Bradesco (BRA) 3,26%, Ita S/A
(ITA) 2,5% e Embratel (EMB) 2,44%.

Vemos, pelo grfico 11.4, que as empresas de maior peso no ndice

IBOVESPA so tambm as de maior concordncia com esse ndice, quando
ocorrem grandes perdas.
A seguir, obtivemos as dependncias nas caudas de forma paramtrica,
atravs do Mtodo de Mxima Verossimilhana Cannica, para as cpulas
arquimedianas BB1 e BB7 (biparamtricas) e da cpula T-Student (Elptica). Os
resultados so apresentados nas tabelas 11.3 e 11.4. Os AIC (Critrio de

51

Informao de Akaike), para cada par/perodo mostrado nas tabelas 11.12, 11.13
e 11.14, no apndice B.
Tabela 11.3: Dependncia nas Caudas no paramtrica, e estimadas atravs do Mtodo de
Mxima Verossimilhana Cannica, atravs das Cpulas BB1, BB7 e T-Student, para os
pares relacionados com o ndice IBOVESPA. Os valores em negrito so referentes s
melhores opes de cpulas em termos do AIC , para cada perodo.

Dependncia nas Caudas Paramtrica

IBVxBRA

IBVxEMB

IBVxITA

IBVxPET

IBVxTEL

IBVxVAL

BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.
BB1
BB7
T-Student
N. Param.

Perodo Completo
Superior Inferior
0,3528 0,4570
0,4054 0,5183
0,1465 0,1465
0,3199 0,5033
0,4053 0,4457
0,4400 0,5261
0,2836 0,2836
0,2236 0,4396
0,3405 0,4495
0,3842 0,5117
0,0544 0,0544
0,3027 0,4618
0,3327 0,4543
0,3811 0,5136
0,2218 0,2218
0,3407 0,4541
0,6030 0,6442
0,6500 0,7131
0,4251 0,4251
0,3307 0,5102
0,2109 0,1822
0,2358 0,2486
0,0680 0,0680
0,2194 0,3033

Perodo A
Superior Inferior
0,3200 0,5078
0,3593 0,5548
0,0845 0,0845
0,3150 0,4299
0,4414 0,3872
0,4782 0,4923
0,3309 0,3309
0,3417 0,3739
0,3372 0,4965
0,3661 0,5516
0,0646 0,0646
0,3586 0,5020
0,2767 0,4350
0,3204 0,4853
0,1812 0,1812
0,4390 0,4188
0,5941 0,6589
0,6294 0,7205
0,4867 0,4867
0,4326 0,6535
0,1985 0,1577
0,2209 0,2227
0,0432 0,0432
0,2260 0,3382

Perodo B
Superior Inferior
0,3463 0,4068
0,3822 0,4788
0,0647 0,0647
0,3752 0,4424
0,3000 0,5305
0,3085 0,5750
0,1746 0,1746
0,1224 0,5195
0,3086 0,3871
0,3392 0,4533
0,0397 0,0397
0,2207 0,3457
0,3725 0,5006
0,4190 0,5601
0,0722 0,0722
0,3961 0,5245
0,5372 0,6653
0,5767 0,7154
0,2122 0,2122
0,2727 0,2312
0,1748 0,2714
0,1824 0,3204
0,0620 0,0620
0,2119 0,2683

A partir da tabela 11.3 podemos observar que a cpula T-Student possui

dependncias nas caudas simtrica, e de valor menor do que o observado nas
outras duas funes de acoplamento. Vemos, tambm, que muitas das
dependncias so prximas s estimadas empiricamente, e que, na maioria das
vezes, houve um aumento no valor das dependncias do perodo A para o B. Para o
par IBV x TEL, cujas dependncias paramtricas, segundo o critrio AIC, foram
calculadas utilizando a cpula T-Student, podemos observar que so bem prximas
aos valores estimados empiricamente, e que, assim como ocorre na dependncia
no paramtrica, existe uma diminuio nas dependncias do perodo A para o B.

52

J para os pares IBV x ITA e IBV x VAL, as dependncias foram estimadas bem
abaixo dos valores empricos, indicando que, provavelmente, a cpula selecionada
no a mais adequada para estudar os referidos pares. Podemos notar, tambm,
que, para os pares/perodos em que selecionamos a cpula BB1, as dependncias
so bem prximas s estimadas empiricamente. O critrio AIC no selecionou, para
nenhum par/perodo, a cpula BB7, porm a diferena entre os AIC das cpulas
BB1 e BB7, para a maioria dos pares, so pequenas.
Tabela 11.4: Dependncia nas Caudas no paramtrica, e estimadas atravs do Mtodo de
Mxima Verossimilhana Cannica, atravs das Cpulas BB1, BB7 e T-Student, para os
pares relativos aos setores. Os valores em negrito so referentes s melhores opes de
cpulas em termos do AIC , para cada perodo.

Dependncia nas Caudas Paramtrica

TELxPET

TELxBRA

PETxBRA

TELxEMB

PETxVAL

BRAxITA

BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param
BB1
BB7
T-Student
N. Param

Perodo Completo
Superior Inferior
0,2385 0,2973
0,2704 0,3580
0,1489 0,1489
0,2054 0,2854
0,2751 0,3297
0,3234 0,3930
0,1714 0,1714
0,2535 0,3672
0,1544 0,2081
0,1759 0,2526
0,0579 0,0579
0,1221 0,2660
0,3187 0,3699
0,3363 0,4481
0,2172 0,2172
0,1908 0,3583
0,1271 0,1643
0,1365 0,2055
0,0222 0,0222
0,1975 0,2097
0,3527 0,4037
0,4065 0,4734
0,2389 0,2389
0,2318 0,4576

Perodo A
Superior Inferior
0,1877 0,3131
0,2135 0,3581
0,1400 0,1400
0,2698 0,2834
0,2800 0,3597
0,3201 0,4201
0,1669 0,1669
0,2691 0,3926
0,1209 0,2275
0,1339 0,2620
0,0416 0,0416
0,1416 0,2997
0,3554 0,3265
0,3743 0,4251
0,2498 0,2498
0,3333 0,3748
0,0836 0,1705
0,0846 0,1985
0,0217 0,0217
0,1840 0,2929
0,2799 0,4565
0,3306 0,5008
0,1838 0,1838
0,2337 0,5329

Perodo B
Superior Inferior
0,2629 0,3048
0,2856 0,3730
0,0228 0,0228
0,0000 0,3681
0,2384 0,2958
0,2761 0,3560
0,0720 0,0720
0,1710 0,3854
0,1585 0,2037
0,1699 0,2523
0,0083 0,0083
0,2901 0,3028
0,2199 0,4380
0,2047 0,4841
0,1138 0,1138
0,2425 0,4606
0,1423 0,1991
0,1495 0,2449
0,0069 0,0069
0,2210 0,2196
0,4001 0,3287
0,4327 0,4345
0,1871 0,1871
0,3370 0,3895

Com exceo do par TEL x EMB, no houve consenso na seleo de cpulas pelo
critrio AIC para os pares, principalmente entre os perodos A e B. Embora essa
falta de consenso dificulte a anlise das dependncias, podemos observar que, no

53

par PET x VAL, as dependncias paramtricas so estimadas com um valor

pequeno, diferente das dependncias empricas, em todos os perodos. No par TEL
x PET, vemos que, no perodo completo, a dependncia maior do que no perodo
B, estimadas com a mesma funo de acoplamento. Nesse par, a dependncia na
cauda superior, no perodo B estimada como zero pela funo emprica, e um
valor baixo, pela T-Student.
No par TEL x EMB, cujas dependncias foram estimadas pela cpula T-Student,
vemos que a dependncia paramtrica estimada com um valor menor do que a
emprica, porm essa diferena no to grande. Nesse par, observamos, tambm,
um decaimento na dependncia do perodo A para o perodo B.
11.5. Concluses
1. As funes de acoplamento se mostraram inadequadas, para a maioria dos
pares/perodos, estimao das dependncias nas caudas, sendo necessrios
outros estudos, e a comparao de outras cpulas, para que se possa encontrar
uma funo que se adeque melhor aos dados.
2. Numa anlise inicial podemos utilizar as estimaes, acima calculadas, das
dependncias nas caudas, para tentar entender como empresas, setores e ndice
concordam entre si. Observamos que, em geral, a dependncia (em especial, na
cauda superior) entre os ativos diminui do perodo A (antes do anncio dos
resultados das eleies de 2002) para o perodo B (depois de anunciado o
vencedor).
3. A filtragem atravs do modelo ARMA-GARCH bastante til, principalmente para
eliminar

informaes

esprias

que

poderiam

influenciar

no

clculo

das

dependncias (na estimao das dependncias nas caudas emprica, o grfico das
dependncias se mostra mais estvel, quando os dados so filtrados). Pode ser
observado que existiram diferenas, muitas vezes significativas entre as estimativas
dos modelos nos perodos A e B, reforando a hiptese de diferena entre esses
perodos.

54

12. Agradecimentos
Agradeo ao caro professor orientador Dr. Luiz Koodi Hotta, por sua
pacincia e seu apoio; a FAPESP, pelo suporte financeiro, sendo que, sem esse,
este projeto seria invivel; e a todos os outros professores do departamento.
13. Referncias Bibliogrficas
Akaike, H, Information theory and an extension of the maximum likelihood principle
Em Second International Symposium on Information Theory, Budapest: Akademiai
Kiado, p.267-281, (1973)
Bauwens, L., Laurent, S. and Rombouts, J., Multivariate GARCH models: A
survey. CORE Discussion Paper 31, (2003)
Bollerslev, T.: Generalized autoregressive conditional heteroskedasticity, Journal
of Econometrics 31, 307-327, (1986)
Bouy, E., Durrleman, V., Nikeghbali, A., Riboulet, G., Roncalli, T., Copulas for
Finance: A Reading Guide and Some Applications, Groupe de Recherche
Oprationnelle Crdit Lyonnais, Paris, (2000)
Caillault, C. e GUEGAN, D. Empirical Estimation of Tail Dependence Using
Copulas. Application to Asian Markets. Note de Recherche IDHE-MORA n. 5,
(2003).
Calvo, S. e C. Reinhart. Capital flow to latin american: is there evidence of
contagion effect? em Guillermo Calvo, Morris Goldstein, e Eduard Hochreiter,
Private Capital Flow to Emerging Markets after the Mexican crisis. Washington,
D.C: Institute for International Economics, (1996).
P. Deheuvels. La fonction de dpendance empirique es ss proprits um test
non paramtrique dindpendence. Academic Royale de Belgique Bulletin de la
classe ds sciences 5. Srie, 65:274:292, (1979).
Dos Anjos, U. U., Ferreira, F. H., Kolev, N. V., Mendes, B. V. M., Modelando
Dependncias via Cpulas, Minicurso do 16 SINAPE, Caxambu, MG, 2004.

55

Engle, R. F.: Autoregressive conditional heteroskedasticity with estimates of the

variance of U.K. inflation, Econometrica 50(4), 987-1008, (1982).
Forbes, K. e Rigobom, R. Contagion in Latin America: Definitions, Measurement,
and Policy Implications National Bureau of Economic Research, Working Paper
7885, (2002).
Genest, C., Rivest, L., Statistical Inference Procedures for Bivariate Archimedean
Copulas Journal of American Statistical Association, v. 88, p. 1034 1043, (1993)
Goorberg, R.: A Copula-Based Autorregressive Conditional Dependence Model of
International Stock Markets , DNB Working Paper, 22, (2004).
Hansen, B. E.: Autoregressive conditional density estimation, International
Economic Review 35(3), 705-730, (1994).
Joe, H., Multivariate Models and Dependence Concepts London: Chapman & Hall,
1997
Lindskog, F., Modelling Dependence with Copulas, dissertao de mestrado,
Swiss Federal Institute of Technology, Zurich, (2000)
Nelsen, R., An introduction to Copulas. Springer, New York, (1999)
Nelson, D. B.: Conditional heteroskedasticity in asset returns: A new approach,
Econometrica 59, 347-370, (1990).
Palaro, H. P., Aplicao de acoplamento no clculo do valor em risco, dissertao
de mestrado, IMECC-UNICAMP, (2004)
Palaro, H.P., Valor em Risco, Relatrio Final da disciplina de ME772, graduao,
(2002)
Plackett, R. L., A class of bivariate distributions, Journal of American Statistical
Association, v. 60, p. 516-522, (1965)
SMITH, M. Modelling sample selection using archimedean copulas, Econometrics
Journal, v. 6, p. 99123, (2003)
A. Sklar. Fonctions de rpartition n dimensions et leurs marges Publications dew
lInstitut de Statistique de LUniversit de Paris, 8:229-231, (1959)

56

Apndice A
Programas Geradores para a Cpula de Cook-Johnson (Software R)
Caso 1:
teta=1 #ou 5
p<-1
n<-1
U<-matrix(0,1000,1)
V<-matrix(0,1000,1)
W<-matrix(0,1000,1)
u<-matrix(0,1000,1)
v<-matrix(0)
w<-matrix(0)
t<-matrix(0)
while (p <= 1000){
u[n]<-runif(1)
v[n]<-runif(1)
w[n]<-runif(1)
t[n]<-runif(1)
if (t[n] <= ((teta + 1) * (2*teta + 1) * ((u[n]^(-teta) +
v[n]^(-teta) + w[n]^(-teta))^((-3*teta -1)/teta)) *
(u[n]*v[n]*w[n])^(-teta -1))){
U[p]<-u[n]
V[p]<-v[n]
W[p]<-w[n]
p<-p+1}
n<-n+1}
N1<-qnorm(U)
N2<-qnorm(V)
N3<-qnorm(W)

Caso 2:
teta=5
p<-1
n<-1
U<-matrix(0,1000,1)
V<-matrix(0,1000,1)
W<-matrix(0,1000,1)
u<-matrix(0,1000,1)
v<-matrix(0)
w<-matrix(0)
t<-matrix(0)
while (p <= 1000){
u[n]<-runif(1)
v[n]<-runif(1)
w[n]<-runif(1)
t[n]<-runif(1)
if (t[n] <= ((teta + 1) * (2*teta + 1) * ((u[n]^(-teta) +
v[n]^(-teta) + w[n]^(-teta))^((-3*teta -1)/teta)) *
(u[n]*v[n]*w[n])^(-teta -1))){
U[p]<-u[n]
V[p]<-v[n]

57

W[p]<-w[n]
p<-p+1}
n<-n+1}
X1<-qnorm(U)
X2<-qexp(V,1)
X3<-qweibull(W,2,2)

Caso 3 (Implementao por Lindskog(2000)):

rmn<-function(n, x = matrix(c(1, 0, 0, 1), 2, 2)){
V <- NULL
U <- chol(x)
siz <- dim(x)[1]
for(i in 1:n){
Z <- rnorm(siz)
res <- t(U) %*% Z
V <- cbind(V,res)}
t(V)}
rmt<-function(n, df, x = matrix(c(1, 0, 0, 1), 2, 2)){
dimen <- dim(x)[1]
chi <- 2 * rgamma(n, shape = df/2)
m1 <- rmn(n, x)
m2 <- matrix(rep(sqrt(df)/sqrt(chi), dimen), ncol =
dimen)
return(m1 * m2)}
mvstcopula<-function(n, df, lcor){
X <- rmt(n, df, lcor)
Z <- NULL
for(i in (1:n))
Z <- rbind(Z, pt(X[i,], df))
Z}
U<-mvstcopula(1000, 4, matrix(c(1, 0.85, 0.85, 1), 2, 2))
g1<-qgamma(U[,1],3,1)
g2<-qgamma(U[,2],3,1)
plot(g1,g2)

58

Apndice B Tabelas
Tabela 11.5: Modelos ARMA-GARCH para o ndice IBOVESPA

Perodo Completo
AR(1) GARCH(1,1)
t: 26.3795 g.l.
Valor
p-valor
C 0,0008 0.0377
AR(1) 0.0383 0.0881
A 0.0000 0.0329
ARCH(1) 0.0412 0.0000
GARCH(1) 0.9399 0.0000
Persistncia: 0.9811

ndice IBOVESPA
Perodo A

Perodo B

GARCH(1,1)
t: 21.9590 g.l.

GARCH(1,1)
t: 28.8515 g.l.
Valor p-valor
C 0.0018 0.0019
A 0.0000 0.1543
ARCH(1) 0.0271 0.0274
GARCH(1) 0.9560
0.0000
Persistncia:0.9831

Valor p-valor
C -0.0008 0.1413
A 0.0000 0.0728
ARCH(1) 0.0542 0.0106
GARCH(1) 0.8814 0.0000
Persistncia: 0.9356

Tabela 11.6: Modelos ARMA-GARCH para o ndice Telemar ON

Perodo Completo
AR(1) GARCH(1,1)
t: 21.9322 g.l.
Valor p-valor
C 0.0002 0.3208
AR(1) 0.0708 0.0049
A 0.0000 0.0149
ARCH(1) 0.0680 0.0000
GARCH(1) 0.9171 0.0000
Persistncia: 0.9851

Telemar ON
Perodo A
AR(1) - GARCH(1,1)
t: 18.6397 g.l.
Valor p-valor
C -0.0008 0.2154
AR(1) 0.0906 0.0114
A 0.0000 0.0462
ARCH(1) 0.0812 0.0015
GARCH(1) 0.8748 0.0000
Persistncia: 0.9560

Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0007 0.1476
A 0.0000 0.0934
ARCH(1) 0.0386 0.0063
GARCH(1) 0.9447 0.0000
Persistncia: 0.9833

Tabela 11.7: Modelos ARMA-GARCH para o ndice Embratel ON

Perodo Completo
AR(1) GARCH(1,2)
t: 9.83253 g.l.
Valor p-valor
C -0.0011 0.1161
AR(1) 0.0556 0.0212
A 0.0000 0.0063
ARCH(1) 0.1136 0.0000
GARCH(1) 0.2949 0.0830
GARCH(2) 0.5401 0.0030
Persistncia: 0.9486

Embratel ON
Perodo A
AR(1) - GARCH(1,1)
t: 8.242168 g.l.
Valor p-valor
C -0.0040 0.0036
AR(1) 0.0734 0.0226
A 0.0000 0.0430
ARCH(1) 0.0616 0.0005
GARCH(1) 0.9120 0.0000
Persistncia: 0.9736

Perodo B
AR(1) - GARCH(1,1)
t: 10.76686 g.l.
Valor p-valor
C 0.0010 0.1915
AR(1) 0.0293 0.2287
A 0.0001 0.0152
ARCH(1) 0.1401 0.0004
GARCH(1) 0.7457
0.0000
Persistncia: 0.8858

59

Tabela 11.8: Modelos ARMA-GARCH para o ndice Petrobrs ON

Perodo Completo
AR(1) GARCH(1,1)
t: 8.675692 g.l.
Valor p-valor
C 0.0013 0.0041
AR(1) 0.1157 0.0000
A 0.0000 0.0057
ARCH(1) 0.0812 0.0000
GARCH(1) 0.8596 0.0000
Persistncia: 0.9408

Petrobrs ON
Perodo A
MA(1) - GARCH(1,1)
t: 7.022493 g.l.
Valor p-valor
C 0.0004 0.2918
MA(1) 0.1559 0.0000
A 0.0000 0.0184
ARCH(1) 0.1266 0.0026
GARCH(1) 0.7574 0.0000
Persistncia: 0.8840

Perodo B
MA(1) - GARCH(1,1)
t: 15.96334 g.l.
Valor p-valor
C 0.0021 0.0016
MA(1) 0.1089 0.0021
A 0.0000 0.0688
ARCH(1) 0.0541 0.0051
GARCH(1) 0.8963
0.0000
Persistncia: 0.9504

Tabela 11.9: Modelos ARMA-GARCH para o ndice Vale do Rio Doce ON

Perodo Completo
MA(1) GARCH(1,1)
t: 10.22202 g.l.
Valor p-valor
C 0.0015 0.0033
MA(1) 0.0935 0.0003
A 0.0000 0.0049
ARCH(1) 0.0842 0.0000
GARCH(1) 0.8469 0.0000
Persistncia: 0.9311

Vale do Rio Doce ON

Perodo A
MA(1) - GARCH(1,1)
t: 5.858784 g.l.
Valor p-valor
C 0.0010 0.0822
MA(1) 0.0521 0.0945
A 0.0000 0.0143
ARCH(1) 0.1500 0.0022
GARCH(1) 0.6846 0.0000
Persistncia: 0.8346

Perodo B
MA(1) - GARCH(1,1)
normal
Valor p-valor
C 0.0019 0.0080
MA(1) 0.1082 0.0029
A 0.0000 0.0650
ARCH(1) 0.0531 0.0101
GARCH(1) 0.9149
0.0000
Persistncia: 0.9680

Tabela 11.10: Modelos ARMA-GARCH para o ndice Bradesco ON

Perodo Completo
AR(1) GARCH(1,1)
t: 10.82635 g.l.
Valor p-valor
C 0.0010 0.0301
AR(1) 0.0668 0.0061
A 0.0000 0.0016
ARCH(1) 0.0991 0.0000
GARCH(1) 0.8456 0.0000
Persistncia: 0.9447

Bradesco ON
Perodo A
AR(1) - GARCH(1,1)
t: 10.18658 g.l.
Valor p-valor
C 0.0001 0.4493
AR(1) 0.0993 0.0043
A 0.0000 0.0290
ARCH(1) 0.0936 0.0013
GARCH(1) 0.8476 0.0000
Persistncia: 0.9412

Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0020 0.0026
A 0.0000 0.0127
ARCH(1) 0.0965 0.0042
GARCH(1) 0.7002
0.0000
Persistncia: 0.7967

60

Tabela 11.11: Modelos ARMA-GARCH para o ndice Ita S/A ON

Ita S/A ON
Perodo A

Perodo Completo
GARCH(1,1)
t: 28.1213 g.l.
Valor p-valor
C 0.0014 0.0034
A 0.0000 0.0086
ARCH(1) 0.0574 0.0000
GARCH(1) 0.9062 0.0000
Persistncia: 0.9636

GARCH(1,1)
normal
Valor p-valor
C 0.0003 0.3432
A 0.0000 0.0230
ARCH(1) 0.0755 0.0005
GARCH(1) 0.8738 0.0000
Persistncia: 0.9493

Perodo B
GARCH(1,1)
normal
Valor p-valor
C 0.0021 0.0011
A 0.0000 0.1748
ARCH(1) 0.0282 0.0858
GARCH(1) 0.9254
0.0000
Persistncia: 0.9536

Tabela 11.12: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo completo. Os valores em negrito so referentes cpulas que melhor se ajustaram
aos dados.
Perodo Completo
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA

BB1
-875,761
-932,751
-850,124
-831,201
-1947,869
-324,154
-464,878
-563,338
-282,179
-648,645
-213,931
-788,098

BB7
-857,781
-893,260
-830,692
-817,205
-1849,129
-316,282
-455,911
-556,427
-278,400
-621,021
-209,595
-770,372

T-Student
-872,810
-967,198
-864,118
-822,655
-1987,005
-329,758
-466,206
-561,013
-275,418
-681,054
-215,253
-795,411

Tabela 11.13: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo A. Os valores em negrito so referentes cpulas que melhor se ajustaram aos
dados.
Perodo A
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA

BB1
-449,091
-460,262
-455,399
-349,415
-953,666
-145,806
-205,840
-297,778
-131,603
-327,402
-91,017
-372,302

BB7
-438,223
-436,131
-442,438
-345,440
-895,076
-142,424
-203,155
-291,238
-130,150
-309,411
-89,702
-367,662

T-Student
-449,685
-492,393
-468,338
-343,493
-988,786
-150,479
-202,971
-301,639
-125,475
-355,621
-89,939
-367,343

61

Tabela 11.14: Seleo de Cpulas atravs do Critrio de Informao de Akaike (AIC) para o
perodo B. Os valores em negrito so referentes cpulas que melhor se ajustaram aos
dados.
Perodo B
IBVxBRA
IBVxEMB
IBVxITA
IBVxPET
IBVxTEL
IBVxVAL
TELxPET
TELxBRA
PETxBRA
TELxEMB
PETxVAL
BRAxITA

BB1
-399,753
-456,511
-356,786
-520,901
-924,562
-181,035
-261,687
-254,482
-146,299
-309,237
-130,096
-399,082

BB7
-386,616
-442,121
-345,223
-508,951
-877,576
-176,191
-252,485
-251,020
-142,733
-299,533
-126,826
-376,758

T-Student
-409,956
-452,957
-374,175
-520,888
-958,102
-181,774
-271,388
-244,220
-151,563
-309,853
-132,088
-418,097

62