Aplicações de Modelos de Volatilidade: Covariância Dinâmica usando GARCH

Os efeitos GARCH na volatilidade levam a uma variabilidade no tempo dos retornos. Essa variação no tempo tem um impacto direto na relação entre os retornos de dois ativos. Quando sua variância varia com o tempo, também sua covariância muda com o tempo. Portanto, é de interesse modelar essa dinâmica com o objetivo de conhecer a relação de dois ativos no tempo. Vamos realizar esse exercício utilizando o R e o Python como ferramentas.

Introdução

A covariância é uma ferramenta estatística usada para determinar a relação de movimento entre duas variáveis. Em finanças, as variáveis ​​podem ser retornos de preço de diferentes ativos. Uma covariância positiva significa que os preços de dois ativos tendem a se mover na mesma direção.  Uma covariância negativa significa que os preços dos ativos tendem a se mover na direção oposta.

Covariância Dinâmica com o GARCH

O modelo GARCH leva em consideração a variabilidade das características da volatilidade no tempo. A covariância dinâmica pode ser calculada multiplicando o coeficiente de correlação entre os retornos dos ativos por sua volatilidade a partir dos modelos GARCH. Para tanto, prosseguimos com quatro passos:

Para obter todo o código em R e Python para os exemplos abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais.

1° passo

Ajustamos um modelo GARCH para os retornos de cada ativo e obtemos a volatilidade.

2° passo

Computa os resíduos padronizados do ajuste do modelo GARCH (as inovações \hat{a_{i,t}} divididas pela raiz da volatilidade estimada \sqrt{\hat{\sigma_{i,t}}})

3° passo

Calcula o coeficiente de correlação amostral simples entre os resíduos padronizados.

4° passo

Multiplica o coeficiente de correlação amostral simples dos ativos pelas volatilidades dos ativos.

    \[Cov_{t} = \rho \times \sigma_{1,t} \times \sigma_{2,t}\]

Exemplo

Vamos estimar a Covariância Dinâmica entre os retornos de duas ações: ITUB4 e MGLU3. Empregaremos o GARCH(1,1) obteremos a volatilidade e os resíduos padronizados estimados, calculamos a correlação entre os resíduos e obtemos a covariância dinâmica.

O gráfico abaixo expõe o valor da medida no tempo:

R

Python

_____________________

Quer saber mais?

Veja nossa trilha de cursos de Finanças Quantitativas

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.