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

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.