Estimando a Volatilidade do Câmbio no Python

No post de hoje investigamos a volatilidade do câmbio utilizando um Garch(1,1).

Uma importante medida em finanças é o risco associado a um ativo e a volatilidade de ativos é talvez a medida de risco mais utilizada. Ainda que a volatilidade seja bem definida, ela não é diretamente observada na prática. Nós observamos os preços dos ativos e seus derivativos. A volatilidade deve ser, então, estimada com base nesses preços observados.

Existem uma série de formas de estimar a volatilidade, desde a mais simples, usando o desvio padrão, até mais robustos tal como Garch.

O interessante de modelos do tipo Garch é que permitem modelar a volatilidade com base nos retornos ao quadrado passados da série e também da volatilidade passada, o que permite que efeitos práticos possam ser incluídos no modelo.

Para entender como foi criado o gráfico e o modelo abaixo, faça parte do Clube AM, o repositório de códigos da Análise Macro, contendo exercícios semanais de R e Python.

Vejamos abaixo a série da Taxa de Câmbio R$/U$ no gráfico abaixo.

 

Podemos transformar a série do preço do câmbio em log retornos, o que permitirá modelarmos a série usando um Garch(1,1).

Abaixo temos o resultado do Garch(1,1) nos log retornos do câmbio. No primeiro gráfico, da esquerda, tem-se a volatilidade estimada, enquanto no segundo gráfico a direta tem-se os erros padronizados do modelo, permitindo avaliar o resultado.

Abaixo a tabela demonstrando os resultado modelo

_____________________________________

Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada e aprenda a criar projetos voltados para a Macroeconomia

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Investigando a precedência temporal entre a taxa Selic e as expectativas da Selic no Boletim Focus usando o R

Neste exercício, aprofundamos a compreensão da dinâmica entre a taxa Selic e as expectativas dos agentes econômicos no Brasil ao identificar a direção da precedência temporal da relação entre as duas variáveis. A análise engloba desde a coleta e tratamento dos dados até a visualização e análise econométrica, culminando na avaliação da causalidade de Granger e na interpretação dos resultados.

Como analisar o sentimento dos textos do COPOM no Python?

Neste exercício construímos um indicador que busca quantificar o sentimento proveniente das decisões de política monetária no Brasil. Usando técnicas de mineração de texto, implementamos todas as etapas necessárias, desde web scraping e pré-processamento das atas do Comitê de Política Monetária do Banco Central (COPOM), até a criação de tokens e a classificação do sentimento implícito nos textos.

Como importar os textos do COPOM para análise de sentimentos no Python?

Os textos divulgados pelo COPOM, sejam os comunicados ou atas, são o ponto de partida para diversos tipos de análises quantitativas, como a análise de sentimentos, e qualitativas, como uma análise de cenário econômico. Neste artigo, mostramos como coletar estes textos de forma automatizada usando web scrapping e Python.

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.