Usando Python para compreender os Regimes da Volatilidade do Mercado Acionário Brasileiro

Neste exercício, vamos explorar os regimes de volatilidade do mercado acionário brasileiro utilizando o Ibovespa como proxy no Python. Para isso, vamos utilizar a biblioteca yfinance para baixar os dados históricos do índice e a biblioteca statsmodels para ajustar um modelo de regressão dinâmica com mudança de regime (Markov switching).

Markov switching dynamic regression models

Os modelos de regressão dinâmica com mudança de regime (Markov switching) são úteis para analisar séries temporais que apresentam mudanças abruptas no comportamento. Esses modelos assumem que a série temporal é gerada por um processo estocástico que pode mudar de regime ao longo do tempo. A probabilidade de transição entre os regimes é governada por uma cadeia de Markov.

Switching Variance

Uma extensão importante dos modelos de Markov switching é a inclusão de variância de comutação. Isso permite que a variância do processo estocástico seja diferente em cada regime. Essa característica é particularmente útil para analisar séries temporais financeiras, onde a volatilidade pode variar significativamente ao longo do tempo (variância heterocedastica).

Dados

Para este exercício, vamos utilizar os dados semanais do Ibovespa (código ‘^BVSP’) do Yahoo Finance, desde 01/01/2015 até 31/07/2024. Vamos calcular os retornos semanais e utilizar o quadrado dos retornos como variável dependente no modelo de Markov switching.

O Gráfico abaixo exibe o comportamento do quadrado dos retornos do Ibovespa ao longo do período amostral.
Modelo

Na tabela abaixo temos o resultado do MSDR para a variância do índice bovespa. Temos a seguinte leitura:

  1. Regime 0 (Baixa Variância):
    • Constante: 0.0005, estatisticamente significativa (p < 0.001), indicando uma média baixa dos retornos ao quadrado neste regime.
    • Coeficiente x1: -0.0202, não estatisticamente significativo (p = 0.129), sugerindo que o impacto desta variável é desprezível neste regime.
    • Sigma2 (Variância): 2.219e-07, valor não reportado corretamente.
  2. Regime 1 (Alta Variância):
    • Constante: 0.0034, estatisticamente significativa (p < 0.001), indicando uma média mais alta dos retornos ao quadrado neste regime.
    • Coeficiente x1: 0.5448, estatisticamente significativo (p < 0.001), sugerindo um impacto positivo relevante desta variável neste regime.
    • Sigma2 (Variância): 3.74e-05, estatisticamente significativa (p < 0.001), indicando uma variância significativamente maior comparada ao Regime 0.
  3. Parâmetros de Transição de Regime:
    • p[0->0]: 0.8833, alta probabilidade de permanecer no Regime 0 (baixa variância).
    • p[1->0]: 0.7598, indicando uma probabilidade razoável de transição do Regime 1 para o Regime 0.

O modelo indica que os retornos ao quadrado do índice Bovespa alternam entre dois regimes: um com baixa variância (Regime 0) e outro com alta variância (Regime 1). O regime de alta variância apresenta um impacto positivo significativo da variável x1 e uma maior instabilidade nos retornos. A probabilidade de permanecer no Regime 0 é alta, sugerindo períodos de baixa volatilidade são mais persistentes.

Código
                        Markov Switching Model Results                        
==============================================================================
Dep. Variable:            returns_sqr   No. Observations:                  498
Model:               MarkovRegression   Log Likelihood                2794.155
Date:                Thu, 12 Sep 2024   AIC                          -5572.310
Time:                        12:29:32   BIC                          -5538.625
Sample:                    01-15-2015   HQIC                         -5559.089
                         - 07-25-2024                                         
Covariance Type:               approx                                         
                             Regime 0 parameters                              
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
const          0.0005   2.68e-05     17.109      0.000       0.000       0.001
x1            -0.0202      0.013     -1.519      0.129      -0.046       0.006
sigma2      2.219e-07        nan        nan        nan         nan         nan
                             Regime 1 parameters                              
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
const          0.0034      0.001      4.220      0.000       0.002       0.005
x1             0.5448      0.073      7.421      0.000       0.401       0.689
sigma2       3.74e-05   6.77e-06      5.522      0.000    2.41e-05    5.07e-05
                         Regime transition parameters                         
==============================================================================
                 coef    std err          z      P>|z|      [0.025      0.975]
------------------------------------------------------------------------------
p[0->0]        0.8833      0.018     48.861      0.000       0.848       0.919
p[1->0]        0.7598      0.058     13.190      0.000       0.647       0.873
==============================================================================

Warnings:
[1] Covariance matrix calculated using numerical (complex-step) differentiation.

Por fim, avaliamos a probabilidade de cada regime ao longo do tempo.

Conclusão

O modelo de Markov switching ajustado indica a presença de dois regimes distintos no Ibovespa: um regime de baixa variância e um regime de alta variância. O regime de alta variância apresenta um impacto positivo significativo da variável exógena (retornos defasados) e uma maior instabilidade nos retornos. A probabilidade de permanecer no regime de baixa variância é alta, sugerindo que períodos de baixa volatilidade são mais persistentes.

A análise da probabilidade suavizada de cada regime ao longo do tempo mostra que o Ibovespa passou por períodos de alta e baixa volatilidade durante o período analisado.

Tenha acesso ao código e suporte desse e de mais 500 exercícios no Clube AM!

Quer o código desse e de mais de 500 exercícios de análise de dados com ideias validadas por nossos especialistas em problemas reais de análise de dados do seu dia a dia? Além de acesso a vídeos, materiais extras e todo o suporte necessário para você reproduzir esses exercícios? Então, fale com a gente no Whatsapp e veja como fazer parte do Clube AM, clicando aqui.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Coletando dados para monitoramento climático com Python

As condições climatológicas influenciam desde a safra de grãos até a decisão de um vendedor ambulante levar seu carrinho para a praia ou não. Por sua importância e impactos na economia do país, neste exercício mostramos como coletar e elaborar análises de dados sobre o clima usando o Python.

Coletando dados de secas e queimadas no Brasil com Python

Neste artigo exploramos fontes públicas de dados sobre secas e queimadas no Brasil. Mostramos como acessar, coletar e preparar os dados para elaboração de análises. Usamos a linguagem Python para desenvolver uma rotina automatizada.

Como analisar demonstrações contábeis usando IA

Neste post, vamos explorar como utilizar o modelo de linguagem Gemini do Google para analisar demonstrações contábeis anuais da Eletrobras e extrair informações relevantes para tomada de decisão. Através de um código Python, vamos importar os dados direto da CVM, conectar com o Gemini e gerar resumos sobre as contas das demonstrações e perspectivas futuras sobre as finanças da empresa.

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.