Impacto de los saltos en el componente discreta de la volatilidad: el caso da Petrobras
DOI:
https://doi.org/10.33448/rsd-v11i5.28326Palabras clave:
Análisis de salto multiescala; Análisis de volatilidad; Datos financieros de alta frecuencia; Descomposición wavelet; Bolsa de valores brasileña; Serie temporal financiera; Enseñando finanzas.Resumen
La presencia de saltos tiene un fuerte impacto en la previsión de la volatilidad de los activos financieros. Estos saltos pueden entenderse como grandes cambios estructurales locales en la serie de precios y, a menudo, se asocian a un problema de comportamiento para los inversores, generalmente causado por anuncios de noticias macroeconómicas. El enfoque de wavelet se puede utilizar en estas situaciones una vez que detecta ubicaciones de salto de manera eficiente. Sin embargo, es común que esta detección se realice solo en el nivel más fino, ya que es donde se espera que se localice los ruidos. En este contexto, el presente trabajo exploró la presencia de saltos en los diferentes niveles de descomposición de la serie estudiada, con el fin de determinar la estimación de la variación por saltos en la variabilidad del proceso de precios. Para ello, se realizó un análisis a partir de la serie de log-precios de las acciones de PETROBRAS (PETR4), con una frecuencia de 1 minuto, en un período con fuerte caída evidenciada por una intervención en la presidencia de la estatal. La metodología utilizada mostró que, particularmente para esta caída de precios mencionada, la variabilidad por saltos se ve impactada de manera que su estimación más que se triplica al considerar también los niveles de frecuencia más bajos, correspondientes a horizontes de inversión que van desde minutos hasta 1 a 2 horas de Trading, que también destaca el tiempo que tarda el efecto de las noticias en diluirse en el mercado de valores.
Citas
Andersen, T. G., & Bollerslev, T. (1998). Answering the Skeptics: Yes, Standard Volatility Models do Provide Accurate Forecasts. International Economic Review, 39(4), 885–905. https://doi.org/10.2307/2527343
Andersen, T. G., Bollerslev, T., & Diebold, F. X. (2007). Roughing It Up: Including Jump Components in the Measurement, Modeling, and Forecasting of Return Volatility. The Review of Economics and Statistics, 89(4), 701–720. https://doi.org/10.1162/rest.89.4.701
Andersen, T. G., Bollerslev, T., Diebold, F. X., & Ebens, H. (2001). The distribution of realized stock return volatility. Journal of Financial Economics, 61(1), 43–76. https://doi.org/10.1016/S0304-405X(01)00055-1
Andersen, T. G., Bollerslev, T., & Dobrev, D. (2007). No-arbitrage semi-martingale restrictions for continuous-time volatility models subject to leverage effects, jumps and i.i.d. noise: Theory and testable distributional implications. Journal of Econometrics, 138(1), 125–180. https://doi.org/10.1016/j.jeconom.2006.05.018
Andersen, T. G., & Teräsvirta, T. (2009). Realized Volatility. In T. Mikosch, J.-P. Kreiß, R. A. Davis, & T. G. Andersen (Orgs.), Handbook of Financial Time Series (p. 555–575). Springer. https://doi.org/10.1007/978-3-540-71297-8_24
Araújo Júnior, J. B. de. (2020). Modelagem econométrica em alta frequência em um mercado de ações emergente [Tese (Doutorado - Doutorado em Ciências Contábeis, Universidade de Brasília]. https://repositorio.unb.br/handle/10482/38742
Barndorff-Nielsen, O. E., & Shephard, N. (2002). Econometric analysis of realized volatility and its use in estimating stochastic volatility models. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 64(2), 253–280. https://doi.org/10.1111/1467-9868.00336
Barndorff-Nielsen, O. E., & Shephard, N. (2004). Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2(1), 1–37. https://doi.org/10.1093/jjfinec/nbh001
Barunik, J., Krehlik, T., & Vacha, L. (2016). Modeling and forecasting exchange rate volatility in time-frequency domain. European Journal of Operational Research, 251(1), 329–340. https://doi.org/10.1016/j.ejor.2015.12.010
Barunik, J., & Vacha, L. (2015). Realized wavelet-based estimation of integrated variance and jumps in the presence of noise. Quantitative Finance, 15(8), 1347–1364. https://doi.org/10.1080/14697688.2015.1032550
Crowley, P. M. (2007). A Guide to Wavelets for Economists*. Journal of Economic Surveys, 21(2), 207–267. https://doi.org/10.1111/j.1467-6419.2006.00502.x
Donoho, D. L., & Johnstone, I. M. (1994). Ideal spatial adaptation by wavelet shrinkage. Biometrika, 81(3), 425–455. https://doi.org/10.1093/biomet/81.3.425
Fan, J., & Wang, Y. (2007). Multi-Scale Jump and Volatility Analysis for High-Frequency Financial Data. Journal of the American Statistical Association, 102(480), 1349–1362. https://doi.org/10.1198/016214507000001067
Gençay, R., Selçuk, F., & Whitcher, B. J. (2001). An Introduction to Wavelets and Other Filtering Methods in Finance and Economics. Elsevier.
Hanousek, J., Kočenda, E., & Novotný, J. (2012). The identification of price jumps. 18(1), 53–77. https://doi.org/10.1515/mcma-2011-0019
In, F., & Kim, S. (2012). An introduction to wavelet theory in finance: A wavelet multiscale approach. World Scientific.
Laurent, S. (2018). Estimating and forecasting ARCH models using G@rchTM 8. Timberlake Consultants.
Morettin, P. A. (2014). Ondas e Ondaletas: Da Análise de Fourier à Análise de Ondaletas de Séries Temporais (2o ed). Edusp - Editora da Universidade de São Paulo. https://www.edusp.com.br/livros/ondas-e-ondaletas/
Percival, D. B., & Walden, A. T. (2000). Wavelet Methods for Time Series Analysis. Cambridge University Press.
Pinto, M. G. de F. (2021). Long memory in high frequency time series using wavelets and conditional volatility models [Mestrado em Estatística, Universidade de São Paulo]. https://doi.org/10.11606/D.45.2021.tde-06052021-100559
R Core Team. (2020). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. https://www.R-project.org/
Rydberg, T. H., & Shephard, N. (2003). Dynamics of Trade-by-Trade Price Movements: Decomposition and Models. Journal of Financial Econometrics, 1(1), 2–25. https://doi.org/10.1093/jjfinec/nbg002
Santos, D. G., & Ziegelmann, F. A. (2014). Volatility Forecasting via MIDAS, HAR and their Combination: An Empirical Comparative Study for IBOVESPA. Journal of Forecasting, 33(4), 284–299. https://doi.org/10.1002/for.2287
Wang, Y. (1995). Jump and sharp cusp detection by wavelets. Biometrika, 82(2), 385–397. https://doi.org/10.1093/biomet/82.2.385
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Ana Claudia Festucci de Herval; Thelma Sáfadi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
