Impacto dos saltos na componente discreta da volatilidade: o caso da Petrobrás
DOI:
https://doi.org/10.33448/rsd-v11i5.28326Palavras-chave:
Análise de saltos multiescala; Análise de volatilidade; Dados financeiros de alta frequência; Decomposição de ondaletas; Mercado brasileiro de ações; Séries temporais financeiras; Ensino de finanças.Resumo
A presença de saltos possui forte impacto na previsão da volatilidade de ativos financeiros. Estes saltos podem ser compreendidos como grandes mudanças estruturais locais na série de preços, e frequentemente estão associados à uma questão comportamental dos investidores, em geral causada por anúncios de notícias macroeconômicas. A abordagem de ondaletas pode ser utilizada em situações como esta, uma vez que detectam locais de salto com eficiência. No entanto, é comum que essa detecção seja realizada apenas no nível de maior detalhe, já que é onde espera-se que os ruídos estejam localizados. Neste contexto, o presente trabalho explorou a presença de saltos nos diversos níveis de decomposição da série estudada, a fim de apurar a estimação da variação devida à saltos na variabilidade do processo de preço. Para isto, uma análise foi realizada a partir da série de log-preços das ações da PETROBRÁS (PETR4), na frequência de 1 minuto, em um período com uma forte queda evidenciada por uma intervenção na presidência da estatal. A metodologia utilizada evidenciou que, particularmente para esta queda de preços citada, a variabilidade devida à saltos é impactada de forma que sua estimativa mais que triplica ao se considerar também os níveis de menor frequência, correspondentes a horizontes de investimentos que vão de minutos até 1 a 2 horas de negociação, o que destaca também o período de tempo que o efeito da notícia leva para diluir no mercado de ações.
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Ana Claudia Festucci de Herval; Thelma Sáfadi
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
