Search

Este trabalho apresentou a aplicação de uma nova técnica de estimação da variância realizada (RV) a partir de redes neurais artificiais (RNA) e comparou seu desempenho com os modelos de regressão linear múltipla (RLM) e de volatilidade implícita (IV) como preditor, a qual é obtida a partir do Volatility Index, VIX. O desempenho dos modelos é medido pelo R2 ajustado. A nova técnica proposta possui duas abordagens, a primeira utiliza a RV como vetor resposta da RNA enquanto a segunda utiliza o prêmio de risco de variância (VRP), o qual é composto pela combinação do VR e do VIX. As informações de mercado utilizadas neste trabalho são compreendidas entre 06 de Janeiro de 2016 e 01 de Maio de 2020 e foram coletadas a partir de um terminal Bloomberg. O ativo escolhido para o estudo é o índice MSCI Brazil, EWZ, negociado na bolsa de valores americanas NYSE. Os modelos são testados em quatro cenários distintos e observa-se que os desempenhos superiores ocorrem quando não há períodos de crise. Evidenciamos que o modelo de RNA com o VRP como vetor resposta apresenta o melhor desempenho entre os modelos estudados, e que este mesmo modelo, além do cenário sem crise, apresenta um desempenho superior quando há um período de crise em ambos os dados de treinamento e teste quando comparados com os cenários onde se tem uma crise apenas em um ou apenas em outro. Como o modelo de RNA com a RV como vetor resposta apresenta um desempenho consideravelmente inferior ao seu par, é válido ressaltar a importância do VIX em aumentar a acurácia deste modelo de RNA que utiliza o VRP como vetor resposta ao exercer um papel de normalizador. The present dissertation is focused on applying a new technique for estimating realized variance (RV) using Artificial Neural Network (ANN) and comparing its performance against other benchmark models as Multiple Linear Regression (MLR) and Implied Volatility (IV) like a predictor, which is obtained from the Volatility Index (VIX). All models performance is measured by adjusted R2 . The new proposed technique has two approaches, the first one uses the RV as the desirable information while the second one uses the Variance Risk Premium (VRP), which is the result of RV and VIX combination. The market information used in this work comprehends between January 6th 2016 and May 1st 2020, and it has been collected through a bloomberg terminal. The underlying asset chosen was the MSCI Brazil index, EWZ, which is traded on NYSE. All models have been tested in four different scenarios and higher performances are found in periods without crisis. It is shown in this work that the ANN model second approach has the best overall performance, and this same model, besides the scenario with no crisis, presents better results when it has crisis periods in both training and testing phases instead of when it has crisis periods only in training or only in testing phases. As the ANN model first approach considerably underperforms its pair, the second approach, we can highlight the importance of VIX in enhancing the model by playing a normalizer role in the process.

Submitted by Sara Ribeiro (sara.ribeiro@ucb.br) on 2018-06-18T18:53:22Z No. of bitstreams: 1 RafaeldeMoraisVargasDissertacao2018.pdf: 2179808 bytes, checksum: e2993cd35f13b4bd6411d626aefa0043 (MD5) Approved for entry into archive by Sara Ribeiro (sara.ribeiro@ucb.br) on 2018-06-18T18:54:14Z (GMT) No. of bitstreams: 1 RafaeldeMoraisVargasDissertacao2018.pdf: 2179808 bytes, checksum: e2993cd35f13b4bd6411d626aefa0043 (MD5) Made available in DSpace on 2018-06-18T18:54:14Z (GMT). No. of bitstreams: 1 RafaeldeMoraisVargasDissertacao2018.pdf: 2179808 bytes, checksum: e2993cd35f13b4bd6411d626aefa0043 (MD5) Previous issue date: 2018-02-27 Given the importance of market risk measures, such as value at risk (VaR), in this paper, we compare traditionally accepted volatility forecast models, in particular, the GARCH family models, with more recent models such as HAR-RV and GAS in terms of the accuracy of their VaR forecasts. For this purpose, we use intraday prices, at the 5-minute frequency, of the S&P 500 index and the General Electric stocks, for the period from January 4, 2010 to December 30, 2013. Based on the tick loss function and the Diebold-Mariano test, we did not find difference in the predictive performance of the HAR-RV and GAS models in comparison with the Exponential GARCH (EGARCH) model, considering daily VaR forecasts at the 1% and 5% significance levels for the return series of the S&P 500 index. Regarding the return series of General Electric, the 1% VaR forecasts obtained from the HAR-RV models, assuming a t-Student distribution for the daily returns, are more accurate than the forecasts of the EGARCH model. In the case of the 5% VaR forecasts, all variations of the HAR-RV model perform better than the EGARCH. Our empirical study provides evidence of the good performance of HAR-RV models in forecasting value at risk. Dada a import??ncia de medidas de risco de mercado, como o valor em risco (VaR), nesse trabalho, comparamos modelos de previs??o de volatilidade tradicionalmente mais aceitos, em particular, os modelos da fam??lia GARCH, com modelos mais recentes, como o HAR-RV e o GAS, em termos da acur??cia de suas previs??es de VaR. Para isso, usamos pre??os intradi??rios, na frequ??ncia de 5 minutos, do ??ndice S&P 500 e das a????es da General Electric, para o per??odo de 4 de janeiro de 2010 a 30 de dezembro de 2013. Com base na fun????o perda tick e no teste de Diebold-Mariano, n??o encontramos diferen??a no desempenho preditivo dos modelos HAR-RV e GAS em rela????o ao modelo Exponential GARCH (EGARCH), considerando as previs??es de VaR di??rio a 1% e 5% de signific??ncia para a s??rie de retornos do ??ndice S&P 500. J?? com rela????o ?? s??rie de retornos da General Electric, as previs??es de VaR a 1% obtidas a partir dos modelos HAR-RV, assumindo uma distribui????o t-Student para os retornos di??rios, mostram-se mais acuradas do que as previs??es do modelo EGARCH. No caso das previs??es de VaR a 5%, todas as varia????es do modelo HAR-RV apresentam desempenho superior ao EGARCH. Nosso estudo emp??rico traz evid??ncias do bom desempenho dos modelos HAR-RV na previs??o de valor em risco.

A estrutura a termo das opções com vencimento futuro negociadas no CME Group é calculada com o objetivo de efetuar previsões da volatilidade e do nível de preços realizados, no curto e longo prazo, para os preços à vista da soja negociada em Rondonópolis (MT). Extraindo-se a volatilidade implícita pela fórmula de Black (1976) para precificação de opções de commodities, decompõe-se a variância da volatilidade implícita em intervalos conhecidos e não conhecidos, empregando-a em previsões de curto e longo prazo da volatilidade realizada. Adicionalmente, usa-se a volatilidade implícita como parâmetro numa equação de intervalos de confiança empíricos para a estimação do nível de preços, no curto e longo prazo, com base no limite superior do intervalo. Os testes de eficiência preditiva indicam que as previsões da volatilidade realizada usando a volatilidade implícita têm maior grau de eficiência no curto prazo, enquanto a estimativa simples (naïve) é mais eficiente no longo prazo. As previsões dos níveis de preço usando o limite superior do intervalo de confiança empírico são mais eficientes no longo prazo, sendo a estimativa simples (naïve) a mais eficiente no curto prazo. The term structure of options with future expiration dates traded at the CME Group is calculated to forecast short and long-term realized volatility and price level of soybean spot prices in Rondonópolis (Mato Grosso State). Extracting the implied volatility with the Black (1976) model for commodities option pricing, the implied volatility variance is decomposed in known and unknown intervals, used to forecast short and long-term realized volatility. In addition, the implied volatility is used as a parameter in an empirical confidence interval equation to forecast the short and long-term price level, using the interval upper limit. Predictive efficiency tests indicate that the forecasts of realized volatility based on the implied volatility have greater degree of efficiency in the short term, while the naïve estimate is more efficient in the long-term. The empirical confidence interval price level upper limit forecasts are more efficient in the long-term and the naïve estimates show more efficiency in the short-term.

Neste trabalho, visamos mostrar as características usuais dos dados de alta frequência, bem como utilizar modelagem não paramétrica para estimar a variância/volatilidade para esses dados. Após uma revisão sobre microestrutura de mercado, sazonalidade intradiária, variação quadrática e saltos, utilizamos os dados da PETR4 para estimar a variância realizada e variação bipotente. Determinadas essas séries, testamos se há saltos nas mesmas. Em seguida, analisamos o impacto que a microestrutura de mercado e a sazonalidade intradiária causam na detecção dos saltos. Concluímos que, enquanto a presença de microestrutura aponta para um número de saltos menor que o esperado, a sazonalidade intradiária aponta para o lado contrário, ou seja, ela causa um viés para detectar mais saltos, dada a estrutura típica da curva de volatilidade ao longo do dia em formato de J invertido, causando mais saltos incorretamente detectados no período mais volátil do dia (que corresponde a abertura da bolsa de valores). In this work, we aim to show the usual characteristics of high-frequency data and the estimation of variance/volatility for this kind of data using nonparametric models. After reviewing concepts about market microstructure, intraday seasonality, quadratic variation and jumps, we use PETR4 data to estimate realized variance and bipower variation. With these series determined, we test for jumps. Then, we analyze the impact that market microstructure and intraday seasonality causes in jump detection. We conclude that while microstructure noise indicates fewer jumps than the ideal amount, intraday seasonality goes in the opposite direction, i.e., it detects more jumps than it should, since the typical inverted-J-shaped intraday volatility pattern tends to incorrectly detect more jumps at the most volatile period (which is when stock markets start negotiations).

O estudo da volatilidade dos retornos dos ativos ocupa um lugar de destaque dentro da moderna teoria de finanças. Tradicionalmente, os modelos empregados para a modelagem da volatilidade são estimados a partir de dados diários. No entanto, a recente disponibilidade de dados intradiários tem permitido a modelagem e a previsão da volatilidade dos ativos por meio da chamada variância realizada. Dessa forma, o objetivo principal da presente dissertação foi analisar como os modelos que incorporam dados intradiários se comportam, em termos de acurácia de previsão de volatilidade diária, em relação àqueles que utilizam apenas dados diários. Foram observados os comportamentos dos índices Ibovespa e S&P 500 durante o período de janeiro de 2006 a junho de 2009. Os resultados revelaram que o desempenho de previsão dos modelos estimados a partir de dados diários foi superior ao dos modelos de variância realizada para os dois índices. Buscou-se ainda comparar o comportamento dos modelos durante o período da crise de 2008. Novamente os resultados apontaram para uma melhor acurácia de previsão dos modelos que utilizaram apenas dados diários. The study of volatility in asset returns is relevant within the modern theory of finance. Modeling volatility has been frequently based on daily data. Recent availability of intraday data has allowed volatility modeling and forecasting through the so called realized variance. The main objective of this master’s thesis was, therefore, to compare the accuracy of daily volatility forecasting between models that use either daily or intraday data. Returns during the period January 2006 to June 2009 on two indexes, the Ibovespa and the S&P 500, were used. Results showed that, for both indexes, forecasting based on daily data was superior to forecasting that used intraday returns. Comparison between models was also tested during the 2008 crisis. Similarly, results showed a better forecasting performance of daily data models.