|
A volatilidade possui impacto em diversas aplicações financeiras, conforme apresenta Danielsson (2011). A volatilidade é uma variável latente e diversos métodos foram propostos na literatura para mensurá-la. Uma das formas de mensuração que recebeu relevância nos últimos anos foi a medida de Volatilidade Percebida. Andrada-Felix et al. (2013) propõe um artigo inovativo ao comparar os modelos ARFIMA e Nearest Neighbor, além de propor a combinação de ambos para projeção da Volatilidade Percebida.
Há diversos métodos de projeção da volatilidade com dados em alta frequência. Devido esta amplitude, torna-se complicado para um analista selecionar uma medida de risco. Diante disto, como objetivo geral o artigo propõe a combinação das projeções de volatilidade percebida para a melhoria da capacidade de gestão das operações. O objetivo específico do presente artigo é combinar as volatilidades estimadas pelos modelos ARFIMA e Nearest Neighbor - NN.
Os estimadores de volatilidade para dados em alta frequência são derivados a partir do conceito da Variância Integrada (Integrated Variance – IV). O modelo ARFIMA foi proposto nos artigos de Granger e Joyeux (1980) e Hosking (1981). A técnica denominada Nearest Neighbor (NN) teve origem nas áreas de física e engenharia, sendo bastante aplicada em análise de reconhecimento de padrões. Na combinação de projeções, conforme Timmermann (2006), projeções de modelos bem especificados serão combinadas.
Foi utilizada a série de variância percebida do índice Bovespa no período entre 03/01/2000 a 01/10/2014, total de 2714 observações. A pesquisa possuiu 4 etapas: obtenção da série de volatilidade percebida (RV), estimação dos modelos ARFIMA e NN , combinação das projeções pelos métodos de pesos iguais e Mean Squared Forecast Error (MSFE) e avaliação de performance.
O modelo 1 final é um ARFIMA(18,d,4) incompleto. O modelo 2 final é um ARFIMA(18,d,9) incompleto. O Modelo NN 1 final teve 20 vizinhos mais próximos e 9 padrões contidos. O modelo NN 2 final teve 16 vizinhos mais próximos e 18 padrões contidos. Os modelos ARFIMA 1 e 2 demonstraram melhor desempenho dentro da amostra. A combinação de projeções pelo método de pesos MSFE apresentou menores valores de erros médios quadráticos na amostra de teste.
|
