Validação quantitativa

Ao incorporar técnicas de análise quantitativas aos procedimentos de validação empregados, ocorre um incremento substancial na fiabilidade conferida ao modelo (KENNEDY et al., 2005). Através de procedimentos

81

estatísticos é possível comparar os resultados do modelo com o sistema real correspondente, desde que o modelo seja simulado com os mesmos insumos do sistema real (XIANG et al., 2005). Sanchez (2001) e Kleijnen (1999) apresentaram algumas aplicações estatísticas no processo de validação. Nesse processo, primeiramente, deve-se determinar as medidas de resultado do modelo que podem atender aos propósitos da investigação (KENEDY et al., 2005). Em seguida, aplica-se um conjunto de técnicas estatísticas aos dados obtidos com a simulação57_.

Dados de séries temporais, médias, variâncias e agregações podem auxiliar os procedimentos de validação, como a validação de face. Ademais, podem ser empregados testes de hipótese e intervalos de confiança sobre parâmetros, distribuições e séries de tempo modeladas para cada cenário experimental. Por meio desses testes estatísticos o modelador cerca-se de maiores evidências acerca da precisão do modelo.

Segundo Gilbert (2008), os modelos de faixa intermediária (middle range models), como o desenvolvido no presente estudo, têm o propósito de descrever características de dado fenômeno particular, mas com aplicação suficientemente geral, permitindo extrair conclusões gerais acerca da dinâmica analisada (caráter indutivo). A natureza genérica desses modelos impossibilita sua comparação exata de comportamento com qualquer observação particular. Buscam-se, em vez disso, semelhanças qualitativas satisfatórias. Em outras palavras, a dinâmica do modelo deve ser semelhante a dinâmica observada, de modo que os resultados da simulação apresentem a mesma “assinatura estatística” observada em dados reais, ou seja, as distribuições dos resultados devem apresentar formato similar (MOSS, 2002).

Ressalta-se, portanto, a relevância dos fatos estilizados, observados em séries financeiras de ativos com risco, para a validação da modelagem ora proposta. Fatos estilizados são propriedades estatísticas comuns às séries financeiras, tais como: caudas pesadas (fat tails), gaussianidade agregativa, caudas pesadas condicionais, ausência de autocorrelação linear, lei de potência, intermitência e agrupamento de volatilidade (volatility clustering) (CONT, 2001; PLEROU et al., 1999; TANG; HUANG, 2000; MANTEGNA; STANLEY, 2000). Ao

57 _{No presente trabalho, apenas os dados do modelo de simulação calibrado foram submetidos à}

82

reproduzir tais propriedades estilizadas no modelo computacional, é possível considerar o modelo desenvolvido como uma representação válida do mercado financeiro de ativos com risco.

A análise das propriedades estatísticas das séries temporais financeiras constitui importante ferramenta para os agentes que atuam no mercado de ativos. Isso porque auxilia tanto no cálculo de risco, como na formação de preço de derivativos e outros instrumentos financeiros (CREPALDI, 2007). Na tentativa de identificar essas propriedades empíricas, Fama (1965, 1970) analisou séries de retornos de preços reais, onde constatou ausência de autocorrelação serial. A partir dessa evidência, o autor pôde desenvolver a Hipótese de Eficiência de Mercado, isto é, a ideia de que não é possível extrair informações relevantes das séries financeiras a fim de obter ganhos superiores aos demais. Segundo essa premissa, os distintos ativos não podem ser afetados pelo mesmo conjunto de informações e, por conseguinte, devem exibir propriedades diversas. Entretanto, a literatura tem identificado fatos estilizados em séries de ativos financeiros distintos (CONT., 2001; MANTEGNA; STANLEY, 2000; BOUCHAUD; POTTERS, 2003). Com isso, sustenta-se a crítica à abordagem financeira que supõe que os movimentos do mercado financeiros se originam unicamente de fatos econômicos e políticos relacionados aos ativos.

No processo de identificação de fatos estilizados, são utilizadas as séries de retornos dos ativos negociados. O retorno de um ativo corresponde à variação relativa de preços do ativo e pode ser calculado pela seguinte equação:

= �− �−∆� (6)

A razão de se adotar as séries de retornos na análise das propriedades estatísticas, em lugar da série de preço em nível, diz respeito ao efeito escala58_.

Em contraponto às séries de preços, os retornos não são afetados pelos efeitos de escala, permitindo comparabilidade entre séries distintas. Portanto, nas análises que se seguem, o principal input utilizado são as séries de retorno dos

58 _{Os preços das ações das empresas possuem magnitudes valores monetários distintos. É}

possível que ações de empresas distintas apresentem variações absolutas de preços muito diferentes, mas com variações relativas de preços similares. Logo, a comparação de séries de preços de ações distintas é enviesada pelo efeito de escala.

83

ativos selecionados. Ademais, a fim de evidenciar tais propriedades estatísticas, foram utilizados dados de cotação diária do IBOVESPA, compreendendo o período de 13 de julho de 2009 a 02 de dezembro de 2015.

Os fatos estilizados relacionados às propriedades dos retornos e de sua volatilidade são listados no Quadro 2. Inúmeros estudos empíricos apontam que as séries de retorno de ativos financeiros seguem uma distribuição leptocúrtica (CONT., 2001; MANTEGNA; STANLEY, 2000; TANG; HUANG, 2000), isto é, possui um centro de distribuição mais estreito e caudas maiores comparativamente à distribuição gaussiana, daí o porquê dessa propriedade ser chamada de caudas pesadas ou caudas “gordas” (fat tails). O conceito de

caudas pesadas sugere, portanto, uma distribuição com grande probabilidade

de ocorrência de valores distantes da média. Cumpre destacar que quanto maior a frequência dos dados, menor o intervalo entre as observações, maior será o grau de leptocurtose da distribuição (CONT, 2001). Um procedimento para detectar o grau em que a série se distancia da distribuição gaussiana é o teste de curtose.

Quadro 2 – Lista de fatos estilizados das séries de retorno dos ativos

Classe Fatos estilizados

Propriedade do retorno Caudas pesadas

Gaussianidade agregativa Caudas pesadas condicionais Ausência de autocorrelação linear Propriedades da volatilidade

do retorno

Intermitência

Clusters volatilidade Fonte: Elaboração própria.

Portanto, como procedimento de validação quantitativa, adotou-se o conjunto de procedimentos listados a seguir. Primeiramente, foi desenvolvida a análise gráfica e de estatística descritiva da série de retorno modelado, a fim de avaliar a presença de intermitência e volatilidade. Em seguinte, aplicou-se o teste de normalidade de Jarque-Bera para detectar a presença de caudas pesadas e

84

gaussianidade agregativa; também foi estimando o modelo GARCH59 _como

procedimento para filtrar a volatilidade da série de retorno e verificar a presença de caudas pesadas condicionais. Por fim, foram estimadas as funções de autocorrelação e autocorrelação parcial para as séries de retorno simples, absoluta e ao quadrado, com o intuito de verificar dependência temporal do retorno e sua volatilidade.

59 _{Os modelos de séries temporais da família ARCH/GARCH consistem em técnicas estatísticas}

que possibilitam a captação a dependência temporal nas variâncias e covariâncias, ou seja, identificar a heterocedasticidade na variância condicional. Para maiores detalhes acerca desse grupo de modelos ver Engle (1982), Bollerslev (1986), Taylor (1986) e Bueno (2008).

85