1
Estimando Volatilidade
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos.
Volatilidade pode ser entendido como o risco de um ativo (retorno incerto).
Volatilidade é chave para precificar opções e calcular VaR.
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 2
Estimando Volatilidade
Volatilidade do preço Ptde um ativo (σ) é medida
através de seu quadrado: V(Pt) =σ2
Uma questão importante é considerar se a volatilidade de um ativo é constante (σ) ou variável (σt) .
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
3
Estimando Volatilidade
Por outro lado, estimativas de volatilidade constante no tempo variam usando dados de diferentes períodos por causa da variabilidade amostral do estimado (o estimador é, em si, uma variável aleatória, sujeita a flutuações em diferentes amostras).
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 4
Estimando Volatilidade
A volatilidade constante no tempo em geral é medida como volatilidade não condicional V(Pt) =σ2.
A volatilidade variável no tempo em geral é medida como volatilidade condicional V(Pt|Ωt-1) =σt2, onde Ωt-1representa a
informação disponível até a data t-1.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
Estimando Volatilidade
Para entender melhor a questão de volatilidade constante ou variável no tempo, lembre-se do modelo AR(1) para um preço de ativo:
Pt= α + β Pt-1 + εt.
Média não condicional: E(Pt)= α/(1-β)
Média condicional: E(Pt|Ωt-1)=α+βPt-1
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
Três tipos de estimações de
volatilidade
1. Média Móvel (Média simples e EWMA)
2. Modelos GARCH
3. Volatilidade Implícita (em opções)
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
7
Estimação por Média Móvel
(Média simples e EWMA)
Tomando a volatilidade como variável no tempo, V(Pt) = σt2, pode ser estimada a partir de dados
históricos
A interpretação depende da crença em relação à constância da volatilidade. Se volatilidade
constante, s2varia por erro amostral. Se volatilidade
variável, st2é a estimativa (viesada) de σt
n
r
s
n i t i t 1/
2 2∑
= −=
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 8
Estimação por Média Móvel
(Média simples e EWMA)
A janela n de dados deve ser grande para reduzir a variabilidade amostral, mas não deve incluir períodos com mudanças estruturais.
A volatilidade histórica calculada em uma janela de n dias deve ser transformada para representar a volatilidade para um período de referência de d dias.
Explo: Para n=120, e dados diários usados para obter s2 (volatilidade de um dia),
Volatilidade mensal = σ(30)1/2
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
9
Estimação por Média Móvel
(Média simples e EWMA)
A razão do ajuste vem do fato que, usando log-preços, temos a seguinte relação:
r2=ln(Pt/Pt-2)=lnPt– lnPt-2
= lnPt– lnPt-1 +lnPt-1– lnPt-2= r01+r12
Generalizando: E(rk)=k E(rt)
E com isto V(rk)= k V(rt).
Ou seja,
volatilidade k dias = volatilidade 1 dia * √k
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 10
Estimação por Média Móvel
(Média simples e EWMA)
Estimativas de volatilidade por média simples são muito influenciadas por fatores extremos, pois enquanto estiverem na janela de estimação, seu peso é igual(1/n).
Isto gerafantasmas de volatilidade.
Uma solução a este problema é ponderar observações mais antigas com peso menor que dados mais recentes.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
11
Estimação por Média Móvel
(Média simples e EWMA)
A média móvel exponencialmente ponderada (EWMA) é uma fórmula de cálculo em que st2
st2=r2t-1+r2t-2λ+r2t-3λ2 +r2t-4λ3+... +r2t-nλn-1
1+λ+λ2 +λ3+... +λn-1
Como 0<λ<1, limn→∞1+λ+... +λn-1=1/(1-λ)
Podemos reescrever a fórmula como st2= ( 1–λ) Σi=i∞λir2t-i
Ou ainda de modo recursivo st2= (1–λ) r2t-1 +λst-12
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 12
Estimação por Média Móvel
(Média simples e EWMA)
O modelost2= (1–λ) r2t-1 +λst-12pode ser interpretado da seguinte forma:
(1–λ) r2
t-1representa a reação à choques.
λst-12 representa a persistência da série.
Quando λse aproxima de 1, a série de s2
torna-se mais suave.
No limite, λ=1 e s2é constante.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
13
Estimação por Média Móvel
(Média simples e EWMA)
Como escolher λ?
Regra de bolso (Riskmetrics©): λ=0,94
Minimizar a variância da previsão um passo a frente, onde
MSE(λ)=Σt=iT (r2t– s(λ)t2)2/T,
es(λ)t2= (1–λ) r2 t-1 +λ st-12.
Obs: No Excel, o Solver pode ser usado para encontrar λótimo.
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 14
Estimação
Modelos GARCH
No modelo de EWMA não é claro se a volatilidade é variável no tempo ou constante com variabilidade amostral.
O modelo GARCH é explícito em relação a isto. GARCH é a sigla de modelo de Heterocedasticidade Condicional Autoregressiva Geral (Generalized AutoRegressive Condicional Heteroscedasticity).
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
15
Modelos GARCH
O modelo considerado ARCH(p) (com AR(1) na média condicional) é
rt= α + β rt-1 + εt εt~N(0,σ2) e ε t |Ωt-1~N(0,σt2) Onde E(εt2|Ωt-1)= σt2 =α0+α1εt-12+...+ αpεt-p2 com α0>0 e α1,..., αp≥0
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 16
Modelos GARCH
Se p→∞ , e mantendo-se um certo padrão de decaimento dos pesos αpo modelo da
variância pode ser escrito como um GARCH (p,q)
σt2 =ω+α
1εt-12+...+αpεt-p2+β1σt-12+...+βqσt-q2
com ω>0, α1,..., αp≥0 e β1,...,βp≥0.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
Modelos GARCH
O modelo mais comum em finanças é o GARCH (1,1)
σt2 =ω+α1εt-12+β1σt-12.
Note que a variância não condicional de εt,
quando σt2=σ2é dada por
E(εt2)= σ2 =α0+α1E(εt-12)+β1σ2
•σ2 =α
0+α1σ2+β1σ2
•σ2 =α
0/(1 –α1 – β1)
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
Modelos GARCH
Não é difícil ver que se α1+β1=1, a volatilidade
não é finita.
Neste caso, deve-se modelar a série com EWMA, que é um caso especial de GARCH com α1+β1=1, ou seja, α1=(1-λ) e ω=0 . Este
caso especial é também chamado de I-GARCH (Integrated I-GARCH).
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
19
Modelos GARCH
Uma medida de persistência a choques na volatilidade é dada por α1+β1.
Uma outra medida comum é a meia-vida, que é o tempo médio para um choque se dissipar. Ela é calculada como ln(1/2)/ln(α1+β1).
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 20
Estimação
Modelos GARCH
A estimação de modelos GARCH se dá por Máxima Verossimilhança.
Cuidados devem ser tomadas pela presença de outliers (valores extremos), e mudanças de regime, que podem influenciar muito as estimativas. Em particular, podem sugerir modelos I-GARCH espúrios.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
21
Seleção de
Modelos GARCH
Para verificar se o modelo GARCH é necessário ou se o modelo GARCH escolhido é suficiente para modelar a volatilidade do processo, recomenda-se:
1. Observar o correlograma dos resíduos ao quadrado da regressão (ou retornos ao quadrado);
2. Usar testes LM para erros ARCH em regressão (disponíveis nos vários pacotes econométricos).
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 22
Seleção de
Modelos GARCH
Para verificar se o modelo GARCH é necessário ou se o modelo GARCH escolhido é suficiente para modelar a volatilidade do processo, recomenda-se:
3. Observar o teste Box-Pierce dos retornos ao quadrado padronizados (rt*2= rt2/ st2, onde st2
são as estimativas da volatilidade a partir de um modelo GARCH).
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
23
Extensões de
GARCH
Há dezenas de extensões do modelo GARCH (talvez uma centena), como por exemplo:
E-GARCH (exponencial)
GARCH in mean
A-GARCH (assimétrico)
HGARCH (heterogêneo)
MS-GARCH (Markov switching)
Etc.
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 24
Validação de GARCH eValue at Risk (VaR)
Outro modo de validar a estimação da volatilidade é verificar se as estimativas de Value at Risk (VaR)estão corretas.
Se a estimação da volatilidade for errônea, o VaR será superestimado ou subestimado.
O VaR é avaliado fazendo o backtesting.
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro
25
Value at Risk (VaR)
Value at Risk (VaR)pode ser definido como a probabilidade de uma perda maior ou igual a um certo valor.
VaR=Fr-1(α)
Onde F (rt) é a função distribuição do
retorno de um ativo e αuma probabilidade de perda escolhida, em geral 1% ou 2,5%.
O cálculo do VaR depende da variância. No caso de retornos Normais
VaRt=E(rt)+Zασt
Estimação e Modelagem de Volatilidade
-Eduardo Ribeiro 26
Backtesting
A validação do VaR é feita através de testes estatísticos:
H0: P(rt<VaR(α))=α
Ha: P(rt<VaR(α))≠α
Estimação e Modelagem de Volatilidade -Eduardo Ribeiro