• Nenhum resultado encontrado

Capítulo 3. Curva de Correlação. não é necessariamente homoscedástica, iremos considerar o modelo

N/A
N/A
Protected

Academic year: 2021

Share "Capítulo 3. Curva de Correlação. não é necessariamente homoscedástica, iremos considerar o modelo"

Copied!
24
0
0

Texto

(1)

Capítulo 3

Curva de Correlação

3 . 1 C u r v a d e C o r r e l a ç ã o C r u z a d a C o n t e m p o r â n e a 3 . 1 . 1 I n t r o d u ç ã o

Considere {(Xt,Yt), t∈Z} um processo estacionário estrito com Xt a valores contínuos, tal que Xt e t

Y possuem segundos momentos finitos e valores em S. Sejam

] / [ ) (x EY X x m = t t = , ] / [ ) ( 2 x VarY X x t t = = σ ,

respectivamente, a esperança e a variância condicional de Yt dado que Xt =x, com xS, as quais estão bem definidas. Como em geral a função m(x) não é necessariamente linear e a variância condicional σ2(x) não é necessariamente homoscedástica, iremos considerar o modelo

t t t

t m X X

Y = ( )+σ( )ε , com εt ~ iid(0,1) e εtXs, s< , t (3.1) sendo m(.) o “drift” e σ(.) a “volatilidade” (Fan e Yao, 1998).

Vejamos então como fica a expressão da curva de correlação (1.2).

Como o processo é estacionário estrito, então a distribuição de (Xt,Yt)é invariante sob translações do tempo, portanto, f / (y/x)

t t X

Y (com fXt(x)>0) e fXt(x) são invariantes no tempo, ∀ ,x yS. Então, ] / [ / ) (x =∂ ∂x EYt Xt =x β =∂/∂x

yfYt/Xt(y/x)dy , σ2(x)=Var[Yt /Xt =x] =

yf y x dy t t X Y Y) ( / ) ( µ 2 / e = 0

γ Var[Xt] são invariantes no tempo.

Então, a curva de correlação (1.2) pode ser escrita como

) ( ) ( ) ( ) ( 2 0 0 2 0 0 0 0 x x x x

σ

γ

β

γ

β

ρ

+ = , xS com f(x)>0, ∀t∈ Z , (3.2)

em que β0(x)=β(x) e

σ

02(x)=

σ

2(x) são como acima, e f(x) f (x) t X

= .

Denominamos (3.2) de curva de correlação cruzada contemporânea.

3 . 1 . 2 P r o p r i e d a d e s

Para o processo em estudo, a curva de correlação cruzada contemporânea (3.2) satisfaz às seguintes propriedades:

(2)

prova:

Se Yt =g(Xt), então a variância condicional é nula (veja a propriedade (iii) a seguir), e

)) ´( ( sinal 1 ) ( 0 x = × g x

ρ . Caso contrário, −1<ρ0(x)<+1, que pode ser observado diretamente da expressão de

) ( 0 x

ρ reescrita como ρ0(x)= β02(x0/(β02(x002(x)).

(ii) ρ0(x)=0, ∀xS, se Xt e Yt são independentes, com σ02(x)>0;

prova:

Se Xt e Yt são independentes, então β0(x)=xE[Yt/Xt =x]=xE[Yt]=0, portanto, ρ0(x)=0.

(iii) ρ0(x)≡±1, ∀xS, se Yt =g(Xt); prova:

Suponha que Yt =g(Xt). Então, E[Yt/Xt =x]=E[g(Xt)/Xt =x]=g(x) e Var[Yt /Xt = ]x = 0 ] / ) ( [g X X = x = Var t t . Portanto, 1 ) ( ) ( ) ( 0 2 0 0 =± ′ ′ = γ γ ρ x g x g

x para g ′(x) e γ não nulos, sendo 0 ρ0(x)=1

quando g′ x( )>0, e ρ0(x)=−1 quando g′ x( )<0. Para g′ x( )=0, iremos considerar 0/0=1.

(iv) ρ0(x)=±1 para quase todo x, implica que Yt =g(x); prova:

Se ρ0(x)=±1 para quase todo x, então σ02(x)=0, que implica em Yt =g(x) para quase todo x, para alguma função g. (v) Ut =a+bXt e Vt =c+dYt com bd≠0, então ) ( ) ( sinal ) (u bd x t t t tV XY U ρ ρ = , ∀uS em que b a u x= − . Notação: (x) t tY X

ρ indica ρ0(x) para (Xt,Yt) com o condicionamento Yt /Xt =x; prova: Imediata. (vi) (x) (x) t t t tY Y X X ρ ρ ≠ , xS, t∈Z , de modo geral; prova: Imediata.

(vii) ρ0(x)=ρXY , ∀xS no caso normal bivariado. prova: Se (Xt,Yt)~N2, então Yt /Xt =x ~NYXY(x−µX)/γ0 , σY2(1−ρ2XY )) e ρXYXY / γ0σY. Portanto, = = = ∂ ∂ = 0 0( ) [ / ] γ γ β XY t t X x Y E x x 0 γ σ ρ Y XY . Então,

(3)

XY XY Y Y XY Y XY x x x x ρ ρ σ γ γ σ ρ γ γ σ ρ σ γ β γ β ρ = − + = + = ) 1 ( ) ( ) ( ) ( ) ( 2 2 0 0 2 0 0 2 0 0 2 0 0 0 0 .

Observamos que um modelo MGARCH(r,s) bivariado possui esperança condicional nula, implicando em coeficiente angular local nulo e, portanto, em curva de correlação cruzada contemporânea nula. Já os modelos VAR(p,q)-MGARCH(r,s) possuem o termo de esperança condicional resultando em correlação local não nula, de modo geral.

3 . 1 . 3 E s t i m a d o r

Modelos não lineares para séries temporais podem ser estimados por meio de uma abordagem não paramétrica. O ajuste polinomial local é uma técnica de regressão não paramétrica conveniente para estimar a k-ésima derivada m(k)(x) da função de regressão m(x)=E[Yt /Xt =x]. A forma da função m(.) não é conhecida, porém, precisamos supor que ela tenha um certo grau de suavidade, ou seja, m(x) possui um certo número de derivadas no ponto x0. Além disso, considerando o enfoque local, um ponto distante de x0

fornece pouca informação sobre m(x). Então, supondo que m(x) tenha p+1 derivadas no ponto x0, a

expansão de Taylor para x numa vizinhança local de x0, é dada por

} ) {( ! ) ( ) ( ! 2 ) ( ) ( ) )( ( ) ( ) ( ( ) 0 0 0 1 2 0 0 ) 2 ( 0 0 ) 1 ( 0 ) 0 ( + ++ ++ + = p p O x x p p x x x m x x x m x x x m x m x m K .

Em termos de modelagem estatística, localmente ao redor de x0, m(x) é modelada como

= − ≈ p k k k x x x m 0 ( 0) ) ( α

com αk =m(k)(x0)/k!. Então, observados {(Xt,Yt), t=1,K,T}, este modelo é ajustado utilizando-se o método de mínimos quadrados ponderados, minimizando-se

=

=  −     T t h t p k k t k t X x K X x Y T 1 0 2 0α ( 0) ( )

em que K é uma função kernel e hT é a largura de faixa que controla o tamanho da vizinhança local. A solução deste método é dada por αˆk =mˆ(k)(x0)/k!, ou seja, mˆ(k)(x0)=αˆk×k!, k=0 K, ,p.

Utilizando a notação matricial, temos a seguinte representação:

) ( ( min y Xα) Wy α − ′ − , em que           = T Y Y M 1 y ,             − − − − = p T T p x X x X x X x X ) ( ) ( 1 ) ( ) ( 1 0 0 0 1 0 1 K M M M K X , α=(α0,Kp)′ , )} ( {K X x0 diag hT t− =

W : matriz diagonal (T×T) de pesos,

(4)

Vejamos como estimar a derivada (de ordem k=1) da esperança condicional, β(x0), com x0G, sendo G o conjunto dos pontos de uma grade (univariada). Considerando um kernel K1 e uma largura de faixa h1=hˆT(X1,K,XT;Y1,K,YT), ajustamos um polinômio de grau p=2 (p= k+1 - mais detalhes no final desta seção), ou seja, minimizamos

      −         − − − −

=1 1 1 1 0 2 2 0 0 ) 2 ( 0 0 ) 1 ( 0 ) 0 ( 1 2 ) ( ) ( ) )( ( ) ( h x X K h x X x m x X x m x m Y t T t t t t , e, então, βˆ(x0)=mˆ(1)(x0).

Agora, vejamos como estimar a variância condicional σ2(x0). Sabemos que σ2(x) pode ser escrita como Var[Yt /Xt =x]=E[Yt2/Xt =x]−E2[Yt /Xt =x], que naturalmente motiva o estimador

2 0 0 2/ ] (ˆ[ / ]) [ ˆY X x EY X x

E t t = − t t = . Mas, segundo Fan e Yao (1998) este estimador nem sempre é não

negativo, principalmente quando diferentes larguras de faixa são utilizadas para estimar cada uma das componentes. Então, tanto Bjerve e Doksum (1993) quanto Fan e Yao (2005), dentre outros, utilizam um estimador com base em resíduos ao quadrado, ou seja, σˆ2(x0)=Eˆ[rˆt2/Xt =x0]= Eˆ[{Ytmˆ(Xt)}2/Xt =x0]

(veja detalhes a seguir). Pode-se mostrar que este estimador é completamente adaptativo em regressão, isto é, sem conhecer m(.), podemos estimar assintoticamente a variância condicional σ2(.) tão bem quanto se m(.)

fosse conhecida. De fato, pode-se provar que E[rt2/Xt]≈σ2(Xt) (veja Fan e Yao, 2005 – página 375). Então, para estimarmos σ2(x0)=E[{Ytm(Xt)}2/Xt =x0], inicialmente calculamos mˆ(Xt), t=1 K, ,T, usando a largura de faixa h1 dada anteriormente, e então calculamos rˆt2=(Ytmˆ(Xt ))2, t=1 K, ,T . Por fim, obtemos σˆ2(x0) através da minimização do seguinte polinômio linear, o qual utiliza um kernel K2 e uma

nova largura de faixa h2=hˆT(X1,K,XT;rˆ12,K,rˆT2):

=      − − − − T t t t t h x X K h x X x m x m r 1 2 0 2 2 2 0 0 ) 1 ( 0 ) 0 ( 2 ( ) ( )( )} 1 ˆ { . Então, σˆ2(x0)=mˆ(0)(x0).

Neste algorítmo, o método de seleção da largura de faixa é flexível.

Portanto, observados {(Xt,Yt), t=1,K,T}, a estimação da curva de correlação cruzada contemporânea (3.2) pode ser feita através do seguinte estimador:

) ( ˆ ) ( ˆ ) ( ˆ ) ( ˆ 2 0 0 2 0 0 0 0 x c x c x x

σ

β

β

ρ

+ = , (3.3) em que

= − = = T t Xt X T c 1 2 0 0 γˆ 1 ( ) , ) ( ˆ ) ( ˆ (1) 0 x =m x

β utilizando um polinômio quadrático local com kernel K1, largura de faixa h1 e o

(5)

) ( ˆ ) ( ˆ02 x =m(0) x

σ

utilizando um polinômio linear local, um kernel K2, uma largura de faixa h2 e o

conjunto de dados {(Xt,rˆt2), t=1,...,T}, sendo rˆt =Ytmˆ(Xt) com mˆ(Xt) sendo previsto após o ajuste de um polinômio linear local nos pontos de grade xG, que utiliza o kernel K1, a largura de faixa h1 e o conjunto de dados {(Xt,Yt), t=1,K,T}.

Vejamos algumas considerações referentes à implementação do estimador polinomial local.

Precisamos escolher a largura de faixa hT, o kernel K e a ordem p do polinômio, sendo que estes parâmetros são naturalmente relacionados entre si.

A largura de faixa hT controla a complexidade do ajuste polinomial local (quando hT =∞, este ajuste

torna-se um ajuste polinomial global). Para seqüências estacionárias de dados sob certas condições mixing, a suavização no domínio do espaço apresenta desempenho similar à regressão não paramétrica para dados independentes. Aqui, a largura de faixa pode ser escolhida, por exemplo, através dos seguintes critérios: validação cruzada, método de substituição pré-assintótico de Fan e Gijbels (1995) e método de substituição assintótico de Ruppert et al. (1995).

Quanto ao kernel, é mostrado por Fan et al. (1996) que, para todas as escolhas de p e k, o kernel ótimo é o de Epanechnikov e, como mostrado em Fan e Yao (2005, §5.5), outros kernels têm aproximadamente a mesma eficiência para uso prático de p e k. Portanto, esta escolha não é crítica.

Finalmente, a ordem do polinômio p= k+1 é recomendada por Fan e Gijbels (1996), com base em considerações teóricas e práticas. Portanto, se o objetivo principal é estimar a função de regressão m(x), optamos pelo ajuste linear local, se o objetivo é estimar m(1)(x), o ajuste quadrático local é o recomendado, e assim sucessivamente.

3 . 1 . 4 C o n s i s t ê n c i a d o e s t i m a d o r

Sejam as seguintes condições de regularidade:

(C1)

+∞ −∞ = − + = j j t j t e X µ α , em que et ~iid(0,σ2), [ 4]=ησ4 t e E ,

+∞ −∞ = <∞ jj| e

+∞ −∞ = <∞ kk | ; (C2) O kernel K1 é uma função limitada e com suporte limitado;

(C3) h1=O{T−1/(2p+3)}, sendo p a ordem do polinômio;

(C4) A densidade condicional ≤ <∞ + + / , 1 2 1 2 1 , (x ,x /y,y ) A f k t t k t t X Y Y X , ∀ t∈ Z , ∀k≥1; (C5) Para processos ρ-mixing é suposto que

<∞

k kρ e [ ]<∞ 2 t

Y

E , ∀ t∈ Z . Para processos α-mixing é

suposto que

− <∞ k a k k [α( )]1 2/λ , | |λ< t Y E e f / (x/y)≤A2 <∞ t t Y X , para algum λ>2 e λ / 2 1− > a , ∀ t∈ Z ;

(C6) Para processos ρ-mixing e α-mixing é suposto, respectivamente, que (T/h1)1/2ρ(sT)→0 e

0 ) ( ) /

(6)

(C7)σ02(.) e f(.) são contínuas no ponto x, e f(x)>0;

(C8) Para um dado ponto x, f(x)>0, σ02(x)>0 e as funções E[Ytk/Xt =x], ∀ tZ , são contínuas em x para k=3,4. Além disso, m&&(z)≡∂2m(z)/∂z2 e σ&&02(z)≡∂2{σ02(z)}/∂z2 são uniformemente contínuas num conjunto aberto contendo o ponto x;

(C9) E[Yt4(1+δ)]<∞, ∀ t∈ Z , em que δ∈[0,1) é uma constante ;

(C10) As funções kernels K1 e K2 são funções densidades simétricas, cada uma com suporte limitado. Mais ainda, |K1(x1)−K1(x2)|≤c|x1x2|, |K2(x1)−K2(x2)|≤c|x1x2|, e também | | | ) ( ) ( |f x1f x2c x1x2 para x1,x2R;

(C11) O processo (Xt,Yt) é absolutamente regular, isto é

0 } | ] [ ] / [ | sup { sup ) ( 1 1 → − ≡ ∞ + ∈ ≥ E P A P A k i A i Fi k F β , conforme k→∞,

em que Fuv é a σ-álgebra gerada por {(Xt,Yt):t=u,K,v} (vu). Mais ainda, para o mesmo δ da condição (C9),

∞ = + < 1 ) 1 /( 2 ( ) k k k δ δ β . Convenção: 00 =0;

(C12) Conforme T→∞, hi →0 e liminfThi4 >0, i=1,2.

Teorema 3.1. Considere um processo {(Xt,Yt), t∈ Z} estritamente estacionário, com Xt e Yt possuindo

segundos momentos finitos, e com Xt a valores contínuos. Satisfeitas as condições (C1) a (C12), temos que

) ( ) ( ˆ 0 T 0 x P

ρ

x

ρ

∞ → →

 , para cada xS fixado.

prova:

Por (C1) e pelo Teorema 6.2.2 de Fuller (1976), cτ é consistente para γ , portanto, τ 0 γ0 ∞ → →  T P c .

Agora, vamos verificar a convergência de βˆ0(x). Pelo Teorema 6.3 de Fan e Yao (2005), temos que sob as condições de regularidade (C2) a (C7), para T →∞,

          →          + − −

+ + + −

+ ) ( ) ( ) ( ) ! ( , 0 )! 1 ( ) ( ! ) ( ) ( ) ( ˆ 2 2 0 2 1 1 ) 1 ( 1 ) ( ) ( 1 2 1 * * x f du u K x v N h p x m v du u K u x m x m Th v v v p v p p v D v σ , com K*(u) T 1 1(1,u, ,up)TK(u) v

v =e + S− K , sendo ev+1 o vetor unitário com 1 na (v+1)-ésima posição e S uma matriz (p+1)×(p+1) cujo elemento ( ji, ) é

+∞

∞ − − + − +j = ui j K u du i 2 2 ( ) µ . E quando T→∞, h1p+ v1− →0.

Portanto, utilizando o Teorema 2.3.4. de Lehmann (1999), temos que mˆ(1)(x) m(1)(x) T P ∞ → →  , ou seja, ) ( ) ( ˆ0 x 0 x T P β β ∞ → →  .

Satisfeitas as condições de regularidade (C8) a (C12), o Teorema 8.5 de Fan e Yao (2005) é válido, ou seja, para T→∞,

(7)

        →  − −

K u du x f x x N x x Th T D ( ) ) ( ) ( ) ( , 0 ) ) ( ) ( ˆ ( 22 2 4 0 2 0 2 0 2 λ σ θ σ σ , com θT =(h22/2)σ&&02(x)

u2K2(u)du+o(h12+h22), λ2(x)=E[(et2−1)2/Xt =x] e et =(Ytm(Xt))/σ0(Xt). Como para T→∞, h22→0, novamente pelo Teorema 2.3.4. de Lehmann (1999), temos que

) ( ) ( ˆ02 x 02 x T P σ σ ∞ → →  .

Considere θˆ=(βˆ0(x),σˆ02(x),c0)′=(θˆ1,θˆ2,θˆ3)′ e θ=(β0(x),σ02(x),γ0)′=(θ123)′. Verificamos, para cada xS com f(x)>0, que θˆj →P θj, j=1,2,3, com hi →0 e liminfThi4 >0, i=1,2, conforme

∞ →

T . Portanto, usando o Lema 5.1.3 e o Teorema 5.1.4 de Fuller (1976), temos que ρˆ0(x)→P ρ0(x), conforme T→∞, para cada xS fixado.

Fan e Yao (2005, página 395) observam que as condições dos suportes de K1(.) e K2(.) serem limitados, facilitam as provas dos teoremas. Na prática, o kernel Gaussiano pode ser utilizado. Além disso, a suposição sobre a taxa de convergência de β(k) é para conveniência técnica, sendo que o resultado também pode ser estabelecido para outros tipos de coeficientes mixing. Finalmente, as taxas de convergência de h1 e

2

h da condição (C12) não são as menores possíveis.

3 . 1 . 5 S i m u l a ç õ e s

O comportamento da curva de correlação cruzada contemporânea foi avaliado considerando-se se um modelo VAR(1)-MGARCH(1,1) estacionário dado por

t t t Φ Φ Z ε

Z = 0+ 1 −1+ ,

em que Zt =(Xt,Yt)′, Φ0 =(1,1)′, vec(Φ1)=(0,25;0,2;0,2;0,75)′ e εt =(ε1t2t)′, que representado na forma BEKK é tal que εt =∑1t/2vt com ∑t =CC+Aεt1εt1A+B′∑t1B em que vec(C)=(0,34;0,17;0 ;0,23)′,

) 4 , 0 ; 1 , 0 ; 1 , 0 ; 5 , 0 ( ) (A = ′

vec e vec(B)=(0,35;0,22;0,22;0,12)′, e vt é uma seqüência bidimensional normal padrão. Consideramos 200 réplicas de Monte Carlo com diferentes tamanhos de séries (100, 200 e 500), grade com 199 pontos, 90% dos dados centrais, kernel Gaussiano e largura de faixa igual ótima de Ruppert et al. (1995).

Para a simulação com 200 séries de tamanho 500, obtivemos a estimação da curva de correlação cruzada contemporânea média. O comportamento desta apresenta-se na Figura 3.1 a qual indica um decréscimo da correlação local entre os pontos de grade 4 e 6, aproximadamente. Na Tabela 3.1 temos a variância do estimador em relação à curva média, e o p-valor do teste de normalidade de Jarque Bera que não rejeitou a normalidade do estimador para três pontos de grade avaliados. Na Figura 3.2 vemos os histogramas das estimativas calculadas.

No Apêndice C (Figura C.1), temos os resultados das simulações também para séries de tamanho 100 e 200. Comparando as três simulações, vemos que a variância diminui com o aumento do tamanho da série, e a rejeição da normalidade diminui da amostra menor para a amostra maior.

(8)

Figura 3.1 – Curva de correlação cruzada contemporânea estimada, utilizando 200 séries de tamanho 500, observadas de um modelo VAR(1)-MGARCH(1,1).

Tabela 3.1 – Variância e p-valor do teste de normalidade de Jarque Bera de ρˆ0(x), considerando 200 séries de tamanho 500, observadas de um modelo VAR(1)-MGARCH(1,1).

Medidas 1,37 2,47 3,58 4,68 5,79 6,89 8,00

Variância 0,053 0,031 0,021 0,053 0,147 0,320 0,657

P-valor 0,351 0,000 0,247 0,000 0,504 0,024 0,006

Figura 3.2 – Histogramas em pontos de grade de ρˆ0(x), considerando 200 séries de tamanho 500, observadas do modelo VAR(1)-MGARCH(1,1).

2 3 4 5 6 7 8 -1 .0 -0 .5 0 .0 0 .5 1. 0 x 0 ˆ ρ 1.37 -0.4 0.0 0.4 0.8 0. 0 1.0 2. 0 3. 0 2.47 -1.0 -0.5 0.0 0.5 01 2 3 4 3.58 0.0 0.2 0.4 0.6 01 23 4 4.68 -0.5 0.0 0.5 0. 0 1.0 2.0 3.0 5.79 -0.5 0.0 0.5 0. 0 0.5 1. 0 1. 5 2. 0 6.89 -1.5 -0.5 0.5 0. 0 0. 4 0. 8 8 -2 -1 0 1 0. 0 0. 4 0. 8

(9)

3 . 1 . 6 A p l i c a ç õ e s a s é r i e s r e a i s

A seguir analisamos a curva de correlação cruzada contemporânea considerando os retornos diários da Petrobrás e do Ibovespa, e também do Banespa e Ibovespa, no período de 2/jan/95 a 27/dez/00 (1.498 dados). Os parâmetros utilizados nestas simulações são os mesmos da seção anterior, porém agora com grade de 401 pontos e largura de faixa igual ao desvio padrão da série condicionada (Bjerve e Doksum, 1993).

Na seção 2.2.2 vimos que os retornos da Petrobrás (Xt) e do Ibovespa (Yt) apresentaram correlação linear

de Pearson 0,83. No gráfico (a) da Figura 3.3, observamos o gráfico de dispersão dos retornos da Petrobrás (Xt) do Ibovespa (Yt). Nesta mesma figura, o gráfico (b) refere-se ao coeficiente angular local estimado o qual

apresenta-se positivo, porém, com tendência decrescente até aproximadamente o valor de grade 0.03, a partir de onde se inicia uma tendência crescente. A variância condicional local (gráfico (c)) apresenta-se maior nos extremos da grade. Por fim, a curva de correlação (gráfico (d)) que possui valores entre 0,79 e 0,87, indica um pequeno decréscimo a partir do valor de grade -0,01, aproximadamente. Tal fato deve-se ao comportamento decrescente do coeficiente angular local. Portanto, a correlação entre os retornos da Petrobrás e do Ibovespa, passa a ser ligeiramente menor com o aumento dos possíveis valores de retornos da Petrobrás, a partir do valor -0,01. Para estas duas séries, vimos na Figura 2.38 que o gráfico de curvas de nível de Hˆ0 apresenta dependência positiva e simétrica, e que a densidade cópula empírica também apresenta dependência positiva mas com uma pequena assimetria, no caso, menor dependência entre os maiores valores dos postos normalizados. Na Figura 3.3, vimos que ρ apresenta um leve decréscimo ao longo dos valores ˆ0 de x.

Correlação linear de Pearson 0,54 foi obtida para os retornos do Banespa (Xt) e do Ibovespa (Yt).

Observando o gráfico (b) da Figura 3.4, vemos que o coeficiente angular local é positivo (mas com valores menores que o caso acima), apresentando tendência decrescente ao longo da grade. Já a variância condicional local (gráfico (c)), apresenta valores maiores nos pontos de grade maiores quando comparado com os menores. Finalmente, no gráfico (d) vemos a curva de correlação cruzada contemporânea (com valores entre 0,31 e 0,67) a qual apresenta tendência decrescente também a partir do ponto de grade -0,01, aproximadamente, porém, esta tendência é mais acentuada que no caso acima devido a maior variância nos valores de grade maiores. Ou seja, a correlação entre os retornos do Banespa e do Ibovespa passa a ser menor quanto maior for o possível valor do retorno do Banespa, a partir de -0,01. Para estas séries, a Figura 2.40 apresenta Hˆ0 com dependência positiva simétrica, e com dependência positiva ligeiramente assimétrica (menor para os maiores valores). Já na Figura 3.4, ρ indica considerável decréscimo da correlação. ˆ0

(10)

Figura 3.3 – (a) Gráfico de dispersão dos retornos do Petrobrás (Xt) e da Ibovespa (Yt) no período de 2/jan/95 a 27/dez/00 (correlação 0,83), (b) coeficiente

angular local estimado βˆ0(x), (c) variância condicional local estimada σˆ02(x) e (d) curva de correlação cruzada contemporânea estimada ρˆ0(x).

-0.2 -0.1 0.0 0.1 0.2 -0 .1 0. 0 0.1 0. 2 0.3 Xt Yt -0.04 -0.02 0.00 0.02 0.04 0. 0 0.2 0. 4 0.6 0. 8 1.0 x -0.04 -0.02 0.00 0.02 0.04 0. 00 00 0. 00 05 0. 00 10 0. 0015 x -0.04 -0.02 0.00 0.02 0.04 -1 .0 -0 .5 0. 0 0. 5 1. 0 x (d) (b) (c) (a) 0 ˆ β 2 0 ˆ σ ρˆ0

(11)

Figura 3.4 – (a) Gráfico de dispersão dos retornos do Banespa (Xt) e do Ibovespa (Yt) no período de 2/jan/95 a 27/dez/00 (correlação 0,54), (b) coeficiente

angular local estimado βˆ0(x), (c) variância condicional local estimada ˆ2( ) 0 x

σ e (d) curva de correlação cruzada contemporânea estimada ρˆ0(x).

-0.2 -0.1 0.0 0.1 0.2 0.3 -0 .1 0. 0 0.1 0. 2 0.3 Xt Yt -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0. 0 0.2 0. 4 0.6 0. 8 1.0 x -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 0. 00 00 0. 00 05 0. 00 10 0. 0015 x -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06 -1 .0 -0 .5 0. 0 0. 5 1. 0 x 0 ˆ β 2 0 ˆ σ ρˆ0 (d) (b) (c) (a)

(12)

3 . 2 C u r v a d e A u t o c o r r e l a ç ã o

Considere o seguinte modelo utilizado em séries financeiras:

t p t t p t t t m X X X X X = ( 1 ,K, )+σ( 1,K, )ε , εt ~iid(0,1) e εtXtk, k≥1,

em que m(.) e σ2(.) representam, respectivamente, a esperança e a variância condicional de Xt dado

p t

t X

X 1,K, . Este modelo pode ser denominado CHARN (de “conditional heteroscedastic autoregressive nonlinear” segundo Yang et al., 1999) ou modelo tipo ARCH (Masry e Tjøstheim, 1995).

Se utilizarmos modelos paramétricos para estimar as funções m(.) e σ , temos que um modelo (.)

particular é o ARCH. Para ver isto, considere m(.) linear e σ2(Xt1,K,Xtp)=α01Xt21+K+αpXt2p,

então, o modelo resultante é o ARCH(p) definido por Engle (1982). Outra abordagem é utilizar técnicas não paramétricas para estimar estas funções, e então este modelo pode ser denominado NARCH (de “nonparametric autoregressive conditional heteroscedastic”, conforme Fan e Yao, 2005).

Sob certas condições no crescimento de m(.) e σ , o processo {X(.) t} gerado pelo modelo 1 1 1 1 ( , , ) ( , , ) + + + + + + + +ip = t i t ip + t i t ip t ip t m X X X X X K σ K ε , 0≤i1 <i2<K<ip+1,

(que é um modelo que possibilita uma quantidade menor de variáveis aleatórias defasadas para a mesma ordem p do modelo anterior) é estritamente estacionário e α-mixing, com coeficiente mixing apresentando decaimento exponencial (Masry e Tjøstheim, 1995 – Lema 3.1).

Observamos que um processo GARCH(p,q) representado por Xttεt,

= − + = − + = q j j t j p i i t i t2 α0 1α X2 1β σ2

σ , em que εt ~IID(0,1), αi ≥0, βj ≥0, é α-mixing com coeficiente mixing apresentando decaimento exponencial se (i) 1

1 1 +

<

= = q j j p

i αi β e (ii) a função de densidade de ε t é positiva num intervalo contendo o zero (Fan e Yao, 2005 – página 70).

Sabemos que se m(.) é linear e σ é constante, então recaímos no modelo AR(p). E se o processo é (.)

Gaussiano estacionário com média zero, então m(.) é linear e σ é constante (Fan e Yao, 2005). Além (.)

disso, um processo linear usual é α-mixing com coeficiente mixing apresentando decaimento geométrico (Bosq, 1998 – páginas 18 e 46).

A partir de agora, iremos nos concentrar na subclasse dos sistemas não lineares tipo ARCH em que m(.)

e σ são funções de uma única variável aleatória defasada. (.)

Seja {Xt , t∈Z} um processo estacionário estrito e de segunda ordem a valores contínuos, que pode ser

considerado gerado a partir do modelo (3.1) em que Yt =Xt+τ, ou seja τ

τ σ ε +

+ = t + t t

t m X X

X ( ) ( ) , com εt ~ iid(0,1) e εt+kXt, k≥1, (3.4) sendo que m(x)=E[Xt+τ /Xt =x] e σ2(x)=Var[Xt+τ /Xt =x] estão bem definidas.

A seguir, vamos derivar a expressão da curva de correlação (1.2).

Como o processo é estacionário estrito, vimos na seção 2.1 que a distribuição de (Xt,Xt+τ) só depende da defasagem τ , e então β(x)=∂/∂x E[Xt+τ /Xt =x] e σ2(x)=Var[Xt+τ /Xt =x] também só dependem da defasagem τ .

(13)

Portanto, a curva de correlação (1.2) pode ser escrita da seguinte forma ) ( ) ( ) ( ) ( 2 0 2 0 x x x x τ τ τ τ

σ

γ

β

γ

β

ρ

+ = , ∀xS com f(x)>0, ∀ t,τ∈Z, (3.5)

em que βτ(x) e

σ

τ2(x) são como β(x) e σ2(x) acima, e γ0 =Var[Xt]. Denominamos esta medida local de curva de autocorrelação.

As seguintes propriedades são válidas para a curva de autocorrelação (3.5):

(i) −1≤ρτ(x)≤+1, ∀τ∈Z , ∀xS; prova: Imediata.

(ii) ρτ(x)=ρτ(x), ∀τ∈Z , ∀xS; prova:

Como o processo é estacionário estrito, então fXt,Xt+τ (x1,x2)= fXtτ,Xt(x1,x2) que implica em

] / [ ] / [X X x E X X x

E t+τ t = = t tτ = e Var[Xt+τ /Xt =x]=Var[Xt /Xtτ =x]. Portanto, ρτ(x)=ρτ(x).

(iii) ρτ(x)=ρτ , ∀τ∈Z , ∀xS se {Xt} é um processo Gaussiano. prova:

Se o processo é Gaussiano, então Xt+τ /Xt =x ~N(µ+ρτ(x−µ), γ0(1−ρτ2)), ∀ t,τ∈Z . Portanto, τ τ ρ β (x)= , e então τ τ τ τ τ τ τ τ ρ ρ γ γ ρ γ ρ σ γ β γ β ρ = − + = + = ) 1 ( ) ( ) ( ) ( ) ( 2 0 0 2 0 2 0 2 0 x x x x .

A seguir encontram-se as expressões de ρτ(x), ∀xS e ∀τ∈Z , para alguns modelos simples.

(i) Modelo AR(1)

Considere um processo {Xt , t∈Z} estacionário estrito e de segunda ordem, seguindo um modelo AR(1)

representado por Xt01Xt−1+at, at ~iid(0,σa2). Pode-se verificar que ρτ(x)=ρτ, ∀xS, τ∈Z (veja prova no Apêndice B). Portanto, neste modelo, a curva de autocorrelação reduz-se à função de autocorrelação.

(ii) Modelo MA(1)

Considere um processo {Xt , t∈Z} estacionário estrito e de segunda ordem, seguindo um modelo MA(1)

com a seguinte representação: Xt0−θ1at−1+at, at ~iid(0,σa2). A curva de autocorrelação para este modelo é dada por (veja Apêndice B):

(14)

       ≥ = + + + − = = 2 | | , 0 1 | | , 1 2 ) 1 ( 0 , 1 ) ( 2 1 4 1 2 1 2 1 τ τ θ θ θ θ τ ρτ x , ∀xS,

que é constante em relação a x.

(iii) Modelo ARCH(1)

Considere um processo {Xt, t∈Z} estacionário estrito e de segunda ordem, seguindo um modelo

ARCH(1) representado por Xttεt, σt2 =α01Xt21 e εt ~ iid(0,1). Como neste modelo a componente da esperança condicional é nula, então a derivada desta em relação a x (coeficiente angular) também será nula. Portanto, a curva de autocorrelação será nula.

Para o processo em estudo, sugerimos um estimador similar ao estimador (3.3), em que consideramos τ

+ = t

t X

Y , t=1 K, ,T−τ, τ =0,K,T−1.

Portanto, observados (X K1, ,XT), a curva de autocorrelação (3.5) pode ser estimada através de:

) ( ˆ ) ( ˆ ) ( ˆ ) ( ˆ 2 0 2 0 x c x c x x τ τ τ τ

σ

β

β

ρ

+ = (3.6) em que

= − = = T t Xi X T c 1 2 0 0

γ

ˆ 1 ( ) , ) ( ˆ ) ( ˆ x =m(1) x τ

β utilizando um polinômio quadrático local com kernel K1, largura de faixa h1 e o

conjunto de dados {(Xt,Xt+τ), t=1,K,T−τ}, ) ( ˆ ) ( ˆτ2 x =m(0) x

σ

utilizando um polinômio linear local, um kernel K2, uma largura de faixa h2 e o

conjunto de dados {(Xt,rˆt2), t=1,K,T−τ}, sendo rˆt =Xtmˆ(Xt) com mˆ(Xt) sendo previsto após o ajuste de um polinômio linear local nos pontos de grade xG, que utiliza o kernel K1, a

largura de faixa h1 e o conjunto de dados {(Xt,Xt+τ), t=1,K,T−τ}.

Considere as condições de regularidade (C1) a (C12) da seção 3.1.4 devidamente adptadas.

Teorema 3.2. Considere um processo {Xt , t∈ Z} estritamente estacionário e de segunda ordem, a valores

contínuos. Satisfeitas as condições (C1) a (C12), então ) ( ) ( ˆ T x x P τ τ ρ ρ ∞ → →

 , para cada x∈ fixado. S prova: Similar à do Teorema 3.1.

(15)

3 . 2 . 1 S i m u l a ç õ e s

Avaliamos o comportamento da curva de autocorrelação utilizando o modelo AR(1)-ARCH(1) dado por t t t X a X1 −1+ , t t t a =σ ε , 2 1 1 0 2 − + = t t α α a σ ,

em que εt ~ N(0,1), φ0=0, φ1=0,8, α0 =0,1 e α1=0,8. Para tanto, utilizamos 200 repetições de séries de tamanho 200, 500 e 1.000. A grade, o percentual de dados e a largura de faixa utilizados foram iguais aos da seção 3.1.5.

Referente a simulação com séries de tamanho 1.000, observamos na Figura 3.5 a curva de autocorrelação média estimada para os lags 1 a 4. Com o aumento do lag, vemos que a curva de autocorrelação diminui de intensidade (possivelmente devido à redução da dependência da parte autoregressiva do modelo) e torna-se mais linear (devido à suavização da componente da volatidade do modelo). Na Tabela 3.2, vemos que com o aumento da defasagem, a variância do estimador aumenta e a rejeição da normalidade permanece inalterada. Na Figura 3.6, apresentam-se os histogramas do estimador no lag 2 em alguns pontos de grade, os quais indicam afastamento da normalidade.

A variância do estimador diminui com o aumento do tamanho da série para todas as defasagens, enquanto que o nível descritivo (nulo) permanece inalterado, conforme podemos observar através da comparação da simulação anterior com as simulações contendo séries de tamanho 200 e 500 (Figura C.2 do Apêndice C).

Tabela 3.2 – Variância e p-valor do teste de normalidade de Jarque Bera de ρˆ xτ( ), considerando 200 séries de tamanho 1.000, observadas do modelo AR(1)-ARCH(1), com inovações Gaussianas.

Medidas Lag -1,53 -1,02 -0,51 0,00 0,51 1,02 1,53 Variância 1 0,042 0,008 0,005 0,002 0,009 0,039 0,080 Variância 2 0,066 0,055 0,034 0,013 0,026 0,050 0,101 Variância 3 0,095 0,091 0,037 0,017 0,032 0,056 0,120 Variância 4 0,136 0,084 0,055 0,038 0,041 0,095 0,124 P-valor 1 0,000 0,000 0,000 0,000 0,000 0,000 0,000 P-valor 2 0,000 0,000 0,000 0,000 0,000 0,000 0,000 P-valor 3 0,000 0,000 0,000 0,000 0,000 0,000 0,000 P-valor 4 0,000 0,000 0,000 0,000 0,000 0,000 0,000

(16)

Figura 3.5 – Curva de autocorrelação média para os lags 1 a 4, considerando 200 séries de tamanho 1.000, observadas

de um modelo AR(1)-ARCH(1) com φ0=0, 8φ1=0, , 1α0=0, e α1=0,8, e inovações Gaussianas.

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1 .0 -0 .5 0 .0 0 .5 1 .0 x Ro (x ) tau=1 τ ρˆ -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1 .0 -0 .5 0 .0 0 .5 1 .0 x Ro (x ) tau=3 τ ρˆ -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1 .0 -0 .5 0 .0 0.5 1. 0 x Ro (x ) tau=2 τ ρˆ -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 -1 .0 -0 .5 0. 0 0 .5 1 .0 x Ro (x ) tau=4 τ ρˆ

(17)

Figura 3.6 – Histogramas em pontos de grade de ρˆ x( ) para o lag 2, considerando 200 séries de tamanho 1.000, observadas do modelo AR(1)-ARCH(1) com φ0=0, 8φ1=0, , 1α0=0, e α1=0,8, e inovações Gaussianas.

-1.16 -0.5 0.0 0.5 1.0 01 23 4 -0.78 -1.0 -0.5 0.0 0.5 1.0 01 23 4 5 -0.39 -0.5 0.0 0.5 1.0 0 246 0 -0.4 0.0 0.4 0.8 024 6 0.39 -0.4 0.0 0.4 0.8 0246 0.78 -0.5 0.0 0.5 1.0 01 23 45 1.16 -1.0 -0.5 0.0 0.5 1.0 01 23 4

(18)

3 . 2 . 2 A p l i c a ç õ e s a s é r i e s r e a i s

A seguir analisamos a curva de autocorrelação considerando os retornos diários da Petrobrás e do Banespa (2/jan/95 a 27/dez/00), considerando a série adiantada em 1, 2 ou 3 dias dado a série. Os parâmetros utilizados nestas simulações são os mesmos da seção 3.1.6.

Considerando os retornos da Petrobrás, para o lag 1, vemos no último gráfico da Figura 3.7 que há indicações da correlação local positiva apresentar inicialmente uma tendência crescente. Já a curva de autocorrelação no lag 2 (gráfico (d) da Figura 3.8) apresenta inicialmente valores negativos e com uma leve tendência crescente, permanecendo constante e positiva para os valores de grade próximos de zero, e então ocorre uma tendência decrescente atingindo novamente valores negativos. Por fim, para a defasagem 3, vemos que a curva de autocorrelação (último gráfico da Figura 3.9) apresenta uma suave oscilação em torno do valor zero ao longo da grade.

Nas figuras 3.10 a 3.12, para as defasagens 1 a 3, respectivamente, apresentam-se as curvas de autocorrelação (gráfico (d)), dentre outros, para os retornos diários do Banespa. No lag 1, a curva de autocorrelação positiva apresenta uma leve tendência crescente para os maiores valores da grade. Já no lag 2, a correlação local apresenta inicialmente valores negativos alcançando valores positivos, pois há tendência crescente a partir de valores de grade -0,01 aproximadamente. A curva de autocorrelação apresenta-se praticamente constante no lag 3.

(19)

Figura 3.7 – Para os retornos da Petrobrás (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 1 (correlação 0,111), temos: (a) gráfico de dispersão, (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada σˆτ2(x), e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 -0. 2 -0. 1 0. 0 0. 1 0. 2 Xt Xt+ 1 -0.04 -0.02 0.00 0.02 0.04 -0 .3 -0 .1 0. 1 0.3 x -0.04 -0.02 0.00 0.02 0.04 0. 00 0 0. 002 0. 00 4 x -0.04 -0.02 0.00 0.02 0.04 -1 .0 -0 .5 0. 0 0.5 1. 0 x (d) (c) (b) (a) τ βˆ 2 ˆτ σ ρˆτ

(20)

Figura 3.8 – Para os retornos da Petrobrás (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 2 (correlação -0,020), temos: (a) gráfico de dispersão, (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada ˆ2(x)

τ

σ , e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 -0 .2 -0 .1 0. 0 0.1 0. 2 Xt Xt+ 2 -0.04 -0.02 0.00 0.02 0.04 -0. 3 -0. 1 0. 1 0. 3 x -0.04 -0.02 0.00 0.02 0.04 0. 000 0. 002 0. 004 x -0.04 -0.02 0.00 0.02 0.04 -1 .0 -0 .5 0. 0 0.5 1. 0 x τ βˆ 2 ˆτ σ ρˆτ (d) (c) (b) (a)

(21)

Figura 3.9 – Para os retornos da Petrobrás (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 3 (correlação -0,065), temos: (a) gráfico de dispersão (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada ˆ2(x)

τ

σ , e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 -0. 2 -0. 1 0. 0 0. 1 0. 2 Xt Xt+ 3 -0.04 -0.02 0.00 0.02 0.04 -0 .3 -0 .1 0. 1 0.3 x -0.04 -0.02 0.00 0.02 0.04 0. 00 0 0. 002 0. 00 4 x -0.04 -0.02 0.00 0.02 0.04 -1 .0 -0 .5 0. 0 0.5 1. 0 x τ βˆ 2 ˆτ σ ρˆτ (d) (c) (b) (a)

(22)

Figura 3.10 – Para os retornos do Banespa (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 1 (correlação 0,125), temos: (a) gráfico de dispersão (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada ˆ2(x)

τ

σ , e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 0.3 -0 .2 0. 0 0.2 Xt Xt+ 1 -0.06 -0.02 0.00 0.02 0.04 0.06 -0 .3 -0 .1 0. 1 0.3 x -0.06 -0.02 0.00 0.02 0.04 0.06 0. 00 0 0. 002 0. 00 4 x -0.06 -0.02 0.00 0.02 0.04 0.06 -1 .0 -0 .5 0. 0 0.5 1. 0 x τ βˆ 2 ˆτ σ ρˆτ (d) (c) (b) (a)

(23)

Figura 3.11 – Para os retornos do Banespa (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 2 (correlação 0,011), temos: (a) gráfico de dispersão, (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada ˆ2(x)

τ

σ , e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 0.3 -0. 2 0. 0 0. 2 Xt Xt+ 2 -0.06 -0.02 0.00 0.02 0.04 0.06 -0. 3 -0. 1 0. 1 0. 3 x -0.06 -0.02 0.00 0.02 0.04 0.06 0. 000 0. 002 0. 004 x -0.06 -0.02 0.00 0.02 0.04 0.06 -1 .0 -0 .5 0. 0 0.5 1. 0 x τ βˆ 2 ˆτ σ ρˆτ (d) (c) (b) (a)

(24)

Figura 3.12 – Para os retornos do Banespa (Xt) no período de 2/jan/95 a 27/dez/00 com defasagem 3 (correlação 0,017), temos: gráfico de dispersão, (b) coeficiente angular local estimado βˆ xτ( ), (c) variância condicional local estimada ˆ2(x)

τ

σ , e (d) curva de autocorrelação estimada ρˆ xτ( ).

-0.2 -0.1 0.0 0.1 0.2 0.3 -0. 2 0. 0 0. 2 Xt Xt+ 3 -0.06 -0.02 0.00 0.02 0.04 0.06 -0. 3 -0. 1 0. 1 0. 3 x -0.06 -0.02 0.00 0.02 0.04 0.06 0. 000 0. 002 0. 004 x -0.06 -0.02 0.00 0.02 0.04 0.06 -1 .0 -0 .5 0. 0 0.5 1. 0 x τ βˆ 2 ˆτ σ ρˆτ (d) (c) (b) (a)

Referências

Documentos relacionados

A tem á tica dos jornais mudou com o progresso social e é cada vez maior a variação de assuntos con- sumidos pelo homem, o que conduz também à especialização dos jor- nais,

2 - OBJETIVOS O objetivo geral deste trabalho é avaliar o tratamento biológico anaeróbio de substrato sintético contendo feno!, sob condições mesofilicas, em um Reator

4.4.3 Um profissional N2 só poderá estar em supervisão remota, ou exercer supervisão direta em serviços urbanos simples, se possuir 1500 h de trabalho e 1,5 anos de experiência como

Os fungos micorrízicos arbusculares (FMAs) são componentes da biota do solo e essenciais a sustentabilidade dos ecossistemas e ao estabelecimento de plantas em programas

A placa EXPRECIUM-II possui duas entradas de linhas telefônicas, uma entrada para uma bateria externa de 12 Volt DC e uma saída paralela para uma impressora escrava da placa, para

No entanto, maiores lucros com publicidade e um crescimento no uso da plataforma em smartphones e tablets não serão suficientes para o mercado se a maior rede social do mundo

investimentos obedecerá às regras estabelecidas na Constituição Federal, na Constituição do Estado, nas normas de direito financeiro e nos preceitos desta Lei Orgânica. A