Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introdução
• Tsay, Ruey S. Analysis of Financial Time Series: Financial
Econometrics. John Willey & Sons, Inc., 2005, Second Edition,
chapter 1.
http://faculty.chicagogsb.edu/ruey.tsay/teaching/fts2/
Além disso, dados financeiros são observados em mais alta freqüência que
dados macroeconômicos (high frequency). Geralmente, observamos preços
de ativos e retorno diariamente, por hora, ou até por minuto. Isso torna o
tamanho da amostra potencialmente grande.
Retorno de 1 período
t −1 t −1
1
Pt
1 + Rt = é o retorno simples bruto.
Pt −1
2
Para um portfólio:
O retorno simples líquido de uma carteira com N ativos é a média
ponderada dos retornos líquidos simples desses ativos, em que o peso é o
percentual de cada ativo na carteira.
Excesso de retorno:
Excesso de retorno de um ativo é a diferença entre o retorno do ativo e o
retorno de algum ativo de referência, normalmente um ativo riskless
(como um U.S. Treasury Bill de curto prazo).
Z t = Rt − Rt f
Rt f = T-bill rate
3
Tomando logaritmo natural da expressão para tempo contínuo pode-se ver
que o retorno composto continuamente de um ativo, rt, pode ser escrito
como o logaritmo natural do retorno bruto simples (é chamado de log
retorno):
P
rt = ln(1 + Rt ) = ln t = pt − pt −1 , em que pt = ln Pt
Pt −1
P
∴ exp(rt ) = 1 + Rt = t ⇒ Pt = Pt −1 exp(rt )
Pt −1
E portanto, multiperíodo:
rt [k ] = ln (1 + Rt [k ]) = ln ((1 + Rt )(1 + Rt −1 )L (1 + Rt −k +1 ) )
= ln(1 + Rt ) + ln(1 + Rt −1 ) + L + ln(1 + Rt −k +1 )
= rt + rt −1 + L + rt −k +1
k −1
= ∑ rt − j
j =0
1 k −1
rA = ∑ rt − j , é a média aritmética.
k j =0
4
Para um portfólio:
( )
rp ,t = ln(1 + R p ,t ) = ln 1 + ∑i =1 xi Rit ≠ ∑i =1 xi rit .
N N
Excesso de retorno:
zt = rt − rt f
em que rt = ln(1 + Rt )
f f
Propriedades Estatísticas
Considere uma coleção de N ativos e T períodos de tempo (t = 1, 2, ..., T).
Então temos:
Log return: {rit ; i = 1,K, N ; t = 1,K, T }
Simple return: {Rit ; i = 1, K , N ; t = 1, K , T }
Excess return: {Z it ; i = 1,K, N ; t = 1,K, T }
Log excess return: {zit ; i = 1, K , N ; t = 1, K, T }
Revisão estatística:
5
Distribuição marginal de probabilidade:
x ∞ x
FX ( x;θ ) = P( X ≤ x) = ∫ ∫ f x , y ( w, z;θ )dwdz = ∫ f x ( w;θ )dw
−∞ −∞ −∞
Densidades marginais:
∞ ∞
f x ( x;θ ) = ∫ f x , y ( x, y;θ )dy e f y ( y;θ ) = ∫ f x , y ( x, y;θ )dx
−∞ −∞
Distribuição condicional:
P ( X ≤ x, Y ≤ y )
FX |Y ≤ y ( x;θ ) =
P(Y ≤ y )
Densidade condicional:
f ( x , y; θ )
f x| y ( x;θ ) = x , y
f y ( y; θ )
X e Y independentes, se e somente se f x| y ( x; θ ) = f x ( x; θ ) .
Momento de ordem l:
∞
m'l = E ( X l ) = ∫ x l f ( x)dx
−∞
Logo, a média é simplesmente o momento de ordem 1 (µx).
−∞
( x − µ x ) f ( x)dx
l
6
A variância é o momento centrado na média de ordem 2 (σx2).
σ x2 = E[( X − µ x )2 ] = E ( X 2 ) − [E ( X )]2
Desvio-padrão = σ x = σ x é a medida de dispersão.
2
Obs.:
1) Os dois primeiros momentos definem completamente uma distribuição
normal. X ~ N ( µ x , σ x ) . Outras distribuições precisam de momentos de
2
ordem superior.
2) O momento central de ordem 3 mede a assimetria.
3) O momento central de ordem 4 mede a curtose (peso da calda).
7
T
1
ˆ
Curtose amostral: K ( x) = (T − 1)σˆ 4 ∑ (x − µˆ )
t =1
t x
4
1) H0: S ( x) = 0 , H1: S ( x) ≠ 0
t = Sˆ ( x) 6T , e usa distribuição assint. normal padrão
2) H0: K ( x) − 3 = 0 , H1: K ( x) − 3 ≠ 0
t = ( Kˆ ( x) − 3) 24T , e usa distribuição assint. normal padrão
Distribuição de Retornos:
CAPM (capital asset pricing model) de Sharpe (1964): foca o estudo sobre
a distribuição de N ativos para um único período t, {r1t , K , rNt } , aplicando
modelos estáticos.
8
Outros estudos focam na estrutura dinâmica de um ativo individual,
{ri1 , K, riT } , aplicando modelos de séries temporais.
1) Distribuição Normal:
problemas:
i) o limite inferior de um retorno simples é -1 (quando o Pt 0), mas a
distribuição normal não tem limite inferior (-∞).
ii) mesmo assumindo Ri normalmente distribuído, Rit[k] não será
normalmente distribuído pois é o produto de retornos de um período.
iii) a hipótese de normalidade não se sustenta em muitos estudos
empíricos, pois a distribuição dos retornos tende a ter excesso de curtose
(cauda pesada).
2) Distribuição Lognormal:
9
m1 + 1 m2
E (rt ) = ln Var (rt ) = ln1 +
2
1 + m /(1 + m )2 , (1 + m )
2 1 1
Por outro lado, estudos empíricos ainda mostram que a lognormal não é
consistente com todas as propriedades observáveis da distribuição
empírica, em particular, o excesso de curtose.
rt ~ (1 − α ) N ( µ , σ 12 ) + αN ( µ , σ 22 ), 0 ≤ α ≤ 1, σ 12 < σ 22
Seja rt = (r1t , K, rNt )' um vetor de log retornos para N ativos no período t.
T
Queremos tratar a distribuição conjunta de {rt }t =1 , mas que pode ser
particionada pelo produto das distribuições condicionais:
F (r1 , K, rT ;θ ) = F (r1 ) F (r2 | r1 ) L F (rT | rT −1 , K, r1 )
T
= F (r1 )∏ F (rt | rt −1 , K, r1 )
t =2
Neste caso, temos um vetor de médias e uma matriz de variância-
covariância dos retornos:
E (r ) = µr = [ E (r1 ), K , E (rN )]'
Cov(r ) = Σ r = E[(r − µr )(r − µr )' ]
10
Dado uma amostra com T informações para os N ativos, a média e
covariância amostral são definidas por:
1 T
1 T
µ̂r = ∑ rt ,
T t =1
ˆ
Σr = ∑
T − 1 t =1
(rt − µˆ r )(rt − µˆ r )'
Temos,
f (r1, K, rT ;θ ) = f (r1;θ ) f (r2 | r1;θ ) L f (rT | rT −1 , K, r1;θ )
T
= f (r1;θ )∏ f ( rt | rt −1 , K, r1;θ )
t =2
T
1 − (rt − µt )2
f (r1, K, rT ;θ ) = f (r1;θ )∏ exp
t =2 2π σ t 2 σ t
2
E a log-verossimilhança,
1 T (rt − µt )2
ln f (r1 , K, rT ;θ ) = ln f (r1;θ ) − ∑ ln(2π ) + ln(σ t ) +
2
2 t =2 2σ t
2
11
Popriedades empíricas dos retornos
12
Observações marcantes:
1) Retornos diários têm maior excesso de retorno (peso na cauda) que
retornos mensais;
13
2) Para dados mensais, o retorno de mercado tem maior excesso de
retorno em relação aos ativos individuais;
3) A média para retornos diários é muito próxima de zero e para
retornos mensais é ligeiramente maior;
4) Retornos mensais têm maior desvio-padrão que retornos diários;
5) Para dados diários, o desvio-padrão para o retorno de mercado é
menor que para ativos individuais e que está de acordo com o senso
comum;
6) Não há problema de assimetria;
7) As diferenças entre retornos simples e log retornos não são tão
substanciais.
8) Os valores extremos máximos e mínimos podem ser muito grandes.
Retornos extremos negativos são importantes para ver o risco do
negócio e os retornos extremos positivos são críticos para manter
uma posição no curto prazo.
14
A hipótese de normalidade é questionável. Tem maior massa próxima da
média e uma cauda mais pesada que a distribuição normal.
Exercícios:
15