Resumo

A volatilidade possui impacto em diversas aplicações financeiras como gestão de carteiras, alocação de recursos, apreçamento de derivativos e gestão de riscos. A volatilidade é uma variável latente; diante disto, 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 (Realized Volatility - RV), métrica que utiliza as variações intradiárias. Conforme Zivot (2005) e Andersen et al. (2007) projetar a volatilidade utilizando este métrica apresentou melhor desempenho de projeção.

Um problema da área financeira é a análise de bancos de dados de negociações realizadas em tempo real e em altíssima frequência (High Frequency Trading - HFT). Um grande desafio do HFT é a gestão dos riscos, dado que o algoritmo pode apresentar retornos excelentes em um dia e revertê-los em perdas em um único momento. Deste modo, projetar a volatilidade de forma eficiente é fundamental para um melhor controle dos riscos. Diante disto, o artigo propõe a combinação dos métodos Heterogeneous Autoregressive Model of Realized Volatility - HAR e Redes Neurais para melhor projetar a volatilidade.

O modelo HAR foi sugerido em Corsi (2003). Este método de projeção é uma adaptação dos modelos HARCH propostos em Müller et al. (1997). Este método recebeu grande relevância nos últimos anos. Kuan e White (1994) apresentam a técnica de Redes Neurais como um modelo de entrada-saída de massivo paralelismo, dependência não linear e processamento de informações em multicamadas. Conforme Timmermann (2006) combinar as projeções possibilita a utilização de vários modelos em busca de minimizar os erros de previsão. A combinação de projeções demonstrou sucesso empírico em diversas aplicações econômicas

A pesquisa possuiu 4 etapas: obtenção da série de volatilidade percebida (RV), estimação dos modelos HAR e Redes Neurais, combinação das projeções e avaliação de performance. Para realizar as análises foi utilizada a série de Volatilidade Percebida do índice Bovespa no período entre 03/01/2000 a 01/10/2014, total de 2692 observações. Para estimar os modelos foi utilizada 70% da amostra total e os demais 30% para testes. Para realizar as combinações foram utilizados os métodos Pesos Iguais e Mean Squared Forecast Error. Os desempenhos foram comparados por meio das medidas RMSE e MAE.

Na comparação entre ambos os modelos dentro do período de estimação, observa-se não existir diferenças na capacidade de previsão dos métodos. Sendo que os modelos de Redes Neurais apresentaram os resultados levemente melhores quanto a minimização do erro dentro da amostra de treino. Os desempenhos observados na amostra de teste ocorreram conforme esperado pela teoria. Ou seja, combinar as projeções possibilitou minimizar erros de previsão melhor de que a escolha de um modelo individual. Os dois métodos de combinação utilizados apresentaram os menores valores de erros.

A combinação de ambas as técnicas para projeção da Volatilidade Percebida é inovativo, dado que duas áreas de conhecimento diferentes são utilizadas para melhorar o desempenho de projeções. Nos resultados fora da amostra, observou-se que a combinação de ambos os modelos resultaram numa melhor previsibilidade da Volatilidade Percebida. Consequentemente, mais eficiência para gestão de riscos. Em trabalhos futuros, mais modelos e mais métodos de combinação de projeções devem ser estudados. As análises também deverão utilizar uma quantidade maior de ativos e diferentes períodos de previsão.

CORSI, F. A simple approximate long-memory model of realized volatility. Journal of Financial Econometrics, v. 7, n. 2, p. 174-196, 2009. KUAN, C.; WHITE, H. Artificial neural networks: an econometric perspective. Econometric Reviews, v. 13, n. 1, p. 1-91, 1994. FERNANDES, M.; MEDEIROS, M. C.; SCHARTH, M. Modeling and predicting the CBOE market volatility index. Journal of Banking & Finance, v. 40, p. 1-10, 2014. TIMMERMANN, A. Forecast combinations. Handbook of economic forecasting, v. 1, p. 135-196, 2006.