Análise dinâmica de volatilidade para os setores do mercado acionário brasileiro: uma aplicação do modelo mrs-garch

Dynamic analysis of volatility for the brazilian stock market sector: a aplication of mrs-garch model

Bruno Pereira Conte

Resumo


Nesse artigo, foi proposta uma análise da dinâmica de volatilidade nos setores do mercado acionário brasileiro, fazendo-se assim um estudo nos principais índices setoriais da BM&F Bovespa. Utilizou-se o modelo de regimes de Markov. Como resultados, inicialmente se observou a ausência de efeito alavancagem na maioria dos regimes das séries. Além disso, houve um predomínio de assimetria bem como a persistência de volatilidade para a maior parte dos regimes dos índices. Notou-se também uma grande similaridade entre o mercado brasileiro e o setor Financeiro, sendo ambos com regimes muito próximos, além de possuírem volatilidade com característica de maior persistência após o ano de 2013. Outra similaridade encontrada foi entre o setor de Utilidade Pública e o setor de Energia Elétrica, ambos caracterizados pela grande alternância entre os regimes estimados. Assim, foi possível concluir que cada setor do mercado acionário brasileiro tem um comportamento distinto, captado pelos diferentes regimes estimados.


Palavras-chave


Índices setoriais; Mercado brasileiro; Volatilidade; Regimes de volatilidade

Texto completo:

PDF HTML

Referências


AKAIKE, H. (1974). “A new look at the Statistical Model Identification”. IEEE Transactions on Automatic Control. 19(6), 716-723.

ALEXANDER, S, THIERRY, C. & KATERYNA, S. (2009). Volatility Models: from GARCH to Multi-Horizon Cascades. Documents de travail du Centre d’Economie de la Sorbonne. n 36 ISSN: 1955-611X.

ALIZADEH, A. H., NOMIKOS, N. K. & POULIASIS, P. K. (2008), A Markov regime switching approach for hedging energy commodities. Journal of Banking and Finance. n 32, p 1970-1983.

ARDIA, D., BLUTEAU, K., BOUDT, K. & CATANIA, L. (2017). “Forecasting Risk with Markov-Switching GARCH models: A Large-Scale Performance Study”. 3 January, 2018. Avaiable: https://ssrn.com/abstract=2918413 or http://dx.doi.org/10.2139/ssrn.2918413.

BAILLIE, R., CHUNG, C. F. & TIESLAU, M. A. (1996). Analyzing inflation by the fractionally integrated ARFIMA-GARCH model. Journal of applied Econometrics, 11, p. 23-40.

BOHL, M. T., SALM, C. A. & WILFLING, B. (2011). Do individual index futures investors destabilize the underlying spot market? Journal of Futures Markets. 31, 81-101.

BOLLERSLEV, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics. 31, 307-328.

BOLSA DE VALORES, MERCADORIAS E FUTUROS DE SÃO PAULO. (2018). Índices setoriais. 31 Dezembro, 2017. Disponível em: http://www.bmfbovespa.com.br/pt_br/produtos/indices.

CAI, J. (1994). A Markov model of unconditional variance in ARCH. Journal of Business and Economic Statistics 12, 309-316.

CHLEBUS, M. (2016). EWS-GARCH: New Regime Switching Approach to Forecast Value-at-Risk. [Working paper nº6/2016 (197)]. University of Warsaw, Poland.

ENGLE, R. F. (1982). Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica. 50, 987-1007.

FGV PROJETOS. (2014). Perfil da Cadeia Produtiva da Construção e da Indústria de Materiais e Equipamentos, da Abramat. 11 Janeiro, 2018. Disponível em: http://www.abramat.org.br/datafiles/publicacoes/materiais-equipamentos2014.pdf.

FILHO, F. H. B. (2017). A crise econômica de 2014/2017. Estudos avançados. 31, n.89, 51-60.

GLOSTEN, L. R., JAGANNATHAN, R. & RUNKLE, D. E. (1993). On the relation between expected value and the volatility of the nominal excess return on stocks. Journal of Finance. 48, 1779-1801.

GÜNAY, S. (2015). Markov Regime Switching Generalized Autorregressive Conditional Heteroskedastic Model and Volatility Modeling for Oil Returns. International Journal of Energy, Economics and Policy. 5(4), 979-985.

HAAS, M., STEFAN, M. & MARC S. P. (2004). A new approach to Markov-switching GARCH models. Journal of Financial Econometrics. 2, 493-530.

HAMILTON, J. D. (1988). Rational expectations econometric analysis of changes in regime: An investigation of the term structure of interest rates. Journal of Economic Dynamics and Control. 12, 385-423.

HAMILTON, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica. 57, 357-384.

HAMILTON, J. D. & SUSMEL, R. (1994). Autoregressive conditional heteroskedasticity and changes in regime. Journal of Econometrics. 64, 307-333.

HALL, H. (2014). Political Economy Principles in Europe may be changed by the Economic Crisis Governance. 31 December, 2017, Avaiable: http://speri.dept.shef.ac.uk/wp-content/uploads/2013/06/SPERI_Paper_Hacker.pdf.

HENRY, O. T. (2009). Regime switching in the relationship between equity returns and short-term interest rates in the UK. Journal of Banking and Finance. 33, 405-414.

KLAASSEN, F. (2002). Improving GARCH volatility forecasts with regime-switching GARCH. In Advances in Markov-Switching Models. Empirical Economics. 27, 223-254.

KRITZMAN, M., PAGE, S. & TURKINGTON, D. (2012). Regime shifts: Implications for dynamic strategies. Financial Analysts Journal. 68(3), 22-39.

MARCUCCI, J. (2005). Forecasting stock market volatility with regime-switching GARCH models. Studies in Nonlinear Dynamics & Econometrics. 9, 1558-3708.

NELSON, D. B. (1991). Conditional heteroskedasticity in asset returns: a new approach. Econometrica. 59, 347-370.

PEREIRA, A. P., PALMUTI, C., JÚNIOR, P. S. P., SILVA, S. W. & ALVES, A. P. (2017). A influência dos índices setoriais da bolsa de valores sobre o índice IBOVESPA: uma análise estatística-econométrica no período 2015 e 2016. In: XX SEMEAD Seminários em Administração. ISSN 2177-3866.

REHER, G. & WILFING, B. (2011). Markov-Switching GARCH models in finance: a unifying framework with an application to the German stock market. Masters dissertation. University of Münister, WWU, Germany.

SCHWARTZ, G. (1976). Estimating the Dimension of a Model. The Annals of Statistics. Vol. 6, No. 2. pp. 461-464.

WENNSTRÖM, A. (2014). Volatility Forecasting Performance of GARCH type volatility models on Nordic equity indexes. Master of Science. Department of Mathematics. Royal Institute of Technology, KTH, Stockholm, Sweden.

WILFLING, B. (2009). Volatility regime-switching in European exchange rates prior to monetary unification. Journal of International Money and Finance. 28, 240-270.

ZAKOIAN, J. M. (1994). Threshold heteroscedastic models. Journal of Economic Dynamics and Control. 18, 931-955.

ZHANG, Y., YAO, T. & HE, L. (2015). Forecasting crude oil market volatility: can the Regime Switching GARCH model beat the single-regime GARCH models? 03 January, 2018. Avaiable: https://www.researchgate.net/publication/286301906_Forecasting_crude_oil_market_volatility_can_the_Regime_Switching_GARCH_model_beat_the_singleregime_GARCH_models.

ZHANG, Y. & WANG, J. (2015). Exploring the WTI crude oil price bubble process using the Markov regime switching model. Physica A: Statistical Mechanics and its Applications. 421, 377-387.

ZHANG, Y. & ZHANG, L. (2015). Interpreting the crude oil price movements: evidence from the Markov regime switching model. Applied Energy. 143, 96-109.




Direitos autorais 2021 Bruno Pereira Conte

Revista Capital Científico – Eletrônica (RCCe) Rua: Padre Salvador, 875 – Bairro Santa Cruz CEP: 85015-430  Guarapuava-Paraná-Brasil Campus Santa Cruz – Editora UNICENTRO ISSN  2177-4153 (Online)

Creative Commons License
This work is licensed under a Creative Commons Attribution 3.0 Unported License.