Modelagem de séries temporais financeiras: uma abordagem estatística para a identificação de modelos de média condicional

Authors

  • Guilherme Keiel Universidade Federal do Rio Grande do Sul
  • Fernando Augusto Bender Universidade de Caxias do Sul (UCS)

DOI:

https://doi.org/10.18226/23185279.v6iss1p22

Abstract

A análise de séries temporais financeiras lida com a avaliação de ativos no decorrer do tempo, possibilitando o entendimento do seu comportamento dinâmico e construir modelos capazes de prever valores futuros da série. No primeiro estágio do procedimento para construção de modelos é necessária a seleção da subclasse adequada baseada nas observações do processo, para então realizar a estimação de seus parâmetros. Neste artigo é investigada uma metodologia para determinação de uma subclasse de modelos pertencentes à classe ARIMAX para a descrição de processos geradores de séries financeiras. São apresentadas condições para a determinação da subclasse adequada e do número mínimo de parâmetros em cada estrutura. Para ilustrar o método, analisou-se os dados da série diária do índice da Bolsa de Valores de São Paulo entre os anos 2000 à 2014, atestando para o uso das estruturas de modelos ARIMAX(5,5,1,2) e ARIMAX(6,6,1,2).

 

http://dx.doi.org/10.18226/23185279.v6iss1p22

References

P.A. Morettin, Econometria financeira: um curso em séries temporais

financeiras, Edgard Blücher, 2008.

G.E.P. Box and G.M. Jenkins, Time series analysis: forecasting and

control, Holden-Day series in time series analysis. Holden-Day, 1970.

G.William Schwert, “Effects of model specification on tests for unit

roots in macroeconomic data,” Journal of Monetary Economics, vol.

, no. 1, pp. 73 – 103, 1987.

Phoebus J. Dhrymes and Stavros C. Peristiani, “A comparison of

the forecasting performance of wefa and arima time series methods,”

International Journal of Forecasting, vol. 4, no. 1, pp. 81 – 101, 1988.

Tim Bollerslev, “Generalized autoregressive conditional heteroskedasticity,” Journal of Econometrics, vol. 31, no. 3, pp. 307 – 327, 1986.

Christopher G. Lamoureux and William D. Lastrapes, “Heteroskedasticity in stock return data: Volume versus garch effects,” The Journal of Finance, vol. 45, no. 1, pp. 221–229, 1990.

Antonios Antoniou and Phil Holmes, “Futures trading, information

and spot price volatility: evidence for the ftse-100 stock index futures

contract using garch,” Journal of Banking & Finance, vol. 19, no. 1,

pp. 117 – 129, 1995.

Lars-Erik Öller, “Macroeconomic forecasting with a vector arima

model: A case study of the finnish economy,” International Journal

of Forecasting, vol. 1, no. 2, pp. 143 – 150, 1985.

Charles S. Bos, Philip Hans Franses, and Marius Ooms, “Inflation,

forecast intervals and long memory regression models,” International

Journal of Forecasting, vol. 18, no. 2, pp. 243 – 264, 2002, Forecasting

Long Memory Processes.

R.S. Tsay, Analysis of Financial Time Series, Wiley Series in Probability

and Statistics. Wiley, 2005.

L. Ljung, System Identification: Theory for the User, vol. 1, Prentice

Hall, New Jersey, NJ, 1999.

D Dickey and Wayne A. Fuller, “Distribution of the estimators for

autoregressive time series with a unit root,” vol. 74, 06 1979.

W.A. Fuller, Introduction to statistical time series, Wiley series in

probability and mathematical statistics. Probability and mathematical

statistics. Wiley, 1976.

BM&FBOVESPA, Séries históricas. Disponível em:

http://www.bmfbovespa.com.br, Acesso em: 14 abr. 2016.

Downloads

Published

02/08/2018

How to Cite

Keiel, G., & Bender, F. A. (2018). Modelagem de séries temporais financeiras: uma abordagem estatística para a identificação de modelos de média condicional. Scientia Cum Industria, 6(1), 22–28. https://doi.org/10.18226/23185279.v6iss1p22

Issue

Section

Science, Education and Engineering