Volatilidade in-sample versus rolling sample

Para uma série temporal de retornos, você pode estimar a volatilidade GARCH usando o método sigma() aplicado ao resultado de ugarchfit ou usando o método as.data.frame() no resultado de ugarchroll. A diferença é que ugarchfit gera uma estimativa in-sample de volatilidade, obtida ao estimar o modelo GARCH uma única vez usando a série completa, enquanto ugarchroll reestima o modelo e usa apenas os retornos realmente observáveis no momento da estimação. Neste exercício, você vai comparar as previsões de volatilidade resultantes para os retornos diários do S&P 500 usando um modelo GJR GARCH com AR(1) e distribuição t assimétrica (skewed). A especificação GARCH a ser usada já está definida e disponível como garchspec, enquanto os dados estão em sp500ret.

Este exercício faz parte do curso

Modelos GARCH em R

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Estimate the GARCH model using all the returns and compute the in-sample estimates of volatility
garchinsample <- ___(data = sp500ret, spec = garchspec)
garchvolinsample <- ___(___)

Editar e executar o código

Este exercício faz parte do curso

Modelos GARCH em R

AvançadoNível de habilidade

4.8+

Iniciar curso de graça

Vamos começar colocando a mão na massa. Uma análise com janela móvel dos retornos diários de ações mostra que seu desvio padrão muda bastante ao longo do tempo. Olhando para o passado, temos evidências claras de volatilidade variável no tempo. Olhando para frente, precisamos estimar a volatilidade dos retornos futuros. É exatamente isso que um modelo GARCH faz! Neste capítulo, você vai aprender o básico de como usar o pacote rugarch para especificar e estimar o modelo GARCH(1,1) padrão no R. Encerramos mostrando sua utilidade na alocação tática de ativos.

Exercise 1: Analisando a volatilidade Exercise 2: Calculando retornos Exercise 3: Desvio padrão em subamostras Exercise 4: Roda, roda, roda Exercise 5: A equação GARCH para previsão de volatilidade Exercise 6: Reação do GARCH(1,1) a choques pontuais Exercise 7: Erros de previsão Exercise 8: A natureza recursiva da variância GARCH Exercise 9: O pacote rugarch Exercise 10: Especifique e experimente os sabores do modelo GARCH Exercise 11: Previsão fora da amostra Exercise 12: Mira de volatilidade na alocação tática de ativos

Os mercados sobem de escada e descem de elevador. Essa sabedoria de Wall Street tem consequências importantes para especificar um modelo de volatilidade realista. É preciso abandonar a suposição de normalidade, assim como a resposta simétrica da volatilidade a choques. Neste capítulo, você vai conhecer modelos GARCH com efeito de alavancagem e inovações t de Student assimétricas. Ao final, você será capaz de usar modelos GARCH para estimar mais de dez mil diferentes especificações de modelos GARCH.

Exercise 1: Não normalidade dos retornos padronizados Exercise 2: Parâmetros da distribuição t de Student assimétrica Exercise 3: Estimação de modelo GARCH não normal Exercise 4: Retornos padronizados Exercise 5: Efeito alavanca Exercise 6: Curva de impacto das notícias Exercise 7: Estimativa do modelo GJR GARCH Exercise 8: Modelo da média Exercise 9: Prevendo retornos Exercise 10: A dinâmica AR(1)-GJR GARCH dos retornos da MSFT Exercise 11: Efeito do modelo de média nas previsões de volatilidade Exercise 12: Evite complexidade desnecessária Exercise 13: Escolhas de modelagem Exercise 14: Fixando parâmetros do GARCH Exercise 15: Limites de parâmetros e impacto nas previsões Exercise 16: Variance targeting

Modelos GARCH geram previsões de volatilidade que servem de insumo para decisões financeiras. Seu uso na prática exige primeiro avaliar a qualidade da previsão de volatilidade. Neste capítulo, você vai aprender sobre a análise de significância estatística dos parâmetros GARCH estimados, as propriedades dos retornos padronizados, a interpretação de critérios de informação e o uso de estimação GARCH rolante e erros quadráticos médios de previsão para analisar a precisão da previsão de volatilidade.

Exercise 1: Significância estatística Exercise 2: Teste de significância Exercise 3: Analisando o resultado da estimação Exercise 4: Um modelo melhor para os retornos de EUR/USD Exercise 5: Qualidade do ajuste Exercise 6: Parcimônia Exercise 7: Erros quadráticos médios de previsão Exercise 8: Comparando verossimilhança e critérios de informação Exercise 9: Diagnosticando retornos padronizados absolutos Exercise 10: Validação das suposições do modelo GARCH Exercise 11: Correlograma e teste de Ljung-Box Exercise 12: Mudar a amostra de estimação Exercise 13: Backtesting com ugarchroll Exercise 14: Argumentos do ugarchroll Exercise 15: Volatilidade in-sample versus rolling sample

Exercício atual

Exercise 16: Corrida de cavalos

Neste ponto, você domina a especificação, estimação e validação padrão de modelos GARCH no pacote rugarch. Este capítulo apresenta funcionalidades específicas do rugarch para calcular estimativas de value-at-risk, usar o modelo GARCH em produção e simular retornos GARCH. Você também vai descobrir que a presença de dinâmica GARCH na variância tem implicações para simular log-retornos, estimar o beta de uma ação e encontrar o portfólio de variância mínima.

Exercise 1: Value-at-risk Exercise 2: Gráfico de VaR Exercise 3: Comovimento entre volatilidade prevista e VaR Exercise 4: Sensibilidade da cobertura ao modelo de distribuição Exercise 5: Para produção e simulação Exercise 6: Retornos reais versus simulados Exercise 7: Uso em produção Exercise 8: Uso em simulação Exercise 9: Risco de modelo Exercise 10: Robustniks Exercise 11: Valores iniciais Exercise 12: Covariância GARCH Exercise 13: Estimativa do beta Exercise 14: Pesos do portfólio de variância mínima Exercise 15: GARCH & Cia.Exercise 16: Parabéns