Desvio padrão em subamostras

Na crise financeira de 2008–2009, a volatilidade foi substancialmente maior que a média. Vamos colocar a mão na massa analisando a volatilidade dos retornos diários do índice S&P 500. Você verá que o desvio padrão no conjunto completo pode ser bem diferente do desvio padrão em subamostras. Lembre-se de que desvios padrão de retornos diários resultam em desvios padrão diários. Eles são anualizados multiplicando-os pela regra da raiz do tempo.

Os retornos diários sp500ret que você calculou no exercício anterior estão disponíveis no seu ambiente de trabalho.

Este exercício faz parte do curso

Modelos GARCH em R

Instruções do exercício

Calcule o desvio padrão diário para a amostra completa.
Calcule a volatilidade anualizada para a amostra completa.
Calcule a volatilidade anualizada para o ano de 2009 e para o ano de 2017.
A variância é o quadrado da volatilidade. Verifique que isso já foi feito para você.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Compute the daily standard deviation for the complete sample   
___(___)

# Compute the annualized volatility for the complete sample
___(___) * ___(___)

# Compute the annualized standard deviation for the year 2009 
___(___) * ___(sp500ret["2009"])

# Compute the annualized standard deviation for the year 2017 
___

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

Exercício atual

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 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