This thesis investigates the predictability of trading strategies in the European and American stock market from 2001 to 2013. More specific, we examine the indices CAC40, DAX, FTSE100, NASDAQ and S&P500 first with the simple moving averages, then with trading rules based on the forecasts of time – series models and finally with the combination of the technical trading rules and time –series models. The significance of the examined trading rules tested with standard t – tests. The standard tests results show that technical trading rules are the most profitable strategy, second follows the combined and then the time – series rules as the least profitable trading strategy related to buy – and – hold strategy. / Σκοπός της παρούσας εργασίας είναι η διερεύνηση της προβλεπτικής δυνατότητας στρατηγικών επενδύσεων που εφαρμόζονται στην Ευρωπαϊκή και Αμερικάνικη χρηματιστηριακή αγορά, για τη χρονική περίοδο 2001-2013. Πιο συγκεκριμένα θα εξετασθούν οι δείκτες CAC 40, DAX, FTSE 100, NASDAQ και S&P 500, με κανόνες κινητών μέσων όρων, με κανόνες που βασίζονται σε μοντέλα πρόβλεψης χρονολογικών σειρών και με κανόνες συνδυαστικών των δύο ανωτέρω. Οι παραπάνω στρατηγικές θα συγκριθούν με την στρατηγική διακράτησης (Buy-and-Hold), που έχει ορισθεί ως benchmark στρατηγική και η σημαντικότητα των αποτελεσμάτων θα εξετασθεί με στατιστικούς ελέγχους t-statistics.

Desde Markowitz (1952), a volatilidade tem ocupado um papel de grande importância dentro da moderna teoria das finanças. Durante muito tempo, a mensuração da volatilidade tem sido realizada a partir de dados diários. No entanto, a disponibilização de dados intradiários, somada à redução do custo de aquisição destes, tem permitido a criação de modelos baseados nestes dados, o que permite incorporar mais informação, e em teoria, proporcionar previsões mais eficientes em comparação aos modelos que incorporam dados diários apenas. Dessa forma, o objetivo foi verificar se a modelagem da volatilidade a partir da utilização de dados diários é mais eficiente que a modelagem a partir de dados diários em termos de previsão da volatilidade futura. Utilizou-se, para comparar os modelos, a lucratividade de operações estruturadas no mercado de derivativos entre janeiro e abril de 2011. Os resultados demonstram que tantos os modelos baseados em dados diários como intradiarios apresentaram resultados satisfatórios em termos de previsão da volatilidade futura, tendo, entretanto, os modelos intradiários apresentado mais consistentes se comparado aos modelos diários, além de serem mais simples de serem estimados. / Since Markowitz (1952), volatility has played a major role in modern finance theory. For a long time, the measurement of volatility has been made from daily data. However, the availability of intraday data, added to reduce of the cost of these has allowed the creation of models based on these data, which allows to incorporate more information, and, in theory, provide more efficient forecasts compared to models that incorporate daily data only. Thus, the objective was to verify if the modeling of volatility from the use of daily data is more efficient than the model from daily data in terms of forecasting future volatility. Was used to compare the models, the profitability of structured transactions in the derivatives market between January and April 2011. The results show that both daily and intraday models showed satisfactory results in terms of forecasting future volatility, with, however, higher consistent of intraday models compared to daily models, being simpler to estimated them too.

A estimação e previsão da volatilidade de ativos são de suma importância para os mercados financeiros. Temas como risco e incerteza na teoria econômica incentivaram a procura por métodos capazes de modelar a variância condicional que evolui ao longo do tempo. O objetivo central desta dissertação foi modelar via modelos ARCH – GARCH e modelos aditivos o índice do IBOVESPA e o ativo PETR4 para analisar a existência de correlação entre as volatilidades estimadas. A estimação da volatilidade dos ativos no método paramétrico foi realizada via modelos EGARCH; já para o método não paramétrico, utilizouse os modelos aditivos com 5 defasagens. / Volatility estimation and forecasting are very important matters for the financial markets. Themes like risk and uncertainty in modern economic theory have encouraged the search for methods that allow for modeling of time varying variances. The main objective of this dissertation was estimate through GARCH models and additive models of IBOVESPA and PETR4 assets; and analyzes the existence of correlation between volatilities estimated. We use EGARCH models to estimate through parametric methods and use additive models 5 to estimate non parametric methods.

O estudo da volatilidade dos retornos dos ativos ocupa um lugar de destaque dentro da moderna teoria de finanças. Tradicionalmente, os modelos empregados para a modelagem da volatilidade são estimados a partir de dados diários. No entanto, a recente disponibilidade de dados intradiários tem permitido a modelagem e a previsão da volatilidade dos ativos por meio da chamada variância realizada. Dessa forma, o objetivo principal da presente dissertação foi analisar como os modelos que incorporam dados intradiários se comportam, em termos de acurácia de previsão de volatilidade diária, em relação àqueles que utilizam apenas dados diários. Foram observados os comportamentos dos índices Ibovespa e S&P 500 durante o período de janeiro de 2006 a junho de 2009. Os resultados revelaram que o desempenho de previsão dos modelos estimados a partir de dados diários foi superior ao dos modelos de variância realizada para os dois índices. Buscou-se ainda comparar o comportamento dos modelos durante o período da crise de 2008. Novamente os resultados apontaram para uma melhor acurácia de previsão dos modelos que utilizaram apenas dados diários. / The study of volatility in asset returns is relevant within the modern theory of finance. Modeling volatility has been frequently based on daily data. Recent availability of intraday data has allowed volatility modeling and forecasting through the so called realized variance. The main objective of this master’s thesis was, therefore, to compare the accuracy of daily volatility forecasting between models that use either daily or intraday data. Returns during the period January 2006 to June 2009 on two indexes, the Ibovespa and the S&P 500, were used. Results showed that, for both indexes, forecasting based on daily data was superior to forecasting that used intraday returns. Comparison between models was also tested during the 2008 crisis. Similarly, results showed a better forecasting performance of daily data models.

As séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, a sua variabilidade, representada pela volatilidade, consiste em importante informação para o mercado. Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções de distintas classes, possuindo a propriedade de aproximadores universais. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (Feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, é proposto um modelo híbrido que combina o modelo GARCH e redes neurais. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a choques de maior magnitude e sua suavidade, do que quantitativas, apresentando critérios de erros de previsão em relação a uma medida de volatilidade benchmark muito próximos. / The financial time series are characterized by complex and non-linear behaviors. In addition to the financial market trend in prices their variability or volatility, a risk estimate, is important information for the market players. Neural networks are flexible nonlinear models capable of describing functions of different classes, having the property of universal approximators. This paper employs neural networks, specifically one hidden layer feedforward Multilayer Perceptron, for volatility forecasting. Moreover, we propose a hybrid model that combines the GARCH model with neural networks. The GARCH and neural network models are estimated over two financial series: the S&P500 composite index and prices of Brent oil. The results indicate that the volatility approximated by neural networks is very similar to that estimated by the traditional GARCH models, while their differences are more qualitative than quantitative, with information content that differs from and complements each other for different market environments.

A estimação e previsão da volatilidade de ativos são de suma importância para os mercados financeiros. Temas como risco e incerteza na teoria econômica incentivaram a procura por métodos capazes de modelar a variância condicional que evolui ao longo do tempo. O objetivo central desta dissertação foi modelar via modelos ARCH – GARCH e modelos aditivos o índice do IBOVESPA e o ativo PETR4 para analisar a existência de correlação entre as volatilidades estimadas. A estimação da volatilidade dos ativos no método paramétrico foi realizada via modelos EGARCH; já para o método não paramétrico, utilizouse os modelos aditivos com 5 defasagens. / Volatility estimation and forecasting are very important matters for the financial markets. Themes like risk and uncertainty in modern economic theory have encouraged the search for methods that allow for modeling of time varying variances. The main objective of this dissertation was estimate through GARCH models and additive models of IBOVESPA and PETR4 assets; and analyzes the existence of correlation between volatilities estimated. We use EGARCH models to estimate through parametric methods and use additive models 5 to estimate non parametric methods.

O estudo da volatilidade dos retornos dos ativos ocupa um lugar de destaque dentro da moderna teoria de finanças. Tradicionalmente, os modelos empregados para a modelagem da volatilidade são estimados a partir de dados diários. No entanto, a recente disponibilidade de dados intradiários tem permitido a modelagem e a previsão da volatilidade dos ativos por meio da chamada variância realizada. Dessa forma, o objetivo principal da presente dissertação foi analisar como os modelos que incorporam dados intradiários se comportam, em termos de acurácia de previsão de volatilidade diária, em relação àqueles que utilizam apenas dados diários. Foram observados os comportamentos dos índices Ibovespa e S&P 500 durante o período de janeiro de 2006 a junho de 2009. Os resultados revelaram que o desempenho de previsão dos modelos estimados a partir de dados diários foi superior ao dos modelos de variância realizada para os dois índices. Buscou-se ainda comparar o comportamento dos modelos durante o período da crise de 2008. Novamente os resultados apontaram para uma melhor acurácia de previsão dos modelos que utilizaram apenas dados diários. / The study of volatility in asset returns is relevant within the modern theory of finance. Modeling volatility has been frequently based on daily data. Recent availability of intraday data has allowed volatility modeling and forecasting through the so called realized variance. The main objective of this master’s thesis was, therefore, to compare the accuracy of daily volatility forecasting between models that use either daily or intraday data. Returns during the period January 2006 to June 2009 on two indexes, the Ibovespa and the S&P 500, were used. Results showed that, for both indexes, forecasting based on daily data was superior to forecasting that used intraday returns. Comparison between models was also tested during the 2008 crisis. Similarly, results showed a better forecasting performance of daily data models.

As séries temporais financeiras são marcadas por comportamentos complexos e não-lineares. No mercado financeiro, além da trajetória das cotações, a sua variabilidade, representada pela volatilidade, consiste em importante informação para o mercado. Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções de distintas classes, possuindo a propriedade de aproximadores universais. Este trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas camadas com uma única camada escondida alimentada para frente (Feedforward Multilayer Perceptron), para a previsão da volatilidade. Mais ainda, é proposto um modelo híbrido que combina o modelo GARCH e redes neurais. Os modelos GARCH e redes neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a choques de maior magnitude e sua suavidade, do que quantitativas, apresentando critérios de erros de previsão em relação a uma medida de volatilidade benchmark muito próximos. / The financial time series are characterized by complex and non-linear behaviors. In addition to the financial market trend in prices their variability or volatility, a risk estimate, is important information for the market players. Neural networks are flexible nonlinear models capable of describing functions of different classes, having the property of universal approximators. This paper employs neural networks, specifically one hidden layer feedforward Multilayer Perceptron, for volatility forecasting. Moreover, we propose a hybrid model that combines the GARCH model with neural networks. The GARCH and neural network models are estimated over two financial series: the S&P500 composite index and prices of Brent oil. The results indicate that the volatility approximated by neural networks is very similar to that estimated by the traditional GARCH models, while their differences are more qualitative than quantitative, with information content that differs from and complements each other for different market environments.

Desde Markowitz (1952), a volatilidade tem ocupado um papel de grande importância dentro da moderna teoria das finanças. Durante muito tempo, a mensuração da volatilidade tem sido realizada a partir de dados diários. No entanto, a disponibilização de dados intradiários, somada à redução do custo de aquisição destes, tem permitido a criação de modelos baseados nestes dados, o que permite incorporar mais informação, e em teoria, proporcionar previsões mais eficientes em comparação aos modelos que incorporam dados diários apenas. Dessa forma, o objetivo foi verificar se a modelagem da volatilidade a partir da utilização de dados diários é mais eficiente que a modelagem a partir de dados diários em termos de previsão da volatilidade futura. Utilizou-se, para comparar os modelos, a lucratividade de operações estruturadas no mercado de derivativos entre janeiro e abril de 2011. Os resultados demonstram que tantos os modelos baseados em dados diários como intradiarios apresentaram resultados satisfatórios em termos de previsão da volatilidade futura, tendo, entretanto, os modelos intradiários apresentado mais consistentes se comparado aos modelos diários, além de serem mais simples de serem estimados. / Since Markowitz (1952), volatility has played a major role in modern finance theory. For a long time, the measurement of volatility has been made from daily data. However, the availability of intraday data, added to reduce of the cost of these has allowed the creation of models based on these data, which allows to incorporate more information, and, in theory, provide more efficient forecasts compared to models that incorporate daily data only. Thus, the objective was to verify if the modeling of volatility from the use of daily data is more efficient than the model from daily data in terms of forecasting future volatility. Was used to compare the models, the profitability of structured transactions in the derivatives market between January and April 2011. The results show that both daily and intraday models showed satisfactory results in terms of forecasting future volatility, with, however, higher consistent of intraday models compared to daily models, being simpler to estimated them too.

Desde Markowitz (1952), a volatilidade tem ocupado um papel de grande importância dentro da moderna teoria das finanças. Durante muito tempo, a mensuração da volatilidade tem sido realizada a partir de dados diários. No entanto, a disponibilização de dados intradiários, somada à redução do custo de aquisição destes, tem permitido a criação de modelos baseados nestes dados, o que permite incorporar mais informação, e em teoria, proporcionar previsões mais eficientes em comparação aos modelos que incorporam dados diários apenas. Dessa forma, o objetivo foi verificar se a modelagem da volatilidade a partir da utilização de dados diários é mais eficiente que a modelagem a partir de dados diários em termos de previsão da volatilidade futura. Utilizou-se, para comparar os modelos, a lucratividade de operações estruturadas no mercado de derivativos entre janeiro e abril de 2011. Os resultados demonstram que tantos os modelos baseados em dados diários como intradiarios apresentaram resultados satisfatórios em termos de previsão da volatilidade futura, tendo, entretanto, os modelos intradiários apresentado mais consistentes se comparado aos modelos diários, além de serem mais simples de serem estimados. / Since Markowitz (1952), volatility has played a major role in modern finance theory. For a long time, the measurement of volatility has been made from daily data. However, the availability of intraday data, added to reduce of the cost of these has allowed the creation of models based on these data, which allows to incorporate more information, and, in theory, provide more efficient forecasts compared to models that incorporate daily data only. Thus, the objective was to verify if the modeling of volatility from the use of daily data is more efficient than the model from daily data in terms of forecasting future volatility. Was used to compare the models, the profitability of structured transactions in the derivatives market between January and April 2011. The results show that both daily and intraday models showed satisfactory results in terms of forecasting future volatility, with, however, higher consistent of intraday models compared to daily models, being simpler to estimated them too.