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.

Submitted by Jaqueline Silva (jtas29@gmail.com) on 2016-08-31T18:12:55Z No. of bitstreams: 2 Dissertacao - Millades de Carvalho Castro - 2016.pdf: 2898400 bytes, checksum: bbe10850391e6dda19a8504302660c5b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Jaqueline Silva (jtas29@gmail.com) on 2016-08-31T18:13:07Z (GMT) No. of bitstreams: 2 Dissertacao - Millades de Carvalho Castro - 2016.pdf: 2898400 bytes, checksum: bbe10850391e6dda19a8504302660c5b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2016-08-31T18:13:07Z (GMT). No. of bitstreams: 2 Dissertacao - Millades de Carvalho Castro - 2016.pdf: 2898400 bytes, checksum: bbe10850391e6dda19a8504302660c5b (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2016-06-03 / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / Volatility in the prices of commodities and the financial return of agricultural activities affect the choice of what to produce. The present work investigates volatilities in prices of cattle, soybeans, and corn in Rio Verde (GO, Brazil), the choice of this region should be the importance of the city in the state and national agricultural production. For this study, we analyze weekly prices of corn, soybeans and cattle in Rio Verde spot market from 2004 to 2014, using Time Series Analysis and Value at Risk. The examination of the series pointed to the presence of a conditional variance. Therefore the ARCH / GARCH models were applied. The model selected to soybean was the IGARCH (2.1) and to corn and cattle the EGARCH (1.1). Due to disproportion between the traded prices and volumes it was not possible to perform the VAR series comparison. Therefore we used the ratio between the VAR and revenue of each product to compare between markets. Results showed a higher ratio for the cattle series indicating that volatility affects cattle producers’ income more than that of soybean or corn producers in Rio Verde (GO), which resulted in the reduction of this activity in the region. / A volatilidade nos preços das commodities e o retorno financeiro das atividades agropecuárias afetam a escolha do que produzir. O presente trabalho visa investigar as volatilidades nos preços do boi e das culturas de soja e milho para o município de Rio Verde (GO, Brasil), no período de 2004 a 2014, a escolha dessa região deve-se a importância do município na produção agropecuária estadual e nacional. Para tanto, utilizou-se de dados semanais de preços de milho, soja e boi no mercado físico de Rio Verde no período de 2004 a 2014. A metodologia usada foi a usual de análise de séries temporais e cálculo do Value at Risk (VaR). O exame das séries apontou a presença de variância condicional, sendo então aplicados os modelos ARCH/GARCH.O modelo selecionado para soja foi o IGARCH (2,1) e para milho e boi o EGARCH (1,1). Posteriormente, o cômputo do VaR para cada uma das séries não é suficiente para comparação, devido a desproporção entre os preços e os volumes negociados. Logo, para que fosse possível a comparação entre os mercados, utilizou-se da razão entre VaR e a receita de cada produto. Os resultados apontaram que em média, a razão foi maior para a série bovina. Portanto, a volatilidade compromete a receita dos produtores bovinos mais do que os agricultores de milho e soja no município de Rio Verde (GO), o que implicou na redução dessa atividade na região.

Neste trabalho analisaremos a utilização dos modelos de mudança de regime markoviano para a variância condicional. Estes modelos podem estimar de maneira fácil e inteligente a variância condicional não observada em função da variância anterior e do regime. Isso porque, é razoável ter coeficientes variando no tempo dependendo do regime correspondentes à persistência da variância (variância anterior) e às inovações. A noção de que uma série econômica possa ter alguma variação na sua estrutura é antiga para os economistas. Marcucci (2005) comparou diferentes modelos com e sem mudança de regime em termos de sua capacidade para descrever e predizer a volatilidade do mercado de valores dos EUA. O trabalho de Hamilton (1989) foi uns dos mais importantes para o desenvolvimento de modelos com mudança de regime. Inicialmente mostrou que a série do PIB dos EUA pode ser modelada como um processo que tem duas formas diferentes, uma na qual a economia encontra-se em crescimento e a outra durante a recessão. O câmbio de uma fase para outra da economia pode seguir uma cadeia de Markov de primeira ordem. Utilizamos as séries de índice Bovespa e S&P500 entre janeiro de 2003 e abril de 2012 e ajustamos o modelo GARCH(1,1) com mudança de regime seguindo uma cadeia de Markov de primeira ordem, considerando dois regimes. Foram consideradas as distribuições gaussiana, t de Student e generalizada do erro (GED) para modelar as inovações. A distribuição t de Student com mesmo grau de liberdade para ambos os regimes e graus distintos se mostrou superior à distribuição normal para caracterizar a distribuição dos retornos em relação ao modelo GARCH com mudança de regime. Além disso, verificou-se um ganho no percentual de cobertura dos intervalos de confiança para a distribuição normal, bem como para a distribuição t de Student com mesmo grau de liberdade para ambos os regimes e graus distintos, em relação ao modelo GARCH com mudança de regime quando comparado ao modelo GARCH usual. / In this work we analyze heterocedastic financial data using Markov regime switching models for conditional variance. These models can estimate easily the unobserved conditional variance as function of the previous variance and the regime. It is reasonable to have time-varying coefficients corresponding to the persistence of variance (previous variance) and innovations. The economic series notion may have some variation in their structure is usual for economists. Marcucci (2005) compared different models with and without regime switching in terms of their ability to describe and predict the volatility of the U.S. market. The Hamiltons (1989) work was the most important one in the regime switching models development. Initially showed that the series of U.S. GDP can be modeled as a process that has two different forms one in which the economy is growing and the other during the recession. The change from one phase to another economy can follow a Markov first order chain. We use the Bovespa series index and S&P500 between January 2003 and April 2012 and fitted the GARCH (1,1) models with regime switching following a Markov first order chain, considering two regimes. We considered Gaussian distribution, Student-t and generalized error (GED) to model innovations. The t-Student distribution with the same freedom degree for both regimes and distinct degrees showed higher than normal distribution for characterizing the distribution of returns relative to the GARCH model with regime switching. In addition, there was a gain in the percentage of coverage of the confidence intervals for the normal distribution, as well as the t-Student distribution with the same freedom degree for both regimes and distinct degrees related to GARCH model with regime switching when compared to the usual GARCH model.

自從2008年金融危機爆發後，黑天鵝事件相繼出現，VIX成為投資人衡量股市波動度的重要指標。但是若投資人想使用VIX避險，僅能透過限專業投資人參與的VIX期貨。而在近年ETF產品盛行的背景下，投資標的更加多元的交易所交易債券（ETN）也應運而生，使一般投資人得以進入以往難以觸及或交易成本高昂的市場。本研究採用兩檔交易量較大之VIX ETN，分別追蹤VIX短期與中期期貨指數之VXX與VXZ，希望透過建構GARCH模型用以預測其隔日價格，並以此預測的價格近一步建構避險策略，目標係在預期空頭即將發生時，提供投資人除了VIX期貨和波動相對平穩的債券以外的避險替代工具。 建構GARCH模型的部分，本研究主要參考Kambouroudis和McMillan（2013）的文獻，在變異數方程式中加入輔助變數，可以增加模型的預測能力，故本研究在VIX ETN之GARCH模型的變異數方程式中加入VIX、短期VIX指數及中期VIX指數。實證結果顯示，在VIX ETN的GARCH模型中同時加入VIX相關指數，確實能提高配適程度並增進預測能力，尤其當加入的輔助變數與VIX ETN追蹤標的的到期期限相符時，此改善模型的效果最為顯著。 本研究接者參考Alexander和Korovilas（2012）的VIX ETN避險研究，文獻顯示，在S&P 500 ETF投資組合中加入VXX與VXZ避險可提高夏普比率。本研究在此基礎上，額外考量了不同的持有期間、進場條件、股債混合的投資組合，並分別比較兩種ETN的避險效果。本研究發現只在VIX大於20時才進場建構避險部位的策略，提前買入VIX ETN確實可以做為良好的避險工具。此外，在此策略下，VIX ETN亦則可達到比持有債券更佳的避險效果。而本研究所測試的兩種VIX ETN中，又以VXX 避險效果更佳，因VXX乃是追蹤VIX短期期貨指數，更能反映市場短期的變化，搭配滾動的避險比率，能更加精準的反應空頭時期劇烈的波動。 / Since the 2008 financial crisis, along with the black swan events, the volatility of global stock market has intensified, and VIX index becomes an important indicator for investors to measure the volatility of the stock market. However, if investors would like to use VIX index for hedge, they could only use VIX futures, which is only for professional investors to participate. In recent years, the prevalence and popularity of the various ETPs lead to the booming of VIX ETNs, which has become an alternative for regular investors to invest in VIX index. Therefore, this study hopes to build GARCH model for VIX ETN and predict their prices of the next day, and use the prediction to build hedging strategies. In this paper, this study mainly refers to the paper of Kambouroudis and McMillan (2013) to construct the VXX and VXZ prediction models. Because the two VIX ETNs track the S&P 500 VIX short-term and medium-term futures index respectively, the study add the VIX index, short-term VIX index and medium-term VIX index in the GARCH models. The empirical results show that the addition of VIX and other relevant VIX indices in the VIX ETN GARCH models can improve the forecasting ability. In particular, when the maturity of the VIX index is consistent with the maturity of the VIX ETN’s tracking target, it would improve the prediction power the most. Based on the predicted VIX ETN prices, this study then constructs the hedging strategies, considering the different holding period, the entry condition and the stock and debt mixed portfolio, and also compares the hedging effect of VXX and VXZ respectively. This study found that under the strategy that only enter the VIX ETN market when VIX was greater than 20, VIX ETN can indeed be a good hedge tool and reduce the standard deviation of the portfolio. In addition, under this strategy, if investors use VIX ETN to hedge, investors can achieve a higher return and lower standard deviation than holding a bond to hedge. Finally, among the two VIX ETNs tested in this study, VXX is a better hedge tool against VXX. It is because VXX tracks the VIX short-term futures index which reflects the short-term changes in the market and hence could reflect the short-term volatility better.

The global economy has been severely impacted during the Covid-19 period. The U.S. stock market has also experienced greater volatility. Based on data from January 2020 to June 2021, this paper studies the volatility of daily returns on the stock market in the United States. The Standard and Poor's 500 (SPX) index and eight companies traded on major exchanges such as the New York Stock Exchange and the Nasdaq are used to calculate volatility. Combining the statistical analysis methods GARCH, GARCH-M, and TARCH, the time series of each security is modeled. It is demonstrated that the conditional heteroskedasticity of stock returns depends not only on the observed historical volatility (ARCH term) but also on the conditional heteroskedasticity of prior periods (GARCH term). As expected for financial markets, the COVID-19 outbreak increased the volatility of U.S. stock market returns. After the COVID-19 outbreak, the volatility of the U.S. stock market rose dramatically. It reached an extremely high level for the first quarter of 2020 and continued to move downwards in the following quarters. The significant heteroskedasticity in the return volatility indicates that external variables significantly affect the stock. Furthermore, this study combines the Capital Asset Pricing Model (CAPM) and the research of Engle et al. (1987), which provides a way to quantify the liquidity premium. However, with the results of the GARCH-M model, this study does not find a significant liquidity premium over time. Additionally, The TARCH model reveals a significant asymmetry in stock market returns during this epidemic, suggesting that negative news has a more substantial impact on U.S. financial markets. For investors and financial institutions, this research helps identify potential volatility in the face of similar risk events. It is helpful for investors to comprehensively consider various factors when investing in special periods or consider other investment portfolios to reduce investment risks in specific periods based on research results.

Yes / This paper studies the predictive ability of corridor implied volatility (CIV) measure. It is motivated by the fact that CIV is measured with better precision and reliability than the model-free implied volatility due to the lack of liquid options in the tails of the risk-neutral distribution. By adding CIV measures to the modified GARCH specifications, the out-of-sample predictive ability of CIV is measured by the forecast accuracy of conditional volatility. It finds that the narrowest CIV measure, covering about 10% of the RND, dominate the 1-day ahead conditional volatility forecasts regardless of the choice of GARCH models in high volatile period; as market moves to non volatile periods, the optimal width broadens. For multi-day ahead forecasts narrow and mid-range CIV measures are favoured in the full sample and high volatile period for all forecast horizons, depending on which loss functions are used; whereas in non turbulent markets, certain mid-range CIV measures are favoured, for rare instances, wide CIV measures dominate the performance. Regarding the comparisons between best performed CIV measures and two benchmark measures (market volatility index and at-the-money Black–Scholes implied volatility), it shows that under the EGARCH framework, none of the benchmark measures are found to outperform best performed CIV measures, whereas under the GARCH and NAGARCH models, best performed CIV measures are outperformed by benchmark measures for certain instances.

Nas últimas décadas a volatilidade transformou-se num conceito muito importante na área financeira, sendo utilizada para mensurar o risco de instrumentos financeiros. Neste trabalho, o foco de estudo é a modelagem da volatilidade, que faz referência à variabilidade dos retornos, sendo esta uma característica presente nas séries temporais financeiras. Como ferramenta fundamental da modelação usaremos o modelo GARCH (Generalized Autoregressive Conditional Heteroskedasticity), que usa a heterocedasticidade condicional como uma medida da volatilidade. Considerar-se-ão duas características principais a ser modeladas com o propósito de obter um melhor ajuste e previsão da volatilidade, estas são: a assimetria e as caudas pesadas presentes na distribuição incondicional da série dos retornos. A estimação dos parâmetros dos modelos propostos será feita utilizando a abordagem Bayesiana com a metodologia MCMC (Markov Chain Monte Carlo) especificamente o algoritmo de Metropolis-Hastings. / In the last decades volatility has become a very important concept in the financial area, being used to measure the risk of financial instruments. In this work, the focus of study is the modeling of volatility, that refers to the variability of returns, which is a characteristic present in the financial time series. As a fundamental modeling tool, we used the GARCH (Generalized Autoregressive Conditional Heteroskedasticity) model, which uses conditional heteroscedasticity as a measure of volatility. Two main characteristics will be considered to be modeled with the purpose of a better adjustment and prediction of the volatility, these are: heavy tails and an asymmetry present in the unconditional distribution of the return series. The estimation of the parameters of the proposed models is done by means of the Bayesian approach with an MCMC (Markov Chain Monte Carlo) methodology , specifically the Metropolis-Hastings algorithm.