Os métodos geralmente empregados no mercado para o cálculo de medidas de risco baseiam-se na distribuição adotada para os retornos financeiros. Quando a distribuição Normal é adotada, estas avaliações tendem a subestimar o Value at Risk (valor em risco - VaR), pois a distribuição Normal tem caudas mais leves que as observadas nas séries financeiras. Muitas distribuições alternativas vêm sendo propostas na literatura, contudo qualquer modelo alternativo proposto deve ser avaliado com relação ao esforço computacional gasto para cálculo do valor em risco e comparado à simplicidade proporcionada pelo uso da distribuição Normal. Dessa forma, esta dissertação visa avaliar alguns modelos para cálculo do valor em risco, como a modelagem por quantis empíricos, a distribuição Normal e o modelo autorregressivo (AR), para verificação do melhor ajuste à cauda das distribuições das séries de retornos financeiros, além de avaliar o impacto do VaR para o ano seguinte. Nesse contexto, destaca-se o modelo autorregressivo com heterocedasticidade condicional (ARCH) capaz de detectar a volatilidade envolvida nas séries financeiras de retorno. Esse modelo tem-se mostrado mais eficiente, capaz de gerar informações relevantes aos investidores e ao mercado financeiro, com um esforço computacional moderado. / The most used methods for risk evaluation in the financial market usually depend strongly on the distribution assigned to the financial returns. When we assign a normal distribution, results tend to underestimate the Value at Risk (VaR), since the normal distribution usually has a lighter tail than those from the empirical distribution of financial time series. Many other distributions have been proposed in the literature, but we need to evaluate their computational effort for obtaining the value at risk when compared to the easiness of calculation of the normal distribution. In this work, we compare several models for calculating the value at risk, such as the normal, the empirical-quantile and the autoregressive (AR) models, evaluating their goodness-of-fit to the tail of the distribution of financial return time series and the impact of applying the calculated VaR to the following year. We also highlight the autoregressive conditional heteroskedasticity (ARCH) model due to its performance in detecting the volatility in the series. The ARCH model has proved to be efficient and able to generate relevant information to the investors and to the financial market with a moderate computational cost.

Os métodos geralmente empregados no mercado para o cálculo de medidas de risco baseiam-se na distribuição adotada para os retornos financeiros. Quando a distribuição Normal é adotada, estas avaliações tendem a subestimar o Value at Risk (valor em risco - VaR), pois a distribuição Normal tem caudas mais leves que as observadas nas séries financeiras. Muitas distribuições alternativas vêm sendo propostas na literatura, contudo qualquer modelo alternativo proposto deve ser avaliado com relação ao esforço computacional gasto para cálculo do valor em risco e comparado à simplicidade proporcionada pelo uso da distribuição Normal. Dessa forma, esta dissertação visa avaliar alguns modelos para cálculo do valor em risco, como a modelagem por quantis empíricos, a distribuição Normal e o modelo autorregressivo (AR), para verificação do melhor ajuste à cauda das distribuições das séries de retornos financeiros, além de avaliar o impacto do VaR para o ano seguinte. Nesse contexto, destaca-se o modelo autorregressivo com heterocedasticidade condicional (ARCH) capaz de detectar a volatilidade envolvida nas séries financeiras de retorno. Esse modelo tem-se mostrado mais eficiente, capaz de gerar informações relevantes aos investidores e ao mercado financeiro, com um esforço computacional moderado. / The most used methods for risk evaluation in the financial market usually depend strongly on the distribution assigned to the financial returns. When we assign a normal distribution, results tend to underestimate the Value at Risk (VaR), since the normal distribution usually has a lighter tail than those from the empirical distribution of financial time series. Many other distributions have been proposed in the literature, but we need to evaluate their computational effort for obtaining the value at risk when compared to the easiness of calculation of the normal distribution. In this work, we compare several models for calculating the value at risk, such as the normal, the empirical-quantile and the autoregressive (AR) models, evaluating their goodness-of-fit to the tail of the distribution of financial return time series and the impact of applying the calculated VaR to the following year. We also highlight the autoregressive conditional heteroskedasticity (ARCH) model due to its performance in detecting the volatility in the series. The ARCH model has proved to be efficient and able to generate relevant information to the investors and to the financial market with a moderate computational cost.

Submitted by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-11-03T12:04:14Z No. of bitstreams: 1 DIS_ANDRE_LOCATELLI_COMPLETO.pdf: 771690 bytes, checksum: fe8fbda3561c48ca1cee72f699327cba (MD5) / Approved for entry into archive by Caroline Xavier (caroline.xavier@pucrs.br) on 2017-11-03T12:04:27Z (GMT) No. of bitstreams: 1 DIS_ANDRE_LOCATELLI_COMPLETO.pdf: 771690 bytes, checksum: fe8fbda3561c48ca1cee72f699327cba (MD5) / Made available in DSpace on 2017-11-03T12:04:36Z (GMT). No. of bitstreams: 1 DIS_ANDRE_LOCATELLI_COMPLETO.pdf: 771690 bytes, checksum: fe8fbda3561c48ca1cee72f699327cba (MD5) Previous issue date: 2017-08-24 / The present dissertation aims, through the theories of economic political cycles, to investigate if they influence the returns and volatility of the Ibovespa, index of the S?o Paulo Stock Exchange. The four main theories dealing with the theme, Traditional Party Theory, Traditional Opportunist Theory, Rational Party Theory and Opportunistic Rational Theory will be addressed. The data used will be the Ibovespa daily returns and the daily returns of the S & P 500, one of the main indices of the North American stock market and that will serve to capture the changes of the external stock market. In order to calculate the influence of economic policy cycles on the returns and volatility of the Ibovespa, the ARCH and GARCH econometric models have been used, which have been widely used in such works and have been shown to be consistent in the estimation of time series. The ARCH model had better results for the estimated model. Four different Dummy variables, each representing a different time period, were tested to determine whether economic policy cycles influenced Ibovespa returns and volatility in those periods. At the 5% significance level, abnormal returns in the periods included in the Dummy variables were not found nor was there statistically significant change in variance in the same periods. At a significance level of 10%, the influence of economic policy cycles on the volatility of the Ibovespa in the period of 180 days, ranging from 12 months to 6 months before the presidential elections, was found. / A presente disserta??o tem como objetivo, atrav?s das teorias de ciclos pol?ticos econ?micos, investigar se os mesmos influenciam nos retornos e na volatilidade do Ibovespa, ?ndice da bolsa de S?o Paulo. Ser?o abordadas as quatro principais teorias que tratam sobre o tema, Teoria Partid?ria Tradicional, Teoria Oportunista Tradicional, Teoria Partid?ria Racional e Teoria Oportunista Racional. Os dados utilizados ser?o os retornos di?rios do Ibovespa e os retornos di?rios do S&P 500, um dos principais ?ndices do mercado acion?rio norte americano e que servir? para captar as mudan?as do mercado acion?rio externo. Para calcular a influ?ncia dos ciclos pol?ticos econ?micos sobre os retornos e a volatilidade do Ibovespa foram utilizados os modelos econom?tricos ARCH e GARCH, que t?m sido amplamente utilizados em trabalhos dessa natureza, e que t?m se demonstrado consistentes na estima??o de s?ries temporais. O modelo ARCH teve melhores resultados para o modelo estimado. Foram testadas quatro diferentes vari?veis Dummy, cada uma representando um per?odo de tempo diferente, para calcular se os ciclos pol?ticos econ?micos influenciavam os retornos e a volatilidade do Ibovespa naqueles per?odos. N?o foram encontrados, ao n?vel de signific?ncia de 5%, retornos anormais nos per?odos englobados pelas vari?veis Dummy nem se observou altera??o da vari?ncia de forma estatisticamente significativa nos mesmos per?odos. A um n?vel de signific?ncia de 10% foi encontrado a influ?ncia dos ciclos pol?ticos econ?micos na volatilidade do Ibovespa no per?odo de 180 dias que compreende entre 12 meses e 6 meses antes das elei??es presidenciais.

Made available in DSpace on 2016-06-02T20:06:01Z (GMT). No. of bitstreams: 1 2117.pdf: 990773 bytes, checksum: a7b62936541ab91d8ae3424f62aa0f40 (MD5) Previous issue date: 2008-08-22 / In the financial market usually notices are taken of the shares sequentially over the time in order to characterize them a time series. However, the major interest is to forecast the behavior of these shares. Motivated by this fact, a lot of models were created based on the past information considering constant averages and variance over time. Although, in financial series a feature often presented is called volatility, which can be noticed by the variance to vary in time. In order to catch this characteristic were developed the models of the family GARCH, that model the conditional variance through known information. These models were well used and have passed by many formulation modifications to be able to catch different effects, such as the effect leverage EGARCH. Thus, the goal is to estimate volatility patterns obeying the specifications of the family GARCH verifying which ones of them describe better the data inside and outside the sample. / No mercado financeiro costuma-se fazer observações sobre as carteiras sequencialmente ao longo do tempo, caracterizando uma série temporal. Contudo, o maior interesse está em prever o comportamento destas carteiras. Motivado por este fato, foram criados muitos modelos de previsão baseando-se em observações passadas considerando a média e variância constantes no tempo. Porém, nas séries financeiras uma característica muito presente é a chamada volatilidade, que pode ser observada pela variância não constante no tempo. A fim de captar esta característica, desenvolveram-se os modelos da família GARCH, que modelam a variância condicional através de informações passadas. Estes modelos foram muito utilizados e sofreram muitas modificações nas formulações para poderem captar diferentes efeitos, como o efeito de leverage (EGARCH). Assim, deseja-se estimar modelos de volatilidade obedecendo às especificações da família GARCH, verificando quais deles descrevem melhor os dados dentro e fora da amostra.