Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-07-14T17:30:09Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Leonardo Mendes Primo Brito.pdf: 9894168 bytes, checksum: 744a23c4dfd0eacd1c0d7c83e27bc6a6 (MD5) / Made available in DSpace on 2016-07-14T17:30:10Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Leonardo Mendes Primo Brito.pdf: 9894168 bytes, checksum: 744a23c4dfd0eacd1c0d7c83e27bc6a6 (MD5) Previous issue date: 2016-02-24 / O objetivo desta dissertação é estudar um conjunto de metodologias de Valor-em-Risco (VaR) que apresentam bom desempenho na literatura e avaliar como elas podem ser usadas para estimar o risco de diferentes setores da economia brasileira partindo de uma perspectiva de um investidor. VaR é a medida de risco mais usada na indústria financeira, e é utilizado por bancos privados e governos do mundo todo. Há uma vasta literatura tratando do VaR, porém há poucos estudos que investigam o uso do VaR como uma ferramenta para pequenos investimentos. Também há poucos estudos analisando estimativas do VaR para ações de empresas brasileiras. Este trabalho inicia-se com a revisão de algumas metodologias de cálculo de VaR e a identificação das metodologias com melhor desempenho. Em seguida, fazemos dois experimentos. O primeiro experimento consiste numa análise estatística de dados provenientes de diversas ações e índices setoriais da bolsa de valores brasileira em vários momentos diferentes afim de identificar quais metodologias VaR são potencialmente mais adequadas para cada ativo. O segundo experimento avalia o desempenho de uma seleção de metodologias VaR utilizando dados dos mesmos ativos e épocas do experimento anterior. Na última parte deste trabalho, otimizamos uma seleção de metodologias VaR para atuarem com dados recentes da bolsa de valores e analisamos os VaRs estimados supondo a visão de um potencial investidor. Os resultados dos nossos experimentos indicam que o VaR pode ser uma ferramenta eficiente na minimização da exposição ao risco, e pode potencialmente reduzir ou evitar perdas em negociações na bolsa de valores brasileira. Os experimentos também mostram que diferentes setores da economia brasileira tem propriedades de risco significativamente diferentes umas das outras. / The purpose of this dissertation is to study several leading Value-at-Risk (VaR) methodologies and evaluate how they can be used to assess the risk of different sectors of the Brazilian economy with the perspective of a potential investor. VaR is the financial industry’s most widely used risk measure, commonly adopted by banks and governments around the world. There is a great amount of ongoing research on VaR; however, there are few studies that use VaR as a potential tool for small investments. There are also very few studies that analyze VaR estimation of Brazilian companies. This dissertation first reviews VaR methodologies and elects a few among the best performing according to current literature. In a second stage, two experiments are conducted. The first experiment consists of a statistical evaluation of data from the Brazilian stock market during different time ranges so that adequate VaR methodologies may be chosen according to the data. The second experiment benchmarks the chosen VaR methodologies during the same time ranges. In a third and final stage, the chosen VaR methodologies are backtested using recent data from sectoral indices of the Brazilian stock market. The results of the experiments suggest that VaR may be an effective tool in minimizing risk exposure and potentially reducing or avoiding losses when trading in the Brazilian stock market. The experiments also show that different sectors of the economy have significantly different risk properties.

[pt] Esta dissertação examina os impactos das boas práticas de governança corporativa na volatilidade dos retornos das ações dentro e fora de momentos de crise. Dados de freqüência diária foram utilizados para estimar modelos Autoregressivos Generalizados de Heterocedasticidade Condicional (GARCH) para quarenta e nove papéis negociados na Bolsa de Valores de São Paulo (BOVESPA). As evidências indicam um efeito negativo na maioria das séries analisadas. Para algumas ações, a redução da volatilidade é ainda maior em períodos de choques negativos. Foi encontrado, ainda, o resultado de que o risco mitigado é o idiossincrático e, desta forma, governança incentiva a manutenção da concentração de propriedade. / [en] This dissertation examines impacts of good practices of corporate governance on the volatility of returns in and out crisis periods. Daily data are used to estimate Generalized Autoregressive Conditional Heteroskedastic (GARCH) models for forty nine stocks traded on the São Paulo Stock Exchange (BOVESPA. It is found evidence of a negative impact on the majority of the analyzed series. For some stocks, the reduction of the volatility is even greater in crisis periods. It was also found that the risk mitigated is the idiosyncratic one and, thus, governance incentives the maintenance of ownership concentration.

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.

Uma das informações mais importantes no mercado financeiro é a variabilidade de um ativo. Diversos modelos foram propostos na literatura com o intuito de avaliar este fenômeno. Dentre eles podemos destacar os modelos GARCH. Este trabalho propõe o uso do método Monte Carlo Hamiltoniano (HMC) para a estimação dos parâmetros do modelo GARCH univariado e multivariado. Estudos de simulação são realizados e as estimativas comparadas com o método de estimação Metropolis-Hastings presente no pacote BayesDccGarch. Além disso, compara-se os resultados do método HMC com a metodologia adotada no pacote rstan. Por fim, é realizado uma aplicação a dados reais utilizando o DCC-GARCH bivariado e os métodos de estimação HMC e Metropolis-Hastings. / One of the most important informations in financial market is variability of an asset. Several models have been proposed in literature with a view of to evaluate this phenomenon. Among them we have the GARCH models. This paper use Hamiltonian Monte Carlo (HMC) methods for estimation of parameters univariate and multivariate GARCH models. Simulation studies are performed and the estimatives compared with Metropolis-Hastings methods of the BayesDcc- Garch package. Also, we compared the results of HMC method with the methodology present in rstan package. Finally, a application with real data is performed using bivariate DCC-GARCH and the methods of estimation HMC and Metropolis-Hastings.

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.

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.

A modelagem da volatilidade desempenha um papel fundamental em Econometria. Nesta dissertação são estudados a generalização dos modelos autorregressivos condicionalmente heterocedásticos conhecidos como GARCH e sua principal generalização multivariada, os modelos DCC-GARCH (Dynamic Condicional Correlation GARCH). Para os erros desses modelos são consideradas distribuições de probabilidade possivelmente assimétricas e leptocúrticas, sendo essas parametrizadas em função da assimetria e do peso nas caudas, necessitando assim de estimar esses parâmetros adicionais aos modelos. A estimação dos parâmetros dos modelos é feita sob a abordagem Bayesiana e devido às complexidades destes modelos, métodos computacionais baseados em simulações de Monte Carlo via Cadeias de Markov (MCMC) são utilizados. Para obter maior eficiência computacional os algoritmos de simulação da distribuição a posteriori dos parâmetros são implementados em linguagem de baixo nível. Por fim, a proposta de modelagem e estimação é exemplificada com dois conjuntos de dados reais / The modeling of volatility plays a fundamental role in Econometrics. In this dissertation are studied the generalization of known autoregressive conditionally heteroscedastic (GARCH) models and its main principal multivariate generalization, the DCCGARCH (Dynamic Conditional Correlation GARCH) models. For the errors of these models are considered distribution of probability possibility asymmetric and leptokurtic, these being parameterized as a function of asymmetry and the weight on the tails, thus requiring estimate the models additional parameters. The estimation of parameters is made under the Bayesian approach and due to the complexities of these models, methods computer-based simulations Monte Carlo Markov Chain (MCMC) are used. For more computational efficiency of simulation algorithms of posterior distribution of the parameters are implemented in low-level language. Finally, the proposed modeling and estimation is illustrated with two real data sets

Submitted by Fernando Miguel Neto (fsarto@gmail.com) on 2014-09-01T01:32:47Z No. of bitstreams: 1 DISSERTACAO-FERNANDO A. M. NETO.pdf: 1624618 bytes, checksum: e9aa12e644fe552abeff9856afcc489f (MD5) / Approved for entry into archive by JOANA MARTORINI (joana.martorini@fgv.br) on 2014-09-01T12:28:08Z (GMT) No. of bitstreams: 1 DISSERTACAO-FERNANDO A. M. NETO.pdf: 1624618 bytes, checksum: e9aa12e644fe552abeff9856afcc489f (MD5) / Made available in DSpace on 2014-09-01T12:42:06Z (GMT). No. of bitstreams: 1 DISSERTACAO-FERNANDO A. M. NETO.pdf: 1624618 bytes, checksum: e9aa12e644fe552abeff9856afcc489f (MD5) Previous issue date: 2014-08-04 / In order to show an application of GARCH models to exchange rates, we used statistical techniques such as principal component analysis and multivariate time series analysis to model mean and variance (volatility). The use of principal component analysis helps to reduce the dataset size and lead to fit fewer models, without losing original set information. The use of GARCH models is justified by the presence of heteroskedasticity on the exchange rates returns variance. Based on the fitted models new daily series were simulated, using Monte Carlo method (MC), and used to create confidence interval estimates for exchange rates future scenarios. For the proposed application were chosen exchange rates with bigger market share according to the BIS study, released every three years. / Com o objetivo de mostrar uma aplicação dos modelos da família GARCH a taxas de câmbio, foram utilizadas técnicas estatísticas englobando análise multivariada de componentes principais e análise de séries temporais com modelagem de média e variância (volatilidade), primeiro e segundo momentos respectivamente. A utilização de análise de componentes principais auxilia na redução da dimensão dos dados levando a estimação de um menor número de modelos, sem contudo perder informação do conjunto original desses dados. Já o uso dos modelos GARCH justifica-se pela presença de heterocedasticidade na variância dos retornos das séries de taxas de câmbio. Com base nos modelos estimados foram simuladas novas séries diárias, via método de Monte Carlo (MC), as quais serviram de base para a estimativa de intervalos de confiança para cenários futuros de taxas de câmbio. Para a aplicação proposta foram selecionadas taxas de câmbio com maior market share de acordo com estudo do BIS, divulgado a cada três anos.

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.