Neste trabalho realizamos um amplo estudo de simulação com o objetivo principal de avaliar o desempenho de carteiras de mínima variância global construídas com base em modelos de previsão da volatilidade que utilizam dados de alta frequência (em comparação a dados diários). O estudo é baseado em um abrangente conjunto de dados financeiros, compreendendo 41 ações listadas na BM&FBOVESPA entre 2009 e 2017. Nós avaliamos modelos de previsão de volatilidade que são inspirados na literatura ARCH, mas que também incluem medidas realizadas. Eles são os modelos GARCH-X, HEAVY e Realized GARCH. Seu desempenho é comparado com o de carteiras construídas com base na matriz de covariância amostral, métodos de encolhimento e DCC-GARCH, bem como com a carteira igualmente ponderada e o índice Ibovespa. Uma vez que a natureza do trabalho é multivariada, e a fim de possibilitar a estimação de matrizes de covariância de grandes dimensões, recorremos à especificação DCC. Utilizamos três frequências de rebalanceamento (diária, semanal e mensal) e quatro conjuntos diferentes de restrições sobre os pesos das carteiras. A avaliação de desempenho baseia-se em medidas econômicas tais como retornos anualizados, volatilidade anualizada, razão de Sharpe, máximo drawdown, Valor em Risco, Valor em Risco condicional e turnover. Como conclusão, para o nosso conjunto de dados o uso de retornos intradiários (amostrados a cada 5 e 10 minutos) não melhora o desempenho das carteiras de mínima variância global. / In this work we perform an extensive backtesting study targeting as a main goal to assess the performance of global minimum variance (GMV) portfolios built on volatility forecasting models that make use of high frequency (compared to daily) data. The study is based on a broad intradaily financial dataset comprising 41 assets listed on the BM&FBOVESPA from 2009 to 2017. We evaluate volatility forecasting models that are inspired by the ARCH literature, but also include realized measures. They are the GARCH-X, the High-Frequency Based Volatility (HEAVY) and the Realized GARCH models. Their perfomances are benchmarked against portfolios built on the sample covariance matrix, covariance matrix shrinkage methods, DCC-GARCH as well as the naive (equally weighted) portfolio and the Ibovespa index. Since the nature of this work is multivariate and in order to make possible the estimation of large covariance matrices, we resort to the Dynamic Conditional Correlation (DCC) specification. We use three different rebalancing schemes (daily, weekly and monthly) and four different sets of constraints on portfolio weights. The performance assessment relies on economic measures such as annualized portfolio returns, annualized volatility, Sharpe ratio, maximum drawdown, Value at Risk, Expected Shortfall and turnover. We also account for transaction costs. As a conclusion, for our dataset the use of intradaily returns (sampled every 5 and 10 minutes) does not enhance the performance of GMV portfolios.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.lume.ufrgs.br:10183/182337 |
| Date | January 2018 |
| Creators | Boff, Tainan de Bacco Freitas |
| Contributors | Ziegelmann, Flavio Augusto |
| Source Sets | IBICT Brazilian ETDs |
| Language | English |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0024 seconds