( PDF ) Estimação da estrutura a termo de taxa de juros em mercados com pequena freqüência de negócios: o algoritmo do filtro de kalman aplicado ao caso brasileiro

Download PDF

ads:

BERNARDO RIBEIRO DA SILVA

ESTIMAÇÃO DA ESTRUTURA A TERMO DE TAXA DE JUROS EM

MERCADOS COM PEQUENA FREQÜÊNCIA DE NEGÓCIOS: O ALGORITMO

DO FILTRO DE KALMAN APLICADO AO CASO BRASILEIRO

Dissertação de mestrado apresentada ao

Programa de Pós-Graduação em Administração,

Instituto COPPEAD de Administração,

Universidade Federal do Rio de Janeiro, como

parte dos requisitos necessários à obtenção do

título de Mestre em Administração

Orientador: Prof. André Luiz Carvalhal da Silva

D.Sc. em Administração de Empresas

RIO DE JANEIRO

2008

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

BERNARDO RIBEIRO DA SILVA

ESTIMAÇÃO DA ESTRUTURA A TERMO DE TAXA DE JUROS EM

MERCADOS COM PEQUENA FREQÜÊNCIA DE NEGÓCIOS: O ALGORITMO

DO FILTRO DE KALMAN APLICADO AO CASO BRASILEIRO

Dissertação de mestrado apresentada ao

Programa de Pós-Graduação em Administração,

Instituto COPPEAD de Administração,

Universidade Federal do Rio de Janeiro, como

parte dos requisitos necessários à obtenção do

título de Mestre em Administração

Aprovada por:

______________________________________________ - Presidente da Banca

André Luiz Carvalhal da Silva, D.Sc. (COPPEAD/UFRJ)

_______________________________________________

Margarida Maria Gomes Pereira Sarmiento Gutierrez, D.Sc. (COPPEAD/UFRJ)

______________________________________________

Myrian Beatriz Eiras das Neves, D.Sc. (Banco Central)

RIO DE JANEIRO

2008

ads:

Da Silva, Bernardo Ribeiro.

Estimação da estrutura a termo de taxa de juros em

mercados com pequena freqüência de negócios: O algoritmo do

filtro de Kalman aplicado ao caso brasileiro /Bernardo Ribeiro da

Silva. – Rio de Janeiro, 2008.

57 : il.

Dissertação (Mestrado em Administração) – Universidade

Federal do Rio de Janeiro - UFRJ, Instituto COPPEAD de

Administração, 2008.

Orientador: André Luiz Carvalhal da Silva

1. Estrutura a termo de Taxa de Juros. 2. Filtro de Kalman.

3. Mercados em Desenvolvimento. - Teses. I. Da Silva, André

Luiz Carvalhal (Orient.).

AGRADECIMENTOS

Agradeço aos meus pais, Sidney e Eliane, pelo apoio pelo modelo de caráter e apoio

irrestrito que me fizeram ser tudo aquilo que sou hoje. Sem eles certamente nada disso seria

possível.

Ao meu orientador, André Carvalhal, pela seriedade e disponibilidade com que me

orientou nessa pesquisa. Sou muito grato pelas dicas e sugestões que engrandeceram este

trabalho.

As professoras, Margarida e Myrian, pela sua participação na minha banca examinadora e

seus comentários que certamente contribuíram para o produto final desta pesquisa.

A minha namorada, Viviane Barreto, pela paciência e compreensão incondicional dos

inúmeros finais de semana e de feriados utilizados na obtenção do grau de mestre e

formulação desta dissertação.

Aos meus amigos, que além de me apoiarem durante as horas necessárias foram

responsáveis pelos momentos de diversão tão necessários durante os dois anos de curso.

Aos professores e funcionários do COPPEAD que cooperaram com todo o seu

conhecimento, tempo e a sua boa vontade para a conclusão deste trabalho.

RESUMO

Da Silva, Bernardo Ribeiro. Estimação da estrutura a termo de taxa de juros em

mercados com pequena freqüência de negócios: O algoritmo do filtro de Kalman

aplicado ao caso brasileiro. Orientador: André Luiz Carvalhal da Silva. Rio de Janeiro:

COPPEAD/UFRJ; 2008. Dissertação (Mestrado em Administração).

Uma característica muito comum em mercados em desenvolvimento é o baixo nível de

transação e vencimentos disponíveis de ativos pré-fixados. Essa característica acaba por

inviabilizar ou reduzir consideravelmente a eficácia de modelos estáticos de estimação da

estrutura a termo de taxas de juros, que têm apresentado bastante sucesso em mercados

desenvolvidos.

Neste trabalho desenvolvemos um modelo de estimação da estrutura a termo de taxas de

juros que é mais apropriado para casos com dados em painéis incompletos. Para tal,

modificamos o algoritmo do filtro de Kalman para considerar as informações faltantes, que

permitiu o uso de preços históricos na estimação.

A metodologia foi aplicada ao modelo de Vasicek utilizando os dados das transações de

LTNs no mercado secundário e de DIs Futuros transacionados na BM&F. Os resultados

indicam que o modelo ajusta bem a estrutura a termo de taxas de juros das LTNs e DIs

Futuros. Os erros out-of-sample das LTNs são bem próximos aos dos DIs Futuros, indicando

que o modelo pode ser usado satisfatoriamente para prever as taxas de juros de ativos com

pouca liquidez.

ABSTRACT

Da Silva, Bernardo Ribeiro. Term structure estimation in low-frequency transactions

markets: A Kalman Filter Approach for the Brazilian market. Orientador: André Luiz

Carvalhal da Silva. Rio de Janeiro: COPPEAD/UFRJ; 2008. Dissertação (Mestrado em

Administração).

One very common characteristic in developing markets is the low frequency of

transactions and the unavailability of prices for fixed income securities. This fact reduces the

efficiency of static estimation of the term structure of interest rates, which have been

successfully used in on developed markets.

In this work, we develop a term structure estimation model that is more appropriate for

markets with low frequency transactions and incomplete panel data. To achieve this, we

modify the Kalman filter algorithm to deal with missing observations, which allow us to use

historical data on the estimation.

The methodology is applied to the Vasicek model using LTNs and DIs Futures for the

Brazilian market. Our results indicate that the model performs well in fitting observed yields

of both government bonds and DIs Futures. Most importantly, out-of-sample errors for

government bonds are very close to those of DIs Futures, which suggests that the model can

be successfully used for forecasting yield curves of sporadically traded assets.

LISTA DE TABELAS

Tabela 1

Transações diárias de LTNs no Mercado Secundário de Janeiro de 2003 a Dezembro de 2007

............................................................................................................................................... 39

Tabela 2

Transações Diárias de DI Futuro no Mercado Secundário de Janeiro de 2003 a Dezembro de

2007....................................................................................................................................... 40

Tabela 3

Comparação de volumes negociados de LTNs e DIs semestre a semestre entre Janeiro de 2003

e Dezembro de 2007 ............................................................................................................. 46

Tabela 4

Resultados da Estimação de Parâmetros do Modelo de Vasicek Gerados pelo Filtro de Kalman

Utilizando Negociações de LTN ........................................................................................... 47

Tabela 5

Resultados da Estimação de Parâmetros do Modelo de Vasicek Gerado pelo Filtro de Kalman

Utilizando Negociações de DI Futuro................................................................................... 47

Tabela 6

RMSE dos ajustes in-sample e out-sample do modelo de Vasicek para os dados analisados .. 49

LISTA DE FIGURAS

Figura 1: Algoritmos Praticados pelo Filtro de Kalman para Obtenção de Estimativas e Erros de

Parâmetros em um Ambiente Estado Espaço ............................................................................... 36

Figura 2: Análise Gráfica do Mercado Secundário de LTNs de Janeiro de 2003 a Dezembro de

2007............................................................................................................................................... 41

Figura 3: Análise Gráfica do Mercado Secundário de DIs Futuros de Janeiro de 2003 a

Dezembro de 2007 ........................................................................................................................ 42

Figura 4: Dois Ajustes de Curvas Baseados nas Observações das Transações de LTNs em Março

de 2003 .......................................................................................................................................... 43

Figura 5: Volumes Negociados e Tempo até o Vencimento de LTNs Transacionadas no Mercado

Secundário de Janeiro de 2003 a Dezembro de 2007 ................................................................... 44

Figura 6: Volumes Negociados e Tempo até o Vencimento dos DIs Futuros Transacionados na

BM&F de Janeiro de 2003 a Dezembro de 2007 .......................................................................... 45

Figura 7: Resultado da Modelagem da Estrutura a Termo de Taxa de Juros para DI Futuro e

LTN. Estrutura Estimada para o Mês de Dezembro de 2007 (In-Sample) ................................... 50

LISTA DE SIGLAS

CETIP (Central de Custódia e Liquidação Financeira de Títulos)

LTN (Letra do Tesouro Nacional)

DI Futuro (Futuro de Depósito Interfinanceiro)

BM&F ( Bolsa de Mercadorias e Futuros)

RMSE (Residual Mean Square Error)

SUMÁRIO

1. INTRODUÇÃO ..................................................................................................................... 10

1.1 CONTEXTUALIZAÇÃO DO TEMA ............................................................................... 10

1.2 O PROBLEMA ................................................................................................................... 13

1.3 OBJETIVO ......................................................................................................................... 14

2. REVISÃO BIBLIOGRÁFICA .............................................................................................. 16

2.1 TIPOS DE MODELAGEM ................................................................................................ 16

2.2. NÚMERO DE FATORES ................................................................................................. 20

2.3. DA METODOLOGIA DE ESTIMAÇÃO ........................................................................ 22

2.4. ESTUDOS EM MERCADOS EMERGENTES ................................................................ 22

3. METODOLOGIA .................................................................................................................. 26

3.1. MODELOS AFINS DE ESTRUTURA A TERMO .......................................................... 26

3.2. REPRESENTAÇÃO ESTADO ESPAÇO LINEAR ......................................................... 28

3.3. REPRESENTAÇÃO ESTADO ESPAÇO NÃO LINEAR ............................................... 30

3.4. MODELO DE VASICEK GENERALIZADO .................................................................. 31

3.5. FILTRO DE KALMAN PADRÃO ................................................................................... 34

3.6. FILTRO DE KALMAN PARA DADOS DE PAINÉIS INCOMPLETOS ...................... 36

4. DADOS E RESULTADOS ................................................................................................... 38

5. CONCLUSÃO E SUGESTÕES PARA NOVAS PESQUISAS ........................................... 52

REFERÊNCIAS BIBLIOGRÁFICAS.......................................................................................... 55

1. INTRODUÇÃO

1.1 CONTEXTUALIZAÇÃO DO TEMA

A estimação da estrutura a termo da taxa de juros tem sido tradicionalmente

implementada com modelos estáticos que se utilizam apenas dos preços dos títulos atuais.

Em mercados já plenamente desenvolvidos, essa modelagem já se mostrou bastante

consistente e estável. Entretanto, quando se aplica esse tipo de análise em mercados

emergentes, que ainda não atingiram o seu pleno desenvolvimento, os resultados se mostram

inconsistentes.

A realidade brasileira, como parte desse conjunto de mercados em desenvolvimento,

padece de dois males que amplificam as dificuldades citadas acima. Constata-se tanto uma

baixa quantidade de transações de títulos pré-fixados, como também uma baixa variedade de

títulos com vencimentos diferentes. Essas características acabam por gerar um cenário em

que não há negociações de títulos de longo prazo, embora exista a necessidade da estimação

da totalidade da curva de juros. Tal necessidade é justificada, já que a estrutura a termo de

taxa de juros tem função essencial na teoria econômica, principalmente no que tange o nível

microeconômico. Nesse nível, tal estrutura serve não apenas no apreçamento de títulos, mas

também tem parte fundamental na avaliação de quase a totalidade dos ativos financeiros.

De forma geral, o interesse em se estudar a estrutura a termo de taxas de juros pode ser

dividida, segundo Piazzesi (2003), em cinco áreas fundamentais. A primeira área é a da

previsão. A idéia é que a estrutura a termo da taxa de juros agrega informações importantes

sobre o estado presente e perspectivas futuras da economia do país. Como a estrutura a termo

depende de fatores macroeconômicos, a sua análise poderia levar a possibilidade de prever

alguns desses fatores para os anos que se seguem. O mais conhecido desses fatores é a taxa

de juros de curto prazo, embora este não seja o único dos fatores não-observáveis da

economia.

A segunda área diz respeito à política monetária. A estrutura a termo impacta diretamente

a economia do país, uma vez que esta estrutura é que nos fornece a taxa livre de risco do

mercado. Além disso, ela afeta diretamente o mercado de crédito, que, por muitas vezes, é

um dos principais geradores de consumo e de crescimento econômico. Dessa forma a

estrutura a termo de taxa de juros tem impacto direto na demanda agregada da economia e

seu entendimento é necessário para um controle mais efetivo da inflação.

A terceira se refere ao gerenciamento da dívida pública. O estudo da estrutura a termo é

fundamental para essa área, visto que o governo deve decidir quais serão as características

dos títulos a serem lançados, entre elas, o vencimento e o preço de lançamento.

A quarta área é relacionada à gerência de risco. Não é incomum que instituições

financeiras utilizem títulos pré-fixados como boa parte de seus ativos. Dessa forma, é de

fundamental importância o conhecimento de sua estrutura para uma efetiva análise de risco

de suas devidas carteiras.

A quinta e última área tem relação com o apreçamento de derivativos. Todo e qualquer

derivativo que tenha como parte do ativo objeto a taxa de juros de uma dada economia

precisa de um modelo da estrutura a termo para que seja possível uma avaliação eficiente.

Podemos dividir as análises de estrutura a termo de taxa de juros em dois tipos. No

primeiro grupo se encontram as análises de ajuste de curvas. Estas são tradicionalmente

muito utilizadas e tem a seu favor a simplicidade e o bom ajuste para mercados financeiros

desenvolvidos, sendo utilizada basicamente para estimação da estrutura a termo da taxa spot.

No segundo grupo se encontram as equações de movimento estocástico, mais utilizadas para

a estimação da dinâmica da estrutura a termo.

Entretanto, considerando ambos os tipos de análises, o Brasil se encontra em um estágio

ainda muito pouco desenvolvido no aspecto de quantidade de estudos de modelos da

estrutura a termo devido principalmente a questões macroeconômicas de sua história recente.

Devido a grandes taxas de inflação que vigoraram no Brasil durante as décadas de 70, 80 e

início dos anos 90 não havia sentido prático para o estudo da estrutura a termo das taxas de

juros brasileiras, já que em condições tão hostis não havia o mínimo necessário para o

desenvolvimento desse tipo de mercado. Outro fato que postergou o início de estudos nesse

segmento foi a manutenção do câmbio fixo até 1999. Durante tal período, como em qualquer

economia de câmbio administrado, existia uma grande correlação entre as taxas de juros

brasileira, a americana e o risco-país. Somente após esse período é que foram possíveis

emissões de títulos pré-fixados com vários prazos de vencimentos diferentes e que ficou

efetivamente clara a necessidade de estudos da estrutura e dinâmica da taxa de juros no país.

Pelas razões acima, podemos observar a necessidade de se aprofundar nas análises da

dinâmica da estrutura a termo da taxa de juros. Apenas por meio desta é que uma boa parte

das transações financeiras pode ser apreçada corretamente e que se poderá entender e

planejar os rumos da economia.

Nesse contexto, o presente trabalho procura estimar a estrutura a termo de taxa de juros

brasileira utilizando um modelo de movimentos estocásticos aliado à técnica de estimação

conhecida como filtro de Kalman. Essa maneira de operação já foi utilizada em diversos

estudos semelhantes (Babbs e Nowman (1999), Cortazar, Schwartz e Naranjo (2003), Chen e

Scott (2003), entre outros que serão expostos em sessões mais adiante). A vantagem de tal

método é a possibilidade de utilizar dados em painel atuais e passados na estimação da

estrutura a termo de taxa de juros, possibilitando a obtenção de parâmetros utilizando

métodos de máxima verossimilhança.

1.2 O PROBLEMA

Por se tratar de um mercado em desenvolvimento, a realidade brasileira dificilmente se

enquadra na modelagem de estrutura a termo de taxa de juros estática, consagrada em países

mais desenvolvidos. Quando aplicadas tais metodologias, os parâmetros estimados tendem a

apresentar resultados inconsistentes.

Tal instabilidade nos estimadores gerados se dá basicamente por duas razões

fundamentais. A primeira é o reduzido número de transações diárias, que dificulta a

existência de estimações robustas (número de observações próximo ao nível de parâmetros a

serem estimados). A segunda causa, também corriqueira em mercados emergentes e, em

particular no Brasil, é a indisponibilidade de preço para títulos de longo e/ou curto prazo. Em

países emergentes não é incomum a falta de títulos para determinados vencimentos.

Por essa razão, a maior parte dos estudos nesse sentido no Brasil fazem uso das taxas de

juros oriundas de contratos DI Futuro, já que, graças a sua grande liquidez, estes podem ser

considerados como excelentes estimadores da taxa de juros futura. Dessa forma, uma boa

parte da instabilidade nos parâmetros poderia ser evitada. Por esse motivo, também se

costuma observar que os títulos públicos pré-fixados brasileiros acabam sendo

comercializados com um prêmio frente ao DI.

1.3 OBJETIVO

Visando corrigir esse problema e seguindo a metodologia de Cortazar, Schwartz e

Naranjo (2003), este trabalho propõe a estimação conjunta da dinâmica e estrutura a termo da

taxa de juros para o mercado brasileiro. Para tal, aliará o modelo de movimentos estocásticos

generalizado de Vasicek (1977), ampliado por Langetieg (1980), à técnica de estimação

conhecida como Filtro de Kalman. Essa técnica permite a utilização de dados passados

independentemente do número de transações ou títulos negociados, algo que melhora

sensivelmente a qualidade e estabilidade dos parâmetros estimados.

Uma peculiaridade desta dissertação quando comparada com grande parte da literatura já

existente sobre estrutura a termo reside na escolha dos dados a serem utilizados. Enquanto a

maioria das publicações faz uso de preço de derivativos (normalmente DI e swap) como a

variável dependente, este estudo terá como base, além do DI, o preço de títulos pré-fixados

emitidos pelo governo. A metodologia adotada permite que utilizemos tais títulos apesar da

pequena quantidade de negócios diários e diferentes vencimentos.

Com a estimação da estrutura a termo de taxa de juros através dos dois mecanismos

financeiros (títulos pré-fixados e derivativos), podemos comparar as estruturas estimadas e

verificar o comportamento das curvas de LTN e DI futuro e sua relação com a liquidez.

O trabalho está organizado da seguinte forma. O capítulo 1 apresenta a introdução,

contextualização do problema, principais questões e dificuldades e objetivos da pesquisa. No

capítulo seguinte, é apresentada a revisão de bibliografia, onde serão discutidos os principais

trabalhos publicados no Brasil e no exterior sobre tal tema. Em seguida, o capítulo 3 se refere

à metodologia usada para o desenvolvimento desta pesquisa. No capítulo 4 são discutidos os

resultados obtidos e, por fim, no capítulo 5, são apresentadas as conclusões, limitações e

sugestões para estudos futuros.

2. REVISÃO BIBLIOGRÁFICA

Visando uma leitura mais direcionada, esta seção do trabalho foi dividida em quatro

partes fundamentais. A primeira analisa os principais artigos relacionados à escolha do tipo

de modelos que seriam utilizados sobre a taxa de juros e uma análise sobre os artigos

seminais que dizem respeito ao tema, em particular os principais estudos que utilizaram o

modelo generalizado de Vasicek. A segunda parte analisa trabalhos que avaliaram o número

de fatores que explicam o comportamento da estrutura a termo de taxa de juros. A terceira

parte explicita a metodologia do filtro de Kalman, adotada na estimação dos parâmetros e

erros do modelo de Vasicek. Por fim, na quarta parte são explorados alguns estudos que

foram feitos nos mercados brasileiro e emergentes que têm alguma relação com este trabalho.

2.1 TIPOS DE MODELAGEM

Segundo Langetieg (1980), as teorias de precificação de títulos e da estimação da

estrutura a termo de taxa de juros podem ser divididas em cinco grandes grupos, detalhados a

seguir. A primeira é conhecida como teoria das expectativas puras. Essa teoria afirma que a

taxa de retorno de um título com vencimento em T na data t deveria ser igual à média

geométrica do valor esperado das taxas de curto prazo entre a data t e T.

A segunda é conhecida como a teoria de preferência por liquidez. Tal teoria indica que os

títulos de longo prazo devem ter taxas de juros superiores à média geométrica das taxas de

juros de curto prazo futuras. Essa conclusão vem do fato que os títulos de mais longo prazo

são vistos como mais arriscados e que, portanto, deveria haver um prêmio de liquidez em

suas taxas para compensar a diferença.

A terceira é na realidade uma expansão da segunda. A grande diferença é que, nesta, o

aumento de risco não é associado apenas ao aumento no intervalo de tempo, mas também

depende do horizonte de preferência do investidor. Isso quer dizer que, por exemplo, um

título com vencimento de cinco anos pode ser menos arriscado que um de três meses, caso o

investidor tenha um horizonte de preferência de cinco anos. Outro aspecto importante dessa

teoria é que, como as preferências dos investidores não são regulares, a demanda por títulos

também não será, o que pode ocasionar formatos irregulares para as curvas de juros.

A quarta teoria está relacionada à teoria de média-variância de Markowitz (1959) e ao

modelo CAPM. A popularidade das teorias utilizadas no gerenciamento de carteiras de ações

levou ao interesse em determinar o retorno e variância esperados de uma carteira de títulos.

Estudos nesta área indicaram que a carteira ótima de títulos depende da preferência de risco

do investidor e do caminho futuro que a taxa de juros percorrerá. Podemos perceber,

portanto, que o problema da estimação da estrutura a termo de taxas de juros se mantinha

presente.

A quinta teoria consiste na aplicação de modelagem contínua similar às metodologias

utilizadas no apreçamento de opções. Essa teoria é a mais utilizada quando investigamos a

literatura mais moderna sobre a dinâmica das taxas de juros. Ela parte de premissas de não-

arbitragem e segue para a resolução de equações diferenciais estocásticas parciais de segunda

ordem para calcular o preço dos títulos. Através dessa técnica é possível alcançar um racional

mais geral do que o das teorias anteriormente descritas, já que não há nenhuma presunção

explícita sobre a forma funcional do preço de um título. Esta é derivada de três premissas

fundamentais:

 Os preços dos títulos são relacionados com alguns fatores estocásticos;

 Tais fatores seguem um processo estocástico em particular;

 Os mercados são suficientemente perfeitos para permitir um equilíbrio de não-

arbitragem.

Nesse contexto, podemos caracterizar este trabalho como um integrante puro do quinto

tipo de modelo descrito por Langetieg (1980). Entretanto, se analisarmos de forma menos

complexa, os estudos da estrutura a termo de taxa de juros tradicionalmente têm demonstrado

duas subdivisões fundamentais. A primeira é a modelagem e estimação da estrutura a termo

de taxas spot atuais, também conhecida como modelagem estática. A segunda é a modelagem

e estimação da dinâmica da estrutura a termo de taxa de juros, que é de relevância

fundamental para a avaliação de hedge e apreçamento de um grande número de opções.

Para a estimação da estrutura atual, há uma extensa literatura que abrange a existência de

métodos tanto paramétricos como não paramétricos que ajustam curvas aos preços ou yields

atuais sem qualquer utilização de dados passados. Temos como exemplos dessa prática os

trabalhos de McCulloch (1971, 1975) e Fisher, Nychka e Zervos (1994).

Como principais exemplos da modelagem de estrutura a termo de taxa de juros apenas

com dados atuais temos os estudos de Nelson e Siegel (1987) e Svensson (1994). Tais

estudos assumem que a curva de taxa de juros segue uma função paramétrica especificada.

Em ambos os casos, os parâmetros do modelo são estimados minimizando os erros

quadráticos dos preços dos títulos ou das taxas de juros. Apesar de desconsiderar como

ocorreu a evolução dos preços ou das taxas de juros, segundo Bliss (1996), existem

evidências empíricas que nos mercados mais desenvolvidos, onde há grande número de

títulos negociados com vencimentos variados, os modelos estáticos resultam em curvas

bastante ajustadas ao mercado.

A modelagem da dinâmica da estrutura a termo tem acontecido através de modelos de

movimentos estocásticos da taxa spot aplicados às premissas de não arbitragem para inferir a

dinâmica desejada. Como exemplos desses modelos temos os trabalhos seminais de Vasicek

(1977) e Cox, Ingersoll e Ross (1985), além de extensões desenvolvidas por Langetieg

(1980), Hull e White (1990) e Duffie e Kan (1996).

Vasicek (1977) fornece uma caracterização explícita para a estrutura a termo das taxas de

juros em mercados eficientes. O desenvolvimento desse modelo é baseado nos princípios de

arbitragem similares ao que Black e Scholes (1973) usaram para o apreçamento de opções.

Devido ao fato de oferecer como solução uma fórmula fechada para a estrutura a termo, sua

utilização ainda é notável.

O trabalho de Langetieg (1980) teve como principal objetivo o desenvolvimento de um

modelo multivariado da estrutura a termo de taxa de juros que permitisse o uso de um

número qualquer de fatores econômicos. As principais premissas utilizadas foram de que os

fatores econômicos relacionados à estrutura seguem um passeio aleatório conjunto e elástico,

sendo que a taxa instantânea de juros pode ser representada como uma combinação linear

desses fatores. Outro avanço interessante deste trabalho foi o fato de cogitar um prêmio de

risco de mercado variável no tempo.

Hull e White (1990) demonstram como o modelo de Vasicek pode ser estendido de modo

a ser consistente tanto no que tange a estrutura a termo de taxa de juros atual quanto às

volatilidades de taxas spot e forward.

2.2. NÚMERO DE FATORES

Uma parcela importante dos trabalhos a respeito da estrutura a termo de taxa de juros

estuda a importância de se conhecer os fatores comuns que afetam o comportamento das

taxas de juros com o passar do tempo.

Um dos primeiros estudos nesse sentido foi publicado por Litterman e Scheinkman

(1991). Utilizando uma técnica estatística conhecida como análise de componentes

principais, foi possível identificar e analisar a quantidade de fatores que explicam a estrutura

a termo da taxa de juros para títulos sem cupons do Tesouro Americano. Uma conclusão

bastante interessante de tal trabalho foi a identificação de que as taxas de juros observadas na

amostra poderiam ser decompostas em três fatores que seriam capazes de explicar cerca de

99% da variância. É importante ressaltar que, em média, o primeiro fator explica

aproximadamente 89,5% da variância da taxa de juros, o segundo cerca de 8,5% e o terceiro

os 2% restantes. Dessa forma foi possível concluir que o primeiro fator é consideravelmente

mais importante que os demais.

Seguindo a mesma linha desse trabalho, surgiram alguns estudos similares referentes ao

mercado brasileiro de títulos pré-fixados. Um dos primeiros foi a análise de Varga e Valli

(2001), em que os autores trabalharam com contratos SWAP-DI para vencimentos de até um

ano negociados na BM&F entre janeiro de 1995 e julho de 1999. Outro estudo fundamental

foi o de Silveira e Bessada (2003), em que foram utilizados contratos de DI futuro e SWAP-

DI entre julho de 1999 e maio de 2001. Ambos chegaram à conclusão de que o uso de três

fatores explica quase a totalidade da variação (cerca de 99% em alguns casos) das taxas de

juros observadas e que o primeiro fator seria responsável por uma parcela bastante elevada

dessa variação.

Em uma análise mais recente, Santos (2005) chega a conclusões bastante similares a dos

estudos anteriores. Nesse trabalho, o autor fez uso das transações de DI futuro na BM&F

entre janeiro de 2002 e dezembro de 2004 e concluiu que três fatores seriam mais que

suficientes para explicar a volatilidade dos preços dos títulos brasileiros. O primeiro fator

estimado era responsável pela explicação de aproximadamente 85% da variância das

observações; o segundo respondia por 10% da variância e o terceiro 2,5%. Uma característica

bastante interessante desse trabalho foi a interpretação do significado de cada um dos fatores

estimados. O primeiro fator estaria relacionado a mudanças no nível da estrutura a termo da

taxa de juros; o segundo seria responsável por alterações na inclinação da curva e finalmente

o terceiro denotaria alterações na curvatura da estrutura.

2.3. DA METODOLOGIA DE ESTIMAÇÃO

Uma vez definido o modelo dinâmico de taxa de juros, o método de estimação é de

fundamental importância para a qualidade dos parâmetros estimados. Uma metodologia

utilizada com bastante sucesso é o filtro de Kalman.

O filtro de Kalman é essencialmente um conjunto de equações matemáticas que

implementam corretores dos estimadores que é ótimo, no sentido que minimiza a covariância

dos erros (estimada) quando algumas condições presumidas são atingidas. Esse tipo de

filtragem se deu início com o estudo de Kalman (1960).

Essa metodologia tem se mostrado bastante poderosa na estimação de variáveis de estado

não-observáveis oriunda de painéis com ruído. Essa característica foi verificada em um

estudo de Dufee e Stanton (2004) através de um estudo comparativo de vários métodos de

estimação e no qual o filtro de Kalman se mostrou superior no caso de amostras de tamanho

reduzido.

A literatura na utilização desse tipo de metodologia é vasta, principalmente quando se

trata de estimação da dinâmica das taxas de juros, podendo ser observada em Duan e

Simonato (1999), Babbs e Nowman (1999), Chen e Scott (2003) e Cortazar, Schwartz e

Naranjo (2003). A grande vantagem da utilização dessa metodologia é a possibilidade de se

utilizar os preços de títulos passados na estimação da estrutura atual do termo, permitindo

assim uma análise dinâmica das taxas de juros.

Muito embora o filtro de Kalman seja uma ferramenta extremamente robusta na

estimação dos parâmetros envolvidos nos movimentos estocásticos da estrutura a termo, esta

nem sempre se mostra ótima e nem de fácil aplicação. Em muitas aplicações, existe uma

relação não linear entre os dados (preço de títulos, em sua grande maioria) e as variáveis de

estado não observáveis. O principal exemplo desse tipo de situação acontece quando se

estudam os preços de títulos com cupom. A estimação desse tipo de situação exige uma

filtragem não-linear (filtro de Kalman estendido) que, segundo Lund (1997), tende a ser

computacionalmente inviável exigindo métodos aproximados.

Lund (1997) estuda diferentes técnicas de filtragem, que consideram o desafio de analisar

títulos com cupom. Para tal, usou um filtro de Kalman estendido e modelos de quasi-máxima

verossimilhança (já que há viés na linearização do modelo) e conclui que esse vício é

praticamente inexistente. Essa análise faz com que seja possível aumentar a base de dados

estudada, adicionando os títulos com cupom ao zero cupom, gerando um ganho de massa de

dados na amostra bastante expressivo.

2.4. ESTUDOS EM MERCADOS EMERGENTES

Apesar de uma estabilidade econômica de aproximadamente 13 anos e a possibilidade de

estudar a taxa e estrutura a termo de taxa de juros, ainda há poucos trabalhos brasileiros de

modelagem de movimentos estocásticos que refletem a realidade brasileira quando

comparado a estudos de mesma natureza em países desenvolvidos.

Apesar disso, podemos citar os trabalhos de De La Roque (1996) e Barcinski (1998)

como sendo os primeiros a respeito desse assunto sob a ótica brasileira. Ambos os trabalhos

estudam e estimam a estrutura a termo de taxa de juros, entretanto não chegam a definir um

modelo completamente especificado.

Um dos estudos mais recentes pode ser encontrado em Almeida (2003), no qual o autor

aplica um modelo multifatorial baseado em Duffie, Filipovic e Schachermayer (2003),

avaliando a hipótese das expectativas da estrutura a termo de taxas de juros. Este é um dos

poucos trabalhos brasileiros que efetivamente estima um modelo completamente

especificado, como também é o objetivo deste trabalho.

Outros dois trabalhos que seguem esta mesma linha são os estudos de Gonçalves e Geyer

(2003) e Prado (2004). No primeiro, os autores, motivados pela freqüente rolagem da dívida

doméstica brasileira e pela possibilidade de modificações nos perfis de risco que permitam ao

governo alongar a dívida, estudaram o modelo clássico de Vasicek de um fator, aplicando-o

para dados brasileiros. Os resultados se mostraram bastante realistas e de possível aplicação

para o mercado brasileiro. O segundo trabalho testou quatro modelos completos (modelo

clássico de Vasicek com um e dois fatores e o modelo clássico de Cox, Ingersoll e Ross

também com um e dois fatores). Após avaliar o desempenho dos quatro modelos, o estudo

conclui que o Modelo de Cox, Ingersoll e Ross de dois fatores foi o que ajustou melhor a

realidade brasileira, principalmente devido ao fato de que esse modelo possui um preço de

risco de mercado variável, que se ajustaria melhor a realidade de países emergentes. Essa

conclusão é suportada também por Almeida (2003).

Quando nosso foco é voltado para mercados emergentes, um dos estudos mais recentes é

o de Cortazar, Schwartz e Naranjo (2003). Tal estudo desenvolve um método de estimar

conjuntamente a estrutura e dinâmica do termo de taxa de juros para mercados com número

de transações limitadas. Esse propósito é conseguido através de uma modificação no filtro

de Kalman padrão que permite que essa metodologia seja aplicada para dados incompletos

em painel. Apesar de aplicar essa metodologia ao modelo generalizado de Vasicek, tal ajuste

é aplicável a um grande número de modelos estocásticos contínuos e com qualquer número

de fatores.

O trabalho se mostrou bem-sucedido para o mercado chileno, sendo que este é ainda hoje

utilizado por um consórcio financeiro e instituições acadêmicas no Chile para estimar a

estrutura a termo de taxas de juros chilena. Tais resultados podem ser observados no web site

riskamerica.com.

3. METODOLOGIA

3.1. MODELOS AFINS DE ESTRUTURA A TERMO

A parte que se segue é uma coleção de idéias abordadas por Duan e Simonato (1999) no

artigo que trata de modelos afins e sua modelagem por meio de variáveis estado espaço. De

maneira geral, a classe de modelos de estrutura a termo de taxa de juros afins são aqueles nos

quais o yield até o vencimento dos títulos de desconto puro (sem cupons) e a taxa instantânea

de juros são funções afins (i.e. uma constante mais um termo linear) de m variáveis de estado

não-observáveis Xt, que seguem um processo de difusão afim da seguinte forma:

tttt

dWXdtXUdX );();(

onde:

é um vetor mx1 de processos de Wiener independentes

é um vetor px1 de parâmetros específicos do modelo

)()(

⋅

são funções afins de em

, tal que a equação anterior tenha solução

única.

Nessa classe de modelos, o preço de um título pure-discount sem possibilidade de default

na data t com tempo até o vencimento

tem a seguinte forma:

De forma geral as funções

)()(

⋅

podem ser obtidas como soluções de algumas equações

diferenciais estocásticas.

))',(),(exp(})',(exp{),(),;(

00 tttt

XBAXBAXP

−

onde:

),(

é uma função escalar

),(

é um vetor função mx1

Com o conhecimento dessa fórmula, podemos definir o yield até o vencimento (composto

de maneira contínua) na data t de um título pure discount com tempo até o vencimento

seguinte maneira:

),;(ln

),;(

τψ

XY −=

Transformando para a forma afim:

))',(),((

)',(

),(ln

),;(

00 t

XBA

τψτψ

ττ

τψ

+−=+−=

Infelizmente tais conclusões não valem para títulos com cupons. Nesse caso específico,

podemos descrever o seu preço com a seguinte fórmula:

ittijij

ijtit

XtTBtTAcXP

εψψτψ

+−+−⋅=

∑

])',(),(exp[),;(

onde:

é o j-ésimo pagamento do i-ésimo título que é pago na data

Podemos perceber que há uma questão sobre a linearidade do preço de títulos com

cupom, que será abordada mais adiante.

3.2. REPRESENTAÇÃO ESTADO ESPAÇO LINEAR

Grande parte dos modelos de séries temporais em finanças e economia pode ser

representado na forma de estado espaço. Os exemplos mais comuns são os modelos ARMA

(auto-regressivos de média móvel), modelos de regressão com parâmetros variáveis no

tempo, modelos lineares dinâmicos com componentes não-observáveis entre outros.

O modelo linear Gaussiano de estado espaço pode ser representado como um sistema de

equações da seguinte forma:

tttttt

HTd

(transição)

tttttt

GZcy

(medida)

onde:

0]'[

),0(~

),(~

,...,3,2,1

INiid

PaN

ηε

Os vetores iniciais de média e variância, a e P respectivamente, são fixos e conhecidos,

mas essa premissa pode ser relaxada. O vetor de estados

contém processos estocásticos

não observáveis e efeitos fixos desconhecidos e a equação de transição

descreve a evolução

do vetor de estados utilizando-se de uma estrutura de Markov de primeira ordem. A equação

de medida descreve o vetor de observações

em função do vetor de estados não

observáveis

. Assume-se que as inovações na equação de transição e as inovações na

equação de medida são independentes, mas, assim como as premissas anteriores, esta

também pode ser relaxada.

As matrizes determinísticas variantes no tempo

tttt

GHZT ,,,

são chamadas de matrizes

de sistema. Já os vetores

dec

são componentes fixos utilizados, geralmente, para

incorporação de efeitos e/ou padrões conhecidos no modelo, caso contrário, são considerados

como iguais a zero. O modelo estado espaço pode então ser reescrito de maneira mais

compacta como:

tttt

+⋅Φ+=













αδ

onde:

),0(~),,(~

1 tt

NiiduPaN

Ω













=Ω

























=Φ













,,,

Para modelos multivariados, assumimos que a matriz

é diagonal, muito embora

esse tipo de restrição possa ser relaxado com a inclusão de um vetor de distúrbios no vetor de

estados

3.3. REPRESENTAÇÃO ESTADO ESPAÇO NÃO LINEAR

Não são poucos os casos onde existe a necessidade de não linearidade na representação

estado espaço. O caso mais comum é na modelagem de títulos pagadores de cupons. Esse é

o caso específico de não linearidade na equação de medida descrito por Lund (1997). O

sistema de equações que representa o estado espaço não linear poderia ser descrito da

seguinte forma:

tttttt

HTd

ttttt

GZy

),(

A adoção dessa não linearidade faz com que sejam necessários ajustes no filtro de

Kalman padrão, já que passa a existir a necessidade de criar uma aproximação da equação de

medida para que o algoritmo seja aplicado.

3.4. MODELO DE VASICEK GENERALIZADO

O modelo generalizado de Vasicek é um modelo multifatorial Gaussiano com reversão de

médias da taxa de juros spot estendido do modelo clássico de Vasicek (1977). O modelo

geral considera n fatores estocásticos reversores de média representados pelo vetor Xt que

definem a taxa instantânea de juros rt:

onde é um processo de Wiener; é a média de longo prazo para os fatores selecionados;

é a intensidade de reversão de média com a qual o processo retorna a sua média de

longo prazo e é o parâmetro de volatilidade do processo.

Nos termos de um modelo uni fatorial (utilizando apenas como fator do modelo) temos

como formas funcionais de

)()(),(),(),(

⋅

ebaBA

onde é o parâmetro de risco de mercado. Nesse modelo, em específico, um valor positivo

de implica em um prêmio positivo para os preços de títulos. Dessa forma, podemos

representar tal equação na forma estado espaço com as seguintes matrizes:

A seguir, detalharemos a maneira de generalizar as fórmulas citadas acima para o caso

específico de dois fatores e, com isso, indicar uma maneira genérica para a representação de

n fatores estocásticos.

Podemos perceber que o número de parâmetros aumenta consideravelmente conforme

aumentamos o número de fatores na estimação. Por exemplo, para o modelo de Vasicek com

um fator, temos que a taxa de juros é determinada por uma função dos seguintes parâmetros:

k, , , , ,..., . Quando trabalhamos com modelos de N fatores estocásticos o

modelo é parametrizado com 4N+n fatores. É importante notar que o princípio da parcimônia

é de fundamental importância para a perfeita aplicação da metodologia, já que há apenas uma

observação por período estudado para se estimar inúmeros parâmetros.

A formação das matrizes estado espaço para o caso n-fatorial acontece da mesma maneira

que o uni fatorial, com a necessidade de alguns ajustes nas dimensões das matrizes

trabalhadas. Tomemos como exemplo o caso n-fatorial:

Podemos escrever as matrizes estado espaço como:

Podemos perceber que, apesar de o acréscimo de fatores implicar em uma grande adição

de complexidade na computacionalização do modelo, o mesmo não pode ser dito a respeito

da complexidade do modelo propriamente dito.

3.5. FILTRO DE KALMAN PADRÃO

O filtro de Kalman é uma metodologia que pode ser aplicada para modelos dinâmicos

representados sob a forma de estado-espaço que incluem uma equação de medida e outra de

transição. A cada data do tempo a equação de medida relaciona um vetor de variáveis

observáveis z

a um vetor de variáveis de estado x

, geralmente não observáveis, conforme o

exemplo genérico abaixo:

ttttt

vdxHz

),0(~

RNv

A equação de transição, entretanto descreve a dinâmica das variáveis de estado no tempo,

conforme o exemplo abaixo:

ttttt

cxax

−

),0(~

Essa metodologia nos permite calcular estimadores ótimos para as variáveis de estado

dada toda a informação disponível até a data t. Os estimadores das variáveis de estado e da

matriz de covariância (P

) dos erros é prevista conforme as equações:

ttttt

cxAx +=

−− 11|

ˆˆ

tttttt

QAPAP +

′

−− 11|

Quando uma nova informação (

) é disponibilizada, dá-se início ao passo de

atualização, obtendo-se assim estimadores melhores (ótimos) das variáveis de estado e da

matriz de covariância dos erros:

tttttttt

vFHPxx

1|1|

ˆˆ

−

−−

′

1|1| −

−

−−

′

−=

tttttttttt

PHFHPPP

onde

)

(

tttttt

dxHzv

RHPHF

+−=

′

−

Intuitivamente, o passo de atualização nada mais é que o cálculo das esperanças

condicionais das variáveis de estado dadas as informações passadas e a informação atual. De

forma geral, a estimação utilizando o filtro de Kalman pode ser resumida na Figura 1.

3.6. FILTRO DE KALMAN PARA DADOS DE PAINÉIS INCOMPLETOS

Esta seção segue o estudo de Cortazar, Schwartz e Naranjo (2003), que analisaram os

benefícios da adoção do filtro de Kalman para dados em painéis incompletos. Embora não

seja uma característica muito contemplada pela literatura, nessa metodologia de estimação

não é necessário que se tenha um número fixo de variáveis observadas para qualquer data. A

grande diferença nesse caso é o tamanho variável dos vetores e matrizes mencionados nas

fórmulas citadas na seção anterior.

Seja

o número de títulos negociados com diferentes vencimentos para uma data t.

Como tratamos de mercados com baixo volume de transações, isso implica que, dificilmente,

Figura 1: Algoritmos Praticados pelo Filtro de Kalman para

Obtenção de Estimativas

e Erros de Parâmetros em um Ambiente Estado Espaço

(1) Atualiza o estimador

(2) Atualiza a covariância do erro

tttttttt

vFHPxx

1|1|

ˆˆ

−

−−

′

1|1| −

−

−−

′

−=

tttttttttt

PHFHPPP

Previsão

ttttt

cxAx +=

−− 11|

ˆˆ

(1) Prevê o estado seguinte

(2) Projeta a covariância seguinte

tttttt

QAPAP +

′

−− 11|

Atualização

Estimações iniciais

e P

Nova Informação z

Onde:

)

(

tttttt

dxHzv

RHPHF

+−=

′

−

(1) Atualiza o estimador

(2) Atualiza a covariância do erro

tttttttt

vFHPxx

1|1|

ˆˆ

−

−−

′

1|1| −

−

−−

′

−=

tttttttttt

PHFHPPP

Previsão

ttttt

cxAx +=

−− 11|

ˆˆ

(1) Prevê o estado seguinte

(2) Projeta a covariância seguinte

tttttt

QAPAP +

′

−− 11|

Atualização

Estimações iniciais

e P

Nova Informação z

Onde:

)

(

tttttt

dxHzv

RHPHF

+−=

′

−

Previsão

ttttt

cxAx +=

−− 11|

ˆˆ

(1) Prevê o estado seguinte

(2) Projeta a covariância seguinte

tttttt

QAPAP +

′

−− 11|

PrevisãoPrevisão

ttttt

cxAx +=

−− 11|

ˆˆ

(1) Prevê o estado seguinte

(2) Projeta a covariância seguinte

tttttt

QAPAP +

′

−− 11|

AtualizaçãoAtualização

Estimações iniciais

e P

Nova Informação z

Onde:

)

(

tttttt

dxHzv

RHPHF

+−=

′

−

termos uma amostra onde

seja constante. Dessa forma, podemos concluir que o tamanho

da amostra de transações será dependente da data em que os títulos são avaliados.

ttttt

vdxHz

),0(~

RNv

onde

é um vetor

x1,

é uma matriz

x1,

é um vetor nx1 e

é também um

vetor

x1 de ruídos Gaussianos não correlacionados com média 0 e variância

É possível perceber que o filtro de Kalman pode ser utilizado sem grandes alterações para

o caso de dados incompletos, visto que, para a obtenção dos estimadores ótimos, é calculada

a expectativa condicional das variáveis de estado (

)|(

1 tttt

zxEx

−

), que podem ser

computadas apesar de variações no número de observações.

4. DADOS E RESULTADOS

Neste trabalho foram estudadas as transações diárias de ativos pré-fixados no mercado

brasileiro entre janeiro de 2003 e dezembro de 2007. Foram utilizados dois tipos de ativos:

LTN (Letra do Tesouro Nacional) no mercado secundário e DI Futuro (Futuro de Depósitos

Interfinanceiros) na BM&F (Bolsa de Mercadorias e Futuros).

As LTNs são títulos sem cupom emitidos pelo Tesouro Nacional para a cobertura de

déficit público e orçamentário e para a realização de operações de crédito por antecipação de

receitas orçamentárias. Os DIs podem ser definidos como a acumulação das taxas médias

diárias do CDI de um dia calculada pela CETIP (Central de Custódia e Liquidação Financeira

de Títulos). Seus respectivos futuros são transacionados diariamente na BM&F para vários

vértices diferentes.

A Tabela 1 descreve bem a realidade das LTNs no Brasil. Há uma grande quantidade de

títulos com vencimentos de curto prazo, mas nenhum que exceda o prazo de três anos. Mais

uma vez fica demonstrada a necessidade de metodologias mais elaboradas ao se precificar

títulos que possuam um maior prazo de vencimento.

Tabela 1: Transações Diárias de LTNs no Mercado Secundário de Janeiro de 2003 a Dezembro de 2007

Tempo até o

Vencimento

Número de

Observações

Frequência Média de

Transações

Volume Médio

Diário (R$)

Número Médio de

Negociações Diárias

Yield Médio

(% a.a.)

spot 369 29,5% 925.739.192 930.815 14,57%

1 mês - 3 meses 816 65,0% 1.043.968.386 1.071.665 17,85%

4 meses - 6 meses 1.136 90,4% 1.732.079.433 1.839.608 16,46%

7 meses - 9 meses 1.273 96,3% 1.561.771.121 1.715.416 16,77%

10 meses - 12 meses 1.104 87,0% 745.652.949 846.956 15,90%

1 ano - 2 anos 2.565 88,1% 1.339.447.137 1.625.516 14,79%

2 anos - 3 anos 540 40,0% 521.676.194 692.982 13,28%

3 anos - 4 anos 0 0,0% 0 0 0

4 anos - 5 anos 0 0,0% 0 0 0

5 anos ou mais

0,0%

Um percentual de transações médias de 20%, por exemplo, implica que houve em média

uma transação a cada cinco dias. Conclui-se, portanto, que há muitas transações de LTNs

com vencimentos até dois anos, mas o mercado é bastante rarefeito quando observamos

vencimentos de maior prazo.

A Tabela 2 mostra como o mercado de DI é mais completo que o de LTNs, tanto em

volume transacionado como em quantidade de vencimentos diferentes. Entretanto, podemos

perceber que há também carência de vencimentos maiores, exatamente como ocorre com as

LTNs.

Tabela 2: Transações Diárias de DI Futuro no Mercado Secundário de Janeiro de 2003 a Dezembro de 2007

Tempo até o Vencimento

Número de

Observações

Frequência Média

de Transações

Volume Médio

Diário (R$)

Número Médio de

Negociações Diárias

Yield Médio

(% a.a.)

spot 1.105 88,9% 3.470.997.622 34.943 14,49%

1 mês - 3 meses 2.527 100,0% 7.615.397.830 77.953 15,30%

4 meses - 6 meses 2.009 99,8% 8.649.638.695 91.379 16,18%

7 meses - 9 meses 1.302 100,0% 7.908.659.233 86.824 16,19%

10 meses - 12 meses 1.241 99,1% 4.751.667.440 53.828 15,48%

1 ano - 2 anos 4.797 100,0% 10.553.870.437 126.937 13,98%

2 anos - 3 anos 3.943 99,1% 3.940.938.391 51.926 12,07%

3 anos - 4 anos 2.636 90,9% 564.103.310 8.592 13,63%

4 anos - 5 anos 1.253 58,7% 657.878.117 10.665 11,37%

5 anos ou mais

1.737

46,2%

185.435.057

4.053

12,82%

Outra forma de se analisar o problema é observar a descrição gráfica na Figura 2, onde

podemos perceber visualmente o quão incompleto é o mercado secundário de LTNs.

Notamos que atualmente há uma boa quantidade de negociações para títulos de curto prazo,

embora o padrão de negociação desses títulos não seja totalmente previsível.

A Figura 3 apresenta a mesma descrição gráfica para os DIs Futuros. Quando

comparamos as Figuras 2 e 3, percebemos que, principalmente no início da amostra estudada,

a variedade de vencimentos negociados para o DI Futuro sempre foi maior do que a de

LTNs. No entanto, percebe-se a falta de negociações para diversos vencimentos em diversos

pontos no tempo. É exatamente tal característica que deve ser evitada quando da utilização de

modelos estáticos de estrutura a termo de taxas de juros. Essa também é uma das razões por

que a quase totalidade dos estudos do mercado brasileiro ter se baseado apenas no mercado

de DI Futuro e ter deixado os títulos públicos à parte.

Meses até o Vencimento do Título

Ano/Mês 1 3 6 9 12 18 24

25,9%

26,3%

25,1%

26,6%

25,9%

25,5%

23,5%

22,2%

21,8%

21,4%

22,4%

19,9%

18,6%

18,7%

18,2%

18,1%

18,2%

15,9%

15,7%

15,9%

16,1%

15,6%

15,4%

15,3%

15,4%

15,2%

15,1%

17,2%

17,6%

18,0%

15,7%

16,3%

16,7%

17,0%

17,8%

15,4%

15,3%

16,5%

17,2%

17,7%

16,6%

17,1%

17,6%

16,7%

18,1%

18,5%

18,6%

18,3%

17,9%

18,1%

18,8%

18,6%

18,3%

17,8%

18,2%

18,0%

19,3%

19,8%

19,5%

19,3%

19,8%

19,7%

19,5%

19,1%

18,9%

19,8%

19,4%

18,8%

18,4%

17,9%

17,7%

19,8%

19,3%

18,8%

18,3%

18,1%

21,2%

19,7%

19,1%

18,7%

18,3%

18,2%

17,9%

19,1%

18,7%

18,3%

18,1%

18,3%

17,6%

17,1%

16,8%

16,6%

16,4%

16,2%

17,5%

17,0%

16,8%

16,6%

16,8%

16,7%

15,8%

15,4%

15,2%

15,1%

15,0%

15,7%

15,2%

15,1%

15,4%

15,2%

14,8%

14,9%

15,1%

15,5%

15,8%

14,8%

14,7%

15,2%

14,4%

14,2%

13,8%

13,7%

13,6%

13,8%

13,6%

13,5%

13,3%

13,2%

12,9%

12,7%

12,5%

12,4%

12,9%

12,6%

12,4%

12,2%

12,8%

12,5%

12,1%

12,2%

11,9%

12,4%

12,1%

12,0%

11,9%

12,1%

11,3%

11,2%

10,9%

10,8%

10,7%

11,3%

11,2%

10,9%

10,8%

10,7%

10,8%

10,6%

11,0%

11,1%

11,2%

11,4%

11,0%

11,1%

10,6%

11,3%

15,8%

11,1%

11,4%

11,8%

11,9%

12,4%

12,9%

2003/01

2007/12

Figura 2: Análise Gráfica do Mercado Secundário de LTNs de Janeiro de 2003 a

Dezembro de 2007

Uma célula negra indica que houve transação para um dado vértice de vencimento em um

dado mês observado.

Meses até o Vencimento do Título

Ano/Mês 1 3 6 9 12 18 24

24,1%

25,6%

26,8%

26,6%

28,8%

28,7%

25,1%

27,0%

25,2%

26,4%

26,6%

27,8%

24,8%

25,8%

25,5%

25,4%

25,7%

25,8%

26,5%

24,8%

25,1%

24,6%

25,0%

23,7%

23,4%

22,1%

21,5%

21,1%

20,8%

21,0%

22,0%

22,3%

19,8%

19,4%

18,0%

18,5%

17,9%

18,1%

17,8%

18,0%

18,3%

17,0%

16,6%

15,9%

15,7%

15,8%

16,0%

16,2%

15,3%

15,6%

15,5%

15,4%

15,8%

15,3%

15,8%

15,2%

15,3%

15,2%

15,1%

15,2%

15,3%

15,6%

14,9%

15,3%

15,2%

15,1%

15,2%

15,4%

14,9%

15,4%

15,0%

15,8%

16,8%

17,1%

17,4%

18,2%

15,0%

15,7%

16,3%

16,5%

16,7%

17,1%

17,4%

15,1%

15,9%

15,2%

16,4%

16,9%

17,2%

17,3%

17,6%

15,9%

16,4%

16,9%

17,2%

17,3%

17,4%

17,5%

16,0%

17,3%

16,6%

17,8%

18,2%

18,1%

17,8%

17,4%

17,2%

18,0%

18,2%

18,0%

17,4%

17,1%

17,6%

18,6%

18,0%

19,1%

19,3%

19,1%

18,7%

18,2%

18,3%

19,1%

19,4%

19,2%

18,8%

18,4%

18,7%

19,3%

18,7%

19,5%

19,0%

18,5%

18,1%

17,5%

17,2%

18,7%

19,3%

19,0%

18,4%

18,0%

17,4%

17,0%

18,6%

19,1%

18,5%

18,7%

18,4%

18,0%

17,8%

17,4%

16,9%

18,1%

18,6%

18,3%

18,0%

17,8%

17,4%

17,8%

17,1%

16,7%

16,5%

16,3%

16,0%

15,7%

16,6%

16,9%

16,7%

16,4%

16,3%

16,2%

16,3%

15,6%

15,5%

15,1%

15,0%

14,9%

14,8%

14,7%

15,2%

15,3%

15,0%

14,8%

14,7%

14,6%

15,0%

14,4%

14,6%

14,7%

14,8%

15,3%

15,7%

14,2%

14,5%

14,6%

14,9%

13,6%

14,0%

13,4%

13,5%

13,6%

13,7%

13,8%

13,0%

13,4%

13,6%

12,6%

13,1%

12,5%

12,6%

12,5%

12,4%

12,3%

12,6%

12,5%

12,4%

12,3%

12,2%

12,4%

12,0%

12,2%

12,0%

11,9%

11,7%

11,6%

11,9%

12,1%

12,0%

11,9%

11,8%

11,6%

11,5%

11,6%

11,9%

11,4%

11,5%

11,1%

10,9%

10,8%

10,7%

11,1%

11,2%

11,1%

10,9%

10,7%

10,6%

10,7%

11,0%

10,6%

10,9%

11,0%

11,1%

11,3%

10,5%

10,9%

11,0%

11,1%

11,2%

10,6%

11,0%

10,5%

11,0%

11,4%

11,7%

12,5%

12,8%

2003/01

2007/12

Figura 3: Análise Gráfica do Mercado Secundário de DI Futuro de Janeiro de 2003

a Dezembro de 2007

Uma célula negra indica que houve transação para um dado vértice de vencimento em um

dado mês observado.

Essa situação é bastante desafiadora quando analisamos a situação de uma seguradora

que possui negócios em previdência e tem a necessidade de investir em títulos de prazo de 20

ou 30 anos. Infelizmente, no mercado brasileiro, ainda não há espaço para vencimentos pré-

fixados tão longos.

O número reduzido de transações de vencimentos diferentes é exatamente uma das

motivações desse trabalho. A falta de muitos vértices diferentes acaba por fazer com que os

métodos de ajuste de curvas sejam altamente ineficazes em nosso mercado. Conforme

24,0%

26,0%

28,0%

30,0%

32,0%

34,0%

36,0%

38,0%

0 5 10 15 20 25 30 35 40

Ajustes de Curvas para as Transações de LTNs em Março de

2003

Ajuste Logaritmico

Ajuste Polinomial

Yield Estimado pelo Ajuste (% a.a.)

Meses

podemos avaliar em um exemplo, uma infinidade de curvas pode ser ajustada em casos

extremos (embora não sejam tão incomuns em mercados emergentes).

A Figura 4 ilustra perfeitamente os riscos de se basear em análises de ajuste de curvas

para mercados tão incompletos como o brasileiro. Observa-se que, quando trabalhamos com

poucos vértices para o ajuste de curvas, corremos o risco de erros grosseiros nas estimações

de maior longo prazo. Por exemplo, podemos ver que há uma diferença de aproximadamente

9% para a taxa de juros estimada com vencimento de 30 meses. Esse exemplo foi retirado da

amostra utilizada nesse estudo e é um dos muitos exemplos que apresentam essa

característica. Fica bastante evidente, portanto, que, em casos de observações com tão

poucos vértices (muitas vezes com mais parâmetros a serem estimados do que observações),

os métodos de ajuste de curvas não funcionam satisfatoriamente.

Figura 4: Dois Ajustes de Curvas Baseados nas Observações das

Transações de LTNs em Março de 2003

Meses at

é o vencimento

Outra característica bastante interessante e muito comentada nos últimos anos é o

alongamento do perfil de dívida brasileira através da substituição dos títulos de curto prazo

pela emissão de títulos de maior prazo. Mas apenas a emissão não garantiria tal alongamento.

Na realidade, além da emissão, a maior estabilidade da economia brasileira aliada à redução

da taxa de juros básica permitiu que empresas e investidores comprassem tais títulos pré-

fixados com prazos de vencimento maiores do que os previamente negociados.

É exatamente isso que pode ser observado na Figura 5. Podemos perceber o alongamento

dos títulos, embora o prazo de vencimento médio seja atualmente de cerca de um ano, algo

que pode ser considerado bem baixo quando comparamos com mercados desenvolvidos.

Outra característica interessante observada foi um retrocesso no valor negociado de títulos

pré-fixados nos últimos 2 anos.

Figura 5: Volumes Negociados e Tempo até o Vencimento de LTNs

Transacionadas no Mercado Secundário de Janeiro de 2003 a Dezembro de 2007

100

150

200

250

200.000

400.000

600.000

800.000

1.000.000

1.200.000

1.400.000

Volume Negociado

Tempo Médio até o Vencimento

Período de Análise

Informações Referentes a Transações de LTN no Mercado Secundário

Volume Negociado (R$ milhões)

Dias Úteis até o Vencimento

A Figura 6 mostra o volume negociado e o tempo até o vencimento dos DIs Futuros.

Apesar de os volumes e os prazos serem maiores do que os das LTNs, os DIs Futuros

também apresentam prazos de vencimento de cerca de um ano e um alongamento similar ao

experimentado pelos títulos governamentais. Entretanto, parece haver uma diferença clara

entre os dois tipos de ativos. Ao contrário das LTNs, o volume negociado de DIs tem

aumentado nos últimos anos, ao contrário do das LTNs, que vem caindo consideravelmente.

Esse comportamento também pode ser visto na Tabela 3.

Figura 6: Volumes Negociados e Tempo até o Vencimento dos DIs Futuros

Transacionados na BM&F de Janeiro de 2003 a Dezembro de 2007

100

150

200

250

300

350

2.000.000

4.000.000

6.000.000

8.000.000

10.000.000

12.000.000

Volume Negociado

Tempo Médio até o Vencimento

Período de Análise

Informações Referentes a Transações de DI na BM&F

Volume Negociado (R$ milhões)

Dias Úteis até o Vencimento

Tabela 3:Comparação de volumes negociados de LTNs e DIs semestre a semestre entre

Janeiro de 2003 e Dezembro de 2007

Ano/Semestre

Volume Negociado

LTNs (R$)

Participação do

Mercado (%)

Volume Negociado

DI Futuro (R$)

Participação do

Mercado (%)

2003/01 89.641.671 4,0% 2.179.037.976 96,0%

2003/02 333.755.572 9,8% 3.064.540.700 90,2%

2004/01 695.323.690 12,5% 4.859.476.534 87,5%

2004/02 1.271.761.115 22,5% 4.385.804.071 77,5%

2005/01 1.035.678.352 18,3% 4.610.652.517 81,7%

2005/02 964.028.724 13,5% 6.158.315.568 86,5%

2006/01 837.177.926 11,2% 6.642.854.964 88,8%

2006/02 884.121.029 10,5% 7.555.047.032 89,5%

2007/01 775.636.543 6,8% 10.560.067.017 93,2%

2007/02

716.666.341

7,6%

8.701.324.136

92,4%

O cálculo da participação no mercado acima inclui apenas os títulos pré-fixados, sem cupom no mercado

secundário, objetivos desse trabalho.

Nos últimos 4 anos, o volume negociado de DI foi de 3,5 a 13,6 vezes maior do que o de

LTNs. É interessante perceber que apesar da redução nas transações de LTN no mercado

secundário experimentada nos últimos dois anos, o mesmo não pode ser dito a respeito do

mercado primário. Pudemos observar nesse período, de acordo com o Relatório da Dívida

Pública Brasileira de 2007, que aproximadamente 30% do estoque de dívida pública se refere

a LTNs, fazendo com que esse seja o ativo mais relevante para potenciais estudos da

estrutura a termo de taxa de juros.

As Tabelas 4 e 5 mostram as estimações dos parâmetros utilizando o modelo de Vasicek

(1977) aliado ao flltro da Kalman para LTNs e DI, respectivamente. Podemos notar que os

valores de máxima verossimilhança indicam que o modelo se ajusta melhor para os DIs, visto

que a quantidade de informações é bastante superior e os volumes transacionados produzem

uma maior estabilidade aos dados mensais.

Tabela 4: Resultados da Estimação de Parâmetros Utilizando o Modelo

de Vasicek(1977) aliado ao Filtro de Kalman para Transações de LTN

Parâmetro: Estimate: Desvio Padrão Teste t

Kappa 0.256700 0.057500 4,464348

Theta 1.533000 0.215300 7,120297

Sigma 0.180700 0.026640 6,783033

Lambda -0,504600 0,338400 -1,491135

s1 0.120400 0.019030 6,326852

s2 0.035390 0.005439 6,506711

s3 0.008077 0.010590 0,762701

s4 0.027630 0.004940 5,593117

s5 0.054940 0.012640 4,346519

s6 0.076420 0.018830 4,058417

Log-Verossimilhança

83.512

Tabela 5: Resultados da Estimação de Parâmetros Utilizando o Modelo

de Vasicek(1977) Aliado ao Filtro de Kalman para Transações de DI Futuro

Parâmetro: Estimate: Desvio Padrão Teste t

Kappa 0.225300 0.043190 5,21649

Theta 1.493000 0.201700 7,40208

Sigma 0.156000 0.020480 7,61719

Lambda -0.358000 0.311000 -1,15113

s1 0,00563 0.007578 0,74347

s2 0,00205 0.003027 0,67856

s3 0,00037 0.009288 0,03939

s4 0,00276 0.004395 0,62890

s5 0,00514 0.008543 0,60108

s6 0,00623 0.010080 0,61806

Log-Verossimilhança

218.601

Apesar disso, podemos perceber que os parâmetros estimados para as LTNs e DIs são

muito parecidos. Esse resultado é bastante razoável, dado que esses ativos financeiros

apresentam diversas semelhanças.

O parâmetro de reversão de média, representado como Kappa, implica média de meia-

vida para os processos de taxas de juros de cerca de 3 anos para ambos os conjuntos de

dados. Isto é, o tempo esperado para que o processo estudado retorne a metade do caminho

para sua média de longo prazo é de aproximadamente 3 anos. Vale ressaltar que o parâmetro

de reversão de média se encontra significantemente longe de zero. Estar próximo de zero

significa que, na verdade, o processo seria regido por um passeio aleatório.

O prêmio de risco de mercado, representado como Lambda, apresenta valores negativos

significativos, o que implica que há um prêmio negativo para ambos os ativos. É interessante

ressaltar que tais valores não se mostraram significativos, consistente com diversos trabalhos

da mesma natureza que fizeram uso de modelos Gaussianos para explicar a dinâmica das

taxas de juros. Esse é um aspecto que vale ser explorado mais a fundo em trabalhos futuros.

Uma das maneiras de se avaliar a qualidade do modelo ajustado é analisar o quanto o

modelo proposto se ajusta ao conjunto de dados. A Tabela 6 apresenta os erros quadráticos

in-sample e out-of-sample por vértice de vencimento. Uma medida out-of-sample foi

calculada através da re-estimação do modelo utilizando apenas dados até 2006 e, após isso,

comparando a estrutura a termo de taxa de juros observada com a estimada para o ano de

2007.

Tabela 6: Análise do Ajuste do Modelo RMSE para LTN e DI

Futuro Considerando os Diversos Prazos Analisados.

Meses in-sample out-of-sample in-sample out-of-sample

1 1,76% 1,91% 0,28% 1,90%

3 0,32% 1,45% 0,25% 1,30%

6 0,31% 1,15% 0,42% 1,06%

12 0,44% 0,94% 0,42% 0,85%

18 0,74% 1,25% 0,72% 0,97%

24 0,91% 1,62% 1,00% 1,56%

Total 0,92% 1,43% 0,54% 1,39%

LTN DI

Podemos perceber que os erros são consideravelmente maiores para a análise out-of-

sample do que para a in-sample. Isso pode ser explicado pelo fato de estarmos trabalhando

com modelos mensais e com poucos dados (60 observações), algo que restringe muito a

capacidade preditiva do modelo. Tal fato ainda pode ser mais agravado pelo cenário

econômico brasileiro no mesmo período. A queda gradativa de juros no período de análise

tem papel fundamental quando comparamos as taxas de juros estimadas com as ocorridas.

Pode-se esperar que, com uma maior estabilidade econômica aliada a um maior horizonte

de análise, os erros in-sample e out-of-sample tendem a ser mais próximos, consistente com o

estudo do mercado chileno feito por Cortazar et al (2003).

Finalmente, a Figura 7 mostra a estrutura a termo estimada para dezembro de 2007. A

estrutura a termo de taxa de juros brasileira se mostra com um formato decrescente até 1 ano

e crescente para prazos superiores. É interessante perceber que esse comportamento não é

incomum em transações de DI e LTN feitas no mercado brasileiro.

razo em

Meses

Figura 7: Resultado da Modelagem da Estrutura a Termo de Taxa de Juros para DI

Futuro e LTN. Estrutura Estimada para o Mês de Dezembro de 2007 (In-Sample)

A curva de juros em formato de “U”, apresentada na figura acima, não é incomum em

países experimentando períodos de queda da taxa de juros. É interessante perceber que esse

foi exatamente o caso brasileiro durante o período de análise deste trabalho.

Como podemos observar, o modelo estimado para a curva de LTNs apresenta taxas de

juros superiores às dos DIs. A modelagem, portanto, confirma que os títulos públicos são

efetivamente transacionados com um prêmio e que tal comportamento não é um fato isolado

de alguns negócios.

Uma possível razão para esse prêmio das LTNs reside em uma diferença básica entre os

dois títulos. Quando o investidor adquire uma LTN há uma efetiva imobilização de capital

enquanto que em um contrato de DI-Futuro não há tal compromisso. Essa diferença pode ser

9,50%

10,00%

10,50%

11,00%

11,50%

12,00%

12,50%

LTN

Yield (% a.a.)

Meses

eses at

é o vencimento

a responsável por uam diferença de risco entre os dois tipos de títulos pré-fixados e sua

diferença de taxa de juros

5. CONCLUSÃO E SUGESTÕES PARA NOVAS PESQUISAS

A estimação da estrutura e dinâmica das taxas de juros é um assunto que tem ganhado

grande importância no mercado brasileiro, principalmente após as políticas de estabilização

econômica. Sua importância se deve principalmente ao fato de ser uma necessidade para

todos os participantes do mercado. O conhecimento da taxa de juros é crítico principalmente

para a avaliação e hedging de ativos de renda fixa.

Em países com mercados altamente desenvolvidos, títulos pré-fixados são negociados em

quantidades consideráveis para todo o tipo de vencimento, no entanto, nos países emergentes,

tal fato não poderia estar mais distante da realidade. Em cada dia há negociações de apenas

alguns títulos para certos vencimentos, havendo um grave problema de falta observações.

Essa característica, de quase a totalidade dos mercados emergentes, faz com que a estimação

da estrutura a termo das taxas de juros utilizando métodos estáticos seja muito difícil.

Tradicionalmente, o estudo dinâmico da estrutura a termo de taxas de juros foca nos

aspectos de painel da curva de juros, ou as propriedades de séries temporais da taxa de juros.

Nos últimos anos, muitos pesquisadores têm utilizado a modelagem estado espaço e as

técnicas de filtragem de Kalman para estimar estruturas afins.

Para os modelos mais simples, quando a representação é geralmente linear e Gaussiana, a

análise fica simplificada. Entretanto, em modelos mais genéricos, as variáveis de estado

influenciam a variância dos erros das equações de transição, fazendo com que a distribuição

dos erros se torne não-Gaussiana. Nesse caso específico, métodos espaço estado são

necessários. Isso é particularmente verdadeiro quando tratamos de títulos com cupons.

Este trabalho aplica uma metodologia que utiliza dados em painel incompletos para

estimar a estrutura atual da taxa de juros brasileira. O estudo alia o algoritmo do filtro de

Kalman ao modelo estocástico de Vasicek para taxas de juros. A metodologia permite a

estimação da estrutura atual da taxa de juros brasileira, bem como sua dinâmica, apesar dos

dados em painel incompleto. Ela permite, inclusive, a estimação para intervalos de tempo

com muito poucas observações. Apesar de o estudo ter utilizado o modelo de Vasicek para a

estimação da estrutura a termo da taxa de juros, uma classe muito maior de modelos poderia

ter sido aplicada.

Apesar de o trabalho se basear em dados em painel bastante incompletos, sem qualquer

vértice superior a 24 meses, os parâmetros estimados se mostraram significativos a 5%. A

utilização de parâmetros mais flexíveis, que não consideram o prêmio de risco de mercado

como estático, mas como uma função dos fatores estimados, poderia ampliar o valor

explicativo da estimação e, portanto seria um bom ponto de início para a expansão deste

trabalho.

Outra conclusão bastante interessante da modelagem proposta foi o ajuste de curvas que

efetivamente demonstram que as LTNs possuem um prêmio de taxa de juros quando

comparadas com as negociações de DI Futuro. Tal fenômeno não ocorre em ocasiões

isoladas, mas sim consistentemente a ponto de alterar as curvas estimadas e possivelmente é

correlato ao fato de LTNs exigirem uma imobilização de capital quando transacionadas e DI-

Futuros não possuirem tal compromisso. Esse fator pode ser o gerador de uma diferenciação

no risco de títulos com o mesmo vencimento.

Outra peculiaridade bastante interessante foi o formato da curva de juros brasileira

estimada para dezembro de 2007. A estrutura a termo de taxa de juros brasileira se mostra

com um formato decrescente até 1 ano e crescente para prazos superiores. É interessante

perceber que esse comportamento não é incomum em transações de DI e LTN feitas no

mercado brasileiro, sendo comum em países que experimentam uma redução consistente das

taxas de juros.

Outro ponto importante a ser ressaltado é a possibilidade de ampliação da metodologia

aplicada. Seria muito interessante a adoção de modelos estocásticos mais elaborados e com

maior número de fatores na tentativa de explicar melhor o comportamento da estrutura a

termo de taxa de juros brasileira. Este pode ser mais um dos enfoques para posteriores

pesquisas.

REFERÊNCIAS BIBLIOGRÁFICAS

ALMEIDA, C. I. R. Time-varying risk premia in emerging markets: explanation by a multi-

factor affine term structure model.

International Journal of Theoretical and Applied Finance,

v. 7, p. 919-947, 7, 2004.

BABBS, S. H.; NOWMAN, K. B. Kalman filtering of generalized Vasicek term structure

models.

Journal of Financial and Quantitative Analysis

, v. 34, n. 1, p. 115-130, 1999.

BARCINSKI, A.

Risco da taxa de juros e a dívida pública federal no Brasil pós-real

Dissertação de Mestrado – Departamento de Economia, Pontifícia Universidade Católica do Rio

de Janeiro, 1998.

BLACK, F.; SCHOLES, M. The pricing of option and corporate liabilities.

Journal of Political

Economy

, v. 81, p. 637-654, 1973.

BLISS, R.R. Testing term structure estimation methods.

Advances in Futures and Operations

v. 9, p. 197-231, 1996.

CHEN, R.; SCOTT, L. Multi-factor Cox-Ingersoll-Ross models of the term structure:

Estimates and tests from a Kalman filter model.

Journal of Real Estate Finance and

Economics,

v. 27, n. 2, p. 143-60, 2003.

CORTAZAR, G.; SCHWARTZ, E.; NARANJO, L.

Term Structure Estimation in Low-

Frequency Transaction Markets: A Kalman Filter Approach with Incomplete Panel-Data

SSRN Working Paper, 2003.

COX, J. C.; INGERSOLL, J. E.; ROSS S. A. A theory of the term structure of interest rates,

Econometrica

, v. 53, p. 385-407, 1985.

DE LA ROQUE, E.

O mercado de juros brasileiro: uma contribuição para a modelagem de

mercados de juros e futuros em economias instáveis

. Tese de Doutorado – Departamento de

Economia, Pontifícia Universidade Católica do Rio de Janeiro, 1996.

DUAN, J. C.; SIMONATO, J-G. Estimating and testing exponential-affine term structure models

by Kalman filter.

Review of Quantitative Finance and Accounting

, v. 13, n.2, p. 111-135,

1999.

DUFEE, G. R.; STANTON, R.

Estimation of Dynamic Term Structure Models.

Haas School

of Business Working Paper, 2004.

DUFFIE, D.; FILIPOVIC, D.; SCHACHERMAYER, W. Affine processes and applications in

finance.

The Annals of Applied Probability

, v. 13, n. 3, p. 984-1053, 2003.

DUFFIE, D.; KAN, R A yield-factor model of interest rates.

Journal of Mathematical Finance

v. 6, p. 379-406, 1996.

FISHER, M.; NYCHKA, D.; ZERVOS, D.

Fitting the Term Structure of Interest Rates

with Smoothing Splines

, Federal Reserve Board of Governors Working Paper, 1994.

GONÇALVES, F.; GEYER, R. Risco duration: extensão analítica da curva de DI.

Gestão de

Riscos no Brasil,

Financial Consultoria Econômica, 2003.

HULL, J.; WHITE, A. Pricing interest-rate derivative securities.

Review of Financial Studies

v. 3, p. 573-592, 1990.

KALMAN, R. E. A new approach to linear filtering and prediction problems.

Journal of Basic

Engineering

, v. 82, p. 35-45, 1960.

LANGETIEG, T. A multivariate model of the term structure.

Journal of Finance,

v. 25, p.71-

97, 1980.

LITTERMAN, R.; SCHEINKMAN, J. Common factors affecting bond returns.

Journal of

Fixed Income,

v. 1, p. 54-61, 1991.

LUND, A.

Non-Linear Kalman Filter Techniques for Term-Structure Models

, Aarhus

School of Business Working Paper

1997.

MARKOVITZ, H.

Portfolio Selection: Efficient Diversification of Investment

, John Wiley,

1959.

MCCULOCH, J. H. Measuring the term structure of interest rates.

Journal of Business

, v.

44, n. 1, p. 19-31, 1971.

MCCULOCH, J. H. The tax adjusted yield curve.

Journal of Finance

, v. 30, n. 3, p. 811-

830, 1975.

NELSON, C.R.; SIEGEL, A.F. Parsimonious modeling of yield curves.

Journal of Business,

60, n. 4, p. 473-489 , 1987.

PIAZZESI, M. Affine-term structure models.

Econometrics,

Princeton University Press, 2003.

PRADO, M. E. M. A.

Uma Análise Empírica para a Estrutura a Termo da Taxa de Juros

Brasileira: Usando o Algoritmo do Filtro de Kalman para Estimar os Modelos de Vasicek e

Cox, Ingersoll e Ross.

Dissertação de Mestrado – Departamento de Economia, Pontifícia

Universidade Católica do Rio de Janeiro, 2004.

SANTOS, F. E. L. A.

Aplicação da Metodologia de Componentes Principais na Análise da

Estrutura a Termo de Taxa de Juros Brasileira e no Cálculo de Valor em Risco

. Dissertação

de Mestrado – COPPEAD/UFRJ, 2005.

SILVEIRA, G.; BESSADA, O.

Análise de Componentes Principais de dados funcionais:

uma aplicação às estruturas a termo de taxas de juros.

Trabalhos para Discussão n. 73, 2003.

SVENSSON, L. E. O.

Estimating and Interpreting Forward Interest Rates

. National Bureau

of Economic Research Working Paper, 1994.

Varga, G.; Valli, M. Movimentos da estrutura a termo da taxa de juros brasileira e imunização.

Revista de Estudos Avançados da USP

, 2001.

VASICEK, O. An equilibrium characterization of the term structure.

Journal of Financial

Economics

v. 5, p. 177-88, 1977.

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 