63
# Modelo Distribuição
IC Log Likelihood
1 ARMA(3,0) - ARCH(3) t'student -11,7752 21.044,38
(a)
2 ARMA(3,0) - GARCH(2,0) t'student -11,4466 20.456,38
(b)
3 ARMA(3,0) - GARCH(2,1) t'student -11,798 21.085,09
(b)
4 ARMA(3,0) - GARCH(3,0) t'student -11,4459 20.456,05
(b)
5 ARMA(3,0) - TGARCH(2,0) t'student -11,6724 20.860,78
(b)
6 ARMA(3,0) - TGARCH(2,1) t'student -11,798 21.086,13
(b)
7 ARMA(3,0) - TGARCH(3,0) t'student -11,6732 20.863,27
(b)
8 ARMA(3,0) - TGARCH(3,1) t'student -11,8068 21.102,98
(b)
9 ARMA(3,0) - EGARCH(2,0) t'student -11,7952 21.080,19
(b)
10 ARMA(3,0) - EGARCH(2,1) t'student -11,7958 21.082,13
(b)
11 ARMA(3,0) - EGARCH(3,0) t'student -11,4459 21.091,03
12 ARMA(3,0) - EGARCH(3,1) t'student
-11,8002
21.091,08
13 ARMA(3,0) - EGARCH(2,0) GED -11,9513 21.359,03
(b)
14 ARMA(3,0) - EGARCH(2,1) GED -11,9534 21.363,80
(b)
15 ARMA(3,0) - EGARCH(3,1) GED -11,9469 21.353,05
(b)
Nota
(a)
Entretanto os parâmteros são não significativos estatisticamente.
(b)
Não removeu todo a correlação da série dos retornos ao quadrado
Tabela 2 – Modelos de Heterocedasticidade Condicional para o PETR4
Para remover a correlação serial da série dos retornos ao quadrado, foram rodados 15
modelos, para os quais apenas dois detiveram sucesso em remover a heterocedasticidade da
série. Dessa forma, comparando o coeficiente de informação de cada modelo, conjuntamente
com a estimativa do log de Verossimilhança de ambos modelos, chegamos a conclusão de
selecionar o modelo ARMA(3,0) – EGARCH(3,1), sendo que supomos que a distribuição dos
resíduos é a t’student, a qual é leptocúrtica (caudas pesadas). Cabe salientar, que o modelo
EGARCH consegue captar de forma eficiente o problema de assimetria
31
, o qual , conforme
Nelson(1991), é chamado de
Leverage.
Sendo assim, a representação do modelo estimado pode ser descrito da seguinte forma:
)3(*132,0)2(*144,0)1(*107,0
)008565,0()0095,0()0073,0(
ARARARy
t
+=
a qual refere-se a parte ARMA(3,0) do modelo(os números entre parênteses são os desvios
padrões de cada parâmetro), enquanto que a função:
31
Retornos negativos influem com maior força a volatilidade do que retornos positivos.