Dissertação de Mestrado

URI permanente desta comunidadehttps://repositorio.insper.edu.br/handle/11224/3237

Navegar

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Dissertação
    Modelando a volatilidade de retornos em alta frequência
    (2008) Oliveira, Leonardo José Cappa De
    O objetivo do presente trabalho é analisar as características empíricas de uma série de retornos de dados em alta freqüência para um dos ativos mais negociados na Bolsa de Valores de São Paulo. Estamos interessados em modelar a volatilidade condicional destes retornos, testando em particular a presença de memória longa, entre outros fenômenos que caracterizam este tipo de dados. Nossa investigação revela que além da memória longa, existe forte sazonalidade intradiária, mas não encontramos evidências de um fato estilizado de retornos de ações, o efeito de alavancagem. Utilizamos modelos capazes de captar a memória longa na variância condicional dos retornos dessazonalizados, com resultados superiores a modelos tradicionais de memória curta, com implicações importantes para precificação de opções e de risco de mercado.
  • Imagem de Miniatura
    Dissertação
    Estudo e previsão da volatilidade intradiária de ações
    (2011) Spinardi, Marcelo Augusto
    Esta dissertação propõe a análise empírica do comportamento das séries de retornos intradiários de um conjunto de ações com alta liquidez financeira do mercado brasileiro. Estudou-se a presença e os efeitos da sazonalidade intradiária na utilização de modelos clássicos de estimação da volatilidade condicional dos retornos, modelos da família (G)ARCH. Tais efeitos se revelam na existência no padrão “J-invertido” apresentado pelos módulos dos retornos intradiários. Por fim, foram realizadas previsões da volatilidade condicional para um período de controle determinado, para três séries de retornos: série de retornos crua, corrigidas para a sazonalidade intradiária, e corrigida para sazonalidade e para o fator “dia da semana”. Os resultados obtidos indicaram grande melhora na previsibilidade do modelo quando a série é corrigida.