PT
O principal objetivo desta tese é demostrar a importância de incluir as diferenças logarítmicas
do volume de trocas e os retornos negativos entre fecho-e-abertura (diferenças logarítmicas
entre o preço de fecho do dia anterior e o preço de abertura), ambos com um momento de
desfasamento, na modelização da volatilidade para os seguintes índices DAX 30, S&P 500 e
Nikkei 225. Para este estudo utilizamos o ARMA(1,1)-EGARCH (1,1), -TGARCH (1,1), -GJRGARCH (1,1) e -GARCH (1,1) este último sem as variáveis adicionais. Escolhemos ainda as
seguintes distribuições: student-t, GED, student-t assimétrica e GED assimétrica. O período de
análise usa os retornos deste 02/01/1998 até 29/05/2020, divididos em tempos de crise e não
crise. Para a análise da previsão dos últimos vinte dias comparamos o que o modelo estima com
a "proxy" da volatilidade calculada (o quadrado dos retornos).
Os modelos que se destacam são ARMA (1,1)-EGARCH (1,1) e o ARMA(1,1) -TGARCH
(1,1) que apresentam os melhores resultados para modelar e estimar a volatilidade. Analisando
os resultados, concluímos que a versão assimétrica das distribuições tem um melhor
desempenho dentro da amostra.
Os resultados mostram que as diferenças logarítmicas do volume de trocas é uma variável
importante a incluir. Os retornos negativos entre fecho-e-abertura, são apenas significativos em
alguns períodos de análise e apenas para o modelo ARMA (1,1) -EGARCH (1,1), mas quando
são significativos apresentam os melhores resultados dentro da amostra
EN
The main objective of this thesis is to show the importance of including log differences of
trading volume and close-to-open negative returns (negative log differences between the
closing price of the day before and the opening price) both lagged one time in modelling
volatility for the DAX 30, S&P 500 and the Nikkei 225. In order to accomplish this, we use the
ARMA (1,1)-EGARCH (1,1), -TGARCH (1,1), -GJR-GARCH (1,1) and -GARCH (1,1), the
latter without external regressors. Our models use different error distributions: the student-t, the
GED, the skewed student-t and the skew GED distribution. Our sample uses the returns from
02/01/1998 to 29/05/2020 divided into crisis and non-crisis periods. For the out-of-sample
analyses we use the last twenty trading days to compare the models estimated with the volatility
proxy: the squared returns.
The models that stand out from the others are ARMA (1,1)-EGARCH (1,1) and ARMA
(1,1)-TGARCH (1,1) which seem to be the ones that best model and forecast volatility. Despite
not reaching a conclusion about the best distribution, we can conclude that the skew version of
the distributions performs better in-sample than out-of-sample.
The results show that the log differences of trading volume are an important variable to
include in and out-of-sample. Although the close-to-open negative returns are only significant
in some periods of analysis and only in ARMA (1,1)-EGARCH (1,1), when they are significant,
they yield the best in-sample results.
