You are on page 1of 68

An alise Espectral do preco e retorno nanceiro de commodities

Discente: Wauber Bezerra de Magalhaes Mauricio J unior - UFABC


Orientador: Andre Fonseca - CMCC - UFABC
Projeto Referente ao Programa
Pesquisando Desde o Primeiro Dia (PDPD) - UFABC
1 de Janeiro de 2002
1
Conte udo
1 Introducao 4
1.1 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Hipotese da eciencia dos mercados 4
2.1 Condicoes para verica cao do mercado eciente . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Forma informacional de eciencia de mercado . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1 Mercado eciente em termos fracos . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.2 Mercado eciente em termos semi-fortes . . . . . . . . . . . . . . . . . . . . . . 6
2.2.3 Mercado eciente em termos fortes . . . . . . . . . . . . . . . . . . . . . . . . . 6
3 Series Temporais 7
3.1 Algumas denicoes estatsticas importantes para series temporais . . . . . . . . . . . . 7
3.1.1 Processo estocastico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.1.2 Diagrama de disper cao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.3 Media Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.4 Variancia Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.5 Covariancia Amostral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.1.6 Coeciente de Correlacao Amostral . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Principais fenomenos tpicos de algumas series temporais: . . . . . . . . . . . . . . . . 9
4 Analise de series temporais 11
4.1 Analise de tendencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.1 Formas de tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4.1.2 Metodos para determina cao da tendencia e sua natureza . . . . . . . . . . . . . 11
4.1.3 Modelo random walk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2 Analise sazonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.1 Formas de sazonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2.2 Metodos para determina cao da sazonalidade e sua natureza . . . . . . . . . . . 13
4.3 Modelos de Box-Jenkins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3.1 Modelo (AR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3.2 Modelo (MA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.3.3 Modelos auto-regressivos de medias moveis (ARMA) . . . . . . . . . . . . . . . 14
4.3.4 Modelos auto-regressivos integrados de medias moveis (ARIMA) . . . . . . . . 14
4.3.5 Modelos sazonais (SARIMA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.4 Retornos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.4.1 Fatos estilizados sobre retornos . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5 Analise de componentes cclicos em commodities 17
5.1 Analise Espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.1.1 Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.1.2 Densidade espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.1.3 Analise de Ondeletas(Wavelets) . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
6 Estatstica 20
6.1 Variavel Aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6.2 Disribuicoes de variaveis aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . 20
6.2.1 Distribuicao de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6.2.2 Distribuicao Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6.2.3 Distribuicao de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.2.4 Distribuicao Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
6.3 Distribuicoes de variaveis aleatorias continuas . . . . . . . . . . . . . . . . . . . . . . . 22
6.3.1 Distribuicao Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6.3.2 Distribuicao Normal ou Gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . 22
2
6.3.3 Distribuicao t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.3.4 Distribuicao Qui-Quadrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
6.4 Testes estatsticos de hipoteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
6.4.1 Teste z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
6.4.2 Teste t . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
6.4.3 Teste q . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.4.4 Teste BDS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7 Metodologia 30
7.1 Series de pre cos das commodities sem tendencia . . . . . . . . . . . . . . . . . . . . . . 30
7.2 Series de retornos das commodities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.3 Analise Espectral das commodities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.3.1 Espectro de Fourier das series de pre cos das commodities . . . . . . . . . . . . 40
7.3.2 Espectro de Fourier das series de retornos das commodities . . . . . . . . . . . 49
7.3.3 Densidade Espectral das series de pre cos das commodities . . . . . . . . . . . . 58
7.3.4 Densidade Espectral das series de retornos das commodities . . . . . . . . . . . 62
8 Resultados 67
9 Conclusao 67
10 Lista de guras 68
3
1 Introducao
A hipotese da eciencia dos mercados e um dos assuntos mais importantes dentro da teoria de
nan cas e tambem um dos topicos mais polemicos. De acordo com esta hipotese proposta for Fama
(1970), o mercado seria considerado eciente se reetisse rapidamente qualquer informa cao disponvel
nos precos dos ativos, impossibilitando ganhos anormais e assim considerando que complexas tecnicas
de analise gracas consistem em esfor cos in uteis na busca de lucros extraordinarios. A partir dai varios
trabalhos tem sido realizados apresentando evidencias contra e a favor desta hipotese, mas a hipotese
da eciencia dos mercados proposta por Fama(1970) ainda continua sendo a mais aceita pela teoria
nanceira.
A analise espectral e fundamental em areas onde o intersse consiste basicamente na busca de
periodicidade dos dados, sua aplicacao no mercado nanceiro surgiu antes mesmo que o trabalho do
Fama, em 1963 , por Granger e Morgenstern, eles analisaram as diferentes frequencias dos precos de
ativos da bolsa de Nova York. A partir da, esta analise tem sido utilizada para a caracteriza cao dos
ativos e tambem para a verica cao ou nao da hipotese de eciencia dos mercados em sua forma fraca,
que tem como implica cao segundo diversos autores o fato dos pre cos de ativos serem descritos por um
passeio aleatorio.
Neste projeto e utilizado a analise espectral por meio da transformada de fourier e da funcao de
densidade espectral, aplicadas em precos e retornos de commodities, com o proposito de compreender
varios fenomenos observados no mercado nanceiro.
1.1 Objetivo
O objetivo geral desse projeto consiste no estudo dos precos de retornos do mercado nanceiro,
atraves da analise espectral, tendo como metodo a transformada de fourier e a funcao de densidade
espectral, buscando padroes de comportamento e a verica cao das hipoteses da eciencia dos mercados
2 Hipotese da eciencia dos mercados
A hipotese da eciencia dos mercados tem sua origem em estudos realizados em 1900, quando a
ideia do comportamento aleatorio dos precos passou a ser desenvolvida, mas esta proposta de mercado
eciente ganhou mais consistencia em meados dos anos 60 quando foi formalizada matematicamente
e traduzida em modelos economicos. A partir da, os economistas desenvolveram a ideia de que nao
havia nenhum padrao nos pre cos historicos, ou seja, estes nao eram uteis para prever mudancas futuras.
De acordo com o conceito de mercado eciente proposto por Fama(1970) os pre cos dos ati-
vos reetem imediatamente e completamente as informa coes disponveis de maneira a impossibilitar
o investidor de qualquer ganho anormal, ou seja retornos superiores aos ajustados ao risco do ativo,
segundo ele o mercado eciente pode ser denido como:
...um mercado onde haja um grande n umero de agentes racionais maximizadores de lucros compe-
tindo ativamente e tentando prever o valor futuro de mercado dos ttulos individuais e onde informa coes
importantes estejam disponveis para todos os participantes a um custo proximo de zero.
Em um mercado eciente, a competi cao entre muitos participantes inteligentes conduz a uma
situacao onde, em qualquer momento no tempo, os precos reais dos ativos individuais ja reetem os
efeitos das informa coes, tanto com base em eventos que ja tenham ocorrido no passado ou em eventos
que o mercado espera que ocorram no futuro. Em outras palavras em um mercado eciente o preco
de um ativo sera uma boa estimativa do seu valor intrnseco em qualquer momento.
Na visao de Van Horne(1995) o mercado eciente existe quando os precos dos ativos reetem
o consenso geral sobre todas as informacoes disponveis sobre a economia, os mercados nanceiros e a
4
propria empresa envolvida, ajustando-as rapidamente aos precos. Segundo Silva(1999), a base teorica
para um mercado nanceiro eciente reside em tres argumentos:
O primeiro considera que todos os investidores sao racionais e, portanto, avaliam os ttulos racio-
nalmente.
O segundo que, no caso de investidores nao racionais, as negocia coes com ttulos sejam aleatorias
e, por esse motivo, sao negocia coes que eliminam umas `as outras, sem alterar o preco dos ttulos.
O terceiro argumenta e que ainda no caso de investidores nao-racionais, verica-se a acao de
arbitradores racionais que eliminam a inuencia desses investidores no peco dos ttulos.

E importante salientar que a existencia do mercado eciente nao depende exclusivamente da


racionalidade do investidor a casos em que os investidores nao sao inteiramente racionais e o mercado
ainda sim e dito como eciente.
2.1 Condic oes para vericacao do mercado eciente
Para Fama(1970) as condi coes para a verica cao da hipotese do mercado eciente seriam :
Inexistencia de custos de transacao e negocia cao de ttulos;
Disponibiliza cao para os participantes do mercado de todas informacoes com isen cao de custos;
Existencia de expectativa homogenea com relacao aos retornos futuros de cada titulo.
Perobelli e Ness Jr (2000) acreditam que, como as denicoes sobre o mercado sao demasiada-
mente gerais para que possam ser testadas empiricamente, e necessario que um processo de forma cao
de pre cos seja inicialmente denido, ponto no qual reside o maior obstaculo aos testes de eciencia.
Dessa maneira, o conceito e normalmente testado conjuntamente com algum modelo de equilbrio pre-
estabelecido.
Elton e Gruber (1995) classicaram a eciencia dos mercados em duas categorias a informacio-
nal, onde perceptvel a rapidez com que a informacao e incorporada ao pre co de mercado de uma acao,
e a racionalidade de mercado, em que a capacidade dos precos reetem com precisao as expectativas
dos investidores quanto ao valor presente dos uxos de caixas futuros.
2.2 Forma informacional de eciencia de mercado
Fama(1970) propos tres formas informacionais de eciencia de mercado, a fraca, semi- forte e a
forte.
2.2.1 Mercado eciente em termos fracos
Um mercado e dito eciente em termos fracos quando todas informacoes sao provenientes de peco
e retornos passados, e um dos teste feitos para avaliar a eciencia fraca e utilizado a autocorrela cao
serial onde e avaliado o grau de interdependencia das taxas de rentabilidade de um dia com as dos
dias anteriores, se obtivermos uma correla cao serial de zero signica que nao existe correlacao nas
mudancas de precos em perodos, eles nao seriam correlacionaveis entre si de modo que os investido-
res nao poderiam obter retornos extraordinarios a partir de informa coes passadas. Podemos pensar
tambem que como as informacoes referentes aos precos sao de facil acesso, se fosse possvel obter
retornos extraordinarios utilizando padroes de retornos passados, os agentes de mercado arbitrariam
tal oportunidade a ponto de extingui-la.
5
2.2.2 Mercado eciente em termos semi-fortes
No mercado de eciencia semi-forte os pre cos reetem todas informacoes publicamente disponveis.
esta forma de mercado eciente abrangem a eciencia em termos fracos pois leva em considera cao as
informa coes passadas, mas tambem considera as informa coes publicadas que requerem interpretacao
qualicada.
Uma das preocupa coes com essa forma de eciencia e que quando fatos p ublicos de relevancia para
o mercado sao publicados e esperado que uma rea cao dos investidores no intuito que as cotacoes se
ajustem. Para que o mercado seja perfeito, os ajustes teriam que ocorrer de forma instantanea e nao
tendenciosa, tais ajustes podem ser tanto positivo, caso as informa coes fossem boas ou negativo caso
as informacoes fossem ruins.
2.2.3 Mercado eciente em termos fortes
Ja no mercado eciente forte os precos dos ativos reetem todas as informacoes disponveis, de
modo que nao possibilitem nenhum retorno extraordinario, os precos se ajustariam ao surgimento
de novas informacoes inclusive para os detentores prioritarios de informa coes como os insider traders
(investidores com informacoes privilegiadas).
No mercado de acoes existe uma sensa cao que os gestores de investimento deveriam obrigatoria-
mente obter retornos maiores que o do mercado.
De acordo com Ross, Westereld e Jae(1999) se o mercado for de fato eciente na forma
forte, nao havera evidencias de retornos anormais por partes de alguns investidores. Analisaram o de-
sempenho de fundos m utuos por considerar que alem de serem gerenciados por prossionais altamente
qualicados poderiam fazer uso de informacoes privilegiadas, e concluram que nao houve evidencias
de retornos acima do ndice de mercado utilizado.
Figura 1: Informa cao no mercado eciente
6
3 Series Temporais
Uma serie temporal pode ser denida como um conjunto de observa coes de uma variavel dispostas
sequencialmente no tempo, esta pode ser deterministica ou estocastica, uma funcao y = f(tempo)
representa uma serie deterministica, mas se a fun cao for y = f(tempo, ) sendo um termo aleatorio
esta serie e denominada estocastica.
A primeira vista o comportamento da serie temporal pode parecer aleatorio, mas se empregado
metodos propostos pele teoria de analise de seies temporais e possivel perceber comportamentos an-
tes dicilmente perceptveis como tendencia, ciclos, volatilidade e sazonalidade, esse comportamentos
quando extrados das series temporais revelam informa coes valiosas sobre o seu comportamento.
3.1 Algumas denicoes estatsticas importantes para series temporais
3.1.1 Processo estocastico
Seja T um conjunto arbritario. Um processo estocastico e uma famlia Z = {Z(t), t T}, tal
que, para cada t T, Z(t) e uma variavel aleatoria. Nestas condicoes, um processo estocastico e
uma famlia de variaveis aleatorias (v.a), que supomos denidas num mesmo espaco de probabilidades
(, A, P). O conjunto T e normalmente tomado como o conjunto dos inteiros Z = {0, 1, 2, ...} ou
o conjunto dos reais R. Tambem, para cada t T, Z(t)sera uma v.a. real.
Como, para t T, Z(t) e uma (v.a.) denida sobre , na realidade Z(t) e uma fun cao de dois
argumentos, Z(t, ), t T, . A Figura 2 ilustra esta interpretacao de um processo estocastico.
Vemos, na gura, que para cada t T, temos uma v.a Z(t, ), com uma distribuicao de
probabilidades; e possvel que a funcao densidade de probabilidade(fdp) no instante t
1
seja diferente
da fdp no instante t
2
, para dois instantes t
1
e t
2
quaisquer, mas a situacao usual e aquela em que a
fdp de Z(t, ) e a mesma, para todo t T.
7
Figura 2: Um processo estocastico interpretado como uma famlia de variaveis aleatorias
Por outro lado, para cada xado, obteremos uma funcao de t, ou seja, uma realiza cao
ou trajetoria do processo, ou ainda, uma serie temporal.
Vamos designar as realizacoes de Z(t, ) por Z
(1)
(t) , Z
(2)
(t), etc. O conjunto de todas estas
trajetorias e chamado o ensemble. Observemos que cada realiza cao Z
(j)
(t) e uma fun cao do tempo
t nao aleatoria e, para cada t xo, Z
(j)
(t) e um n umero real. Uma maneira de encarar a distribui cao
de probabilidades de Z(t, ), para um t xado, e considerar a propor cao de trajetoria que passam
por uma janelade amplitude . Tal proporcao sera fz(z) , se fz(z) for a fdp de Z(t, ). Veja a
Figura(3).
Figura 3: Um processo estocastico interpretado como uma famlia de trajetorias
O conjunto dos valores {Z(t), t T} e chamado espa co dos estados, , do processo estocastico,
e os valores de Z(t) sao chamados estados.
Se o conjunto T for nito ou enumeravel, como T = {1, 2, ..., N}ou T = Z, o processo diz-se
como parametro discreto. Se T for um intervalo de reais obtemos um processo com parametro contnuo.
O espa co dos estados, , tambem pode ser discreto ou contnuo. No primeiro caso, Z(t) pode represen-
tar uma contagem, como, por exemplo, o n umero de chamadas telefonicas que chegaram a uma central
durante um perodo de duas horas. No segundo caso, Z(t) representa uma medida que varia continu-
amente, como temperatura, pre co de um ativo nanceiro, altura de ondas, etc.(Morettin e Toloi/2006)
8
3.1.2 Diagrama de dispercao
O diagrama de dispersao e um graco onde pontos no espaco cartesiano X Y sao usados para repre-
sentar simultaneamente os valores de duas variaveis quantitativas medidas em cada elemento do con-
junto de dados. O diagrama de dispersao e usado principalmente para visualizar a rela cao/associacao
entre duas variaveis.
3.1.3 Media Amostral
Seja X uma variavel aleatoria com media (E(X) = ). Supondo uma amostra de X,assumindo
valores (x1, x2, ..., xn), denimos a media amostral com a seguinte estatstica:
=

n
i=1
x
1
n
onde E() =
3.1.4 Variancia Amostral
Seja X um variavel aleatoria, com media e variancia
2
, E(x) = e V AR(X) =
2
.Supondo uma
amostra de X assumindo valores(x
1
, x
2
, ..., x
n
), a distribuicao, ou dispersao, dos valores da amostra
em torno da media amostral pode ser medida pela variancia amostral, que podemos denir usando a
estatstica a seguir:

2
=

n
i=1
(x
1
)
2
n1
.
3.1.5 Covariancia Amostral
Sejam X e Y duas variaveis aleatorias com medias
x
e
y
, respectivamente. Entao a covariancia
entre as duas variaveis e denida como:
Cov(X, Y ) = E[(X
x
)(Y
y
)].
3.1.6 Coeciente de Correlacao Amostral
O Coeciente de Correla cao e um indicador para obtermos o grau de relacionamento entre duas
variaveis quaisquer. Dadas X e Y, duas variaveis com n elementos, e sejam e suas medias ou es-
peran cas amostrais, respectivamente, dene-se como coeciente de correla cao amostral pela seguinte
formula:
x, y =

n
i=1
(x
i
)(y
i
)

n
j=1
(x
j
)
2

n
j=1
(y
j
)
2
3.2 Principais fenomenos tpicos de algumas series temporais:
Tendencia:

E o efeito de uma mudan ca de logo prazo na media de uma serie. essa mudan ca
podem ter duas naturezas, a determinstica ou a estocastica. A tendencia determinstica e a
que a variacao no nvel medio de uma dada variavel se da, de forma previsvel. Ja a tendencia
estocastica se difere da derterminstica pois, a mudanca provocada pela tendencia em rela cao ao
seu nvel medio sera um montante aleatorio e imprevisvel.
Sazonalidade: Sao efeitos ligados a variacoes periodicas (semanal, mensal, anual, etc).
Ciclos: Sao movimentos de queda e eleva cao em torno do nivel medio da tendencia com isso
reetem o comportamento a longo prazo da variavel em questao, esses movimentos em torno da
tendencia podem ser estritamente periodicos ou aproximadamente periodicos.
Volatilidade ou Varia coes irregulares: Movimentos oscilatorios nao relacionados a sazonalidade
que podem ocorrer ao longo de um ano mensalmente, semanalmente ou em intervalos menores
de tempo.
9
4 Analise de series temporais
De acordo com BOX e JENKINS (1976), o estudo e a elaboracao de modelos de analise de series
temporais geralmente estao ligados a tres objetivos distintos, porem nao necessariamente mutuamente
exclusivos, quais sejam:
Estudo dos padroes comportamentais das series, dados os seus componentes nao-observaveis;
A previsao do comportamento futuro das series, com o uso de modelos univariados e multivari-
ados;
A implementacao de metodos para o controle do comportamento futuro das series e demais
variaveis correlacionadas.
No mercado nanceiro os modelos de analise de series temporais sao largamente empregados
na analise de pre cos de a coes ou commodities, isto se da pela decomposicao das series de pre cos e
a analise de seus componentes como a tendencia, sazonalide, ciclos e volatilidade, a analise destes
componetes e de grande valia para a minimizacao dos riscos, com isso tornando a tomada de descisao
mais assertiva neste mercado.
4.1 Analise de tendencias
Primeiramente temos que vericar a estacionaridade da serie. Quando temos conjunto composto
por vetores aleatorios M-dimensionais ...yt 1, yt, yt +1... e chamado de processo estocastico vetorial.
Se essa serie tiver media e variancia nitas serao consideradas estacionarias em covariancia. Se a serie
nao seja estacionaria temos que utilizar de outros metodos de analise com isso am de evitar problemas
econometricos, um dos metodos e o teste de razes unitarias poderemos vericar a nao estacionaridade
da serie devido `a presenca de tendencias.
4.1.1 Formas de tendencia
Tendencia determinstica: A varia c ao no nvel medio de uma dada variavel se dara, de forma
previsvel, como uma funcao do tempo, ela pode ser do tipo polinomial do 2

grau ou mais
complexas.
Tendencia estocastica: Esta se difere da derteminsticas pelo fato de implicar uma variacao
percentual media na serie em dado perodo de tempo, ao contrario da determinstica, que em cada
perodo a mudan ca provocada pela tendencia em rela cao ao seu nvel medio sera um montante
aleatorio e imprevisvel, em vez de constante, dado por determinada taxa. Com isso a tendencia
oscilara de forma aleatoria `a medida que o tempo evolua e os choques exogenos entrem no
sistema. Existem diversos modelos de series temporais que incorporam tendencias estocasticas
e que particularmente sao importantes na analise de variaveis do mercado nanceiro, como o
retorno de acoes e os pre cos de commodities. Dentro dessa classe de modelos, destaca-se o
modelo de passeio aleatorio o random walk.
4.1.2 Metodos para determinacao da tendencia e sua natureza
Visualmente: Os dados sao colocados em um graco de dispersao e as possveis tendencias sao
avaliadas visualmente.
Analise da funcao de autocorrelacao: Com essa funcao podemos calcular os coecientes de
autocorrela cao, este mensura a correlacao dos precos nos diferentes momentos de tempos. Esses
coecientes tambem servem para apontar modelos probabilsticos que possa ter gerado a serie
temporal.
10
Teste de Dickey-Fuller Expandido ou teste ADF: Identica se a tendencia e estocastica ou de-
terminstica.
Teste de Razes Unitarias de Phillips-Perron: Este verica a estacionariedade das series e possvel
necessidade de diferencia cao destas.
4.1.3 Modelo random walk
No mercado nanceiro existem varios modelos de series temporais que incorporam as tendencias
estocaticas, destes modelos um dos mais utilizados e o modelos de passeio aleatorio ou random walk,
este e denido por:
Y
t
= Y
t1
+
t
ou Y
t
=
t
Onde:

t
e um erro tipo rudo branco, tendo media 0 e variancia
2
;
Y
t
e um operador de diferen cas nitas de primeira ordem.
O modelo random walk pode ser interpretado como um caso especico do processo auto re-
gressivo de ordem 1 o [AR(1)], que sera abordado posteriormente.
De acordo com ENDERS (1995), modelo random walk implica no fato de que, supondo uma
amostra de valores da serie Y
t
e se deseje prever os valores futuros para esta, a melhor previsao de
Y
t
+s que se pode fazer sera dada por:
E
t
(Y
t+s
) = Y
t
Sendo assim, o valor constante de Y
t
sera o melhor estimador nao-viesado para todos os valores
futuros de Y
t+s
(s > 0). Com isso, pode-se notar que um choque
t
tera um efeito permanente em Y
t
e
o multiplicador de impactos de
t
em Y
t
(dado por
Y
t

t
) sera o mesmo multiplicador de
t
em Y
t+s
. Essa
permanencia dos efeitos implica que a sequencia Y
t
possui tendencia estocastica, dada pela expressao

i
, que impoe mudancas aleatorias no nvel medio da serie com o passar do tempo.
4.2 Analise sazonal
O componente sazonal pode ser analisado com o objetivo de desazonalisacao da serie ou seja
subtrair o componente sazonal para que o comportamento de outros componentes da serie sejam ob-
sevados com maior precisao, ou eleborar um modelo de previsao que incorpore-a am de ganhar uma
maior ecacia preditiva.

E importante salientar que o componete sozonal e imprescindvel para a
determinacao do melhor metodo a ser utilazado em sua modelagem, porque assim como o componente
de tendencia a sazonalidade pode ser de natureza determinstica ou estocastica, com isso a utilizacao
de metodos impropios na analise deste componente pode resultar em conclusoes erronias.
4.2.1 Formas de sazonalidade
Sazonalidade determinstica: Esta apresenta um comportamento de natureza relativamente
estavel e previsvel ao longo dos anos, nesta a sazonalidade tem intensidade regular como em
datas especcas que se repetem de ano em ano.
Sazonalidade estocastica: Normalmente ocorrem em series nanceiras que sao inuenciadas por
diversos fatores que nao obrigatoriamente irao se repetir de forma previsvel ano a ano.
11
4.2.2 Metodos para determinacao da sazonalidade e sua natureza
Visualmente: Se da pela sobreposicao graca da serie atual com as series passadas onde a
ocorrencia de repeticoes em determinadas partes da serie podem evidenciar um comportamento
sazonal.
Analise da funcao de autocorrela cao
Modelos de Regressao Linear com Variaveis Independentes Binarias (Variaveis Dummy)
Modelos de Analise Espectral
Modelos de Box e Jenkins Sazonais (SARIMA)
4.3 Modelos de Box-Jenkins
Os modelos de Box-Jenkins, ou ARIMA (Auto Regressive Integrated Moving Averages) em por-
tugues Auto-regressivos Integrados de Medias Moveis, sao utilizados com o intuito de captar o com-
portamento da correla cao seriada ou autocorrelacao entre os valores da serie temporal, e apartir disso
se a estrutura de correlacao for modelada de maneira eciente e possvel obter boas previsoes futuras.
O modelo ARIMA e proveniente de tres componentes, o (AR) auto- regressivo, (I) ltro e o (MA)
medias moveis.
George E. P. Box e Gwilym M. Jenkins publicaram em 1970 o livro Time Series Analysis, fo-
recasting and control apresentando uma metodologia para a analise de series temporais, e em 1976 foi
lancada a versao revisada desse livro e que normalmente e a mais mencionada, o grande merito desse
trabalho foi reunir as tecnicas existentes numa metodologia para construir modelos que descrevessem
com precisao e de forma parcimoniosa o processo gerador da serie temporal, proporcionando previsoes
acuradas de valores futuros.
4.3.1 Modelo (AR)
O modelo auto-regressivo de ordem 1 ou AR(1) e o mais simples desta classe de modelos, e apre-
sentado algebrica pela equacao abaixo:

Z =
1

Z
t1
+
t
Sendo
i
o parametro que descreve como o

Z
t
se relaciona como valor

Z
t1
para i = 1, 2, .., p.
No modelo estacionario e necessario seguir a condicao de estacionaridade em que |
1
< 1 onde
as autocovariancias (
k
)sejam independentes. No modelo AR(1), as autocovariancias sao:

k
=
k
1

0
Onde a equa cao da autocorrela cao
k
e:

k
=

k

0
=
k
1
k = 1, 2, ..
A funcao de autocorrelacao decai exponencialmente quando
1
e positivo; quando
1
e nega-
tivo, a fun cao de autocorrela cao tambem decai so que com os sinais positivo e negativo alternados.
12
4.3.2 Modelo (MA)
Em um modelo de medias moveis MA do ingles moving average, a serie Z
t
resulta da combinacao
dos rudos brancos do perodo atual com aqueles ocorridos em perodos anteriores. Um modelo de
medias moveis de ordem q ou MA(q) e representado por:

Z
t
=
t
+
1

t1
+
2

t2
+... +
q

tq
4.3.3 Modelos auto-regressivos de medias moveis (ARMA)
Existem casos onde devido ao grande n umero de parametros em modelos puramente AR ou pu-
ramente MA e mais viavel misturar os componentes de um modelo AR como os componentes de um
modelo MA, gerando, assim, um modelo ARMA. Este modelo ARMA(p,q) exigira um n umero menor
de termos e pode ser expresso conforme a equacao:

Z
t
=
1

Z
t1
+... +
p

Z
tp
+
t

1

t1
...
q

qt
Sendo o modelo ARMA mais simples:

Z
t
=
1

Z
t1
+
t

1

t1
E a fun cao de autocorrela cao do modelo e dada por:

1
=
(1
1

1
)(
1

1
)
1+
2
1
+2
1

k
=
1

k1
para K < 1
4.3.4 Modelos auto-regressivos integrados de medias moveis (ARIMA)
Sendo constatado o comportamento nao estacionario de uma serie temporal se faz necessario
transforma-la em estacionaria um dos procedimentos utilizados para esta transforma cao consiste em
tomar diferencas sucessivas da serie original ate obter uma serie estacionaria.
A primeira diferen ca de Z
t
e denida por:
Z
t
= Z
t
Z
t1
A segunda diferen ca tem por deni cao:
D2Z
t
= D[DZ
t
] = D[Z
t
Z
t1
] = Z
t
2Z
t1
Z
t2
O n umero (d) de diferen cas necessarias para tornar a serie estacionaria e denominado ordem
de integra cao. A inclusao deste termo de ordem de integra cao permite que sejam utilizados os modelos
ARIMA (p,d,q) dados pela equa cao:
w
t
=
1
w
t1
+... +
p
w
tp
+
t

1

t1
...
q

tq
Onde:
w
t
=
d
Z
t
13
4.3.5 Modelos sazonais (SARIMA)
O modelo ARIMA se utiliza da autocorrelacao entre os valores da serie em instantes sucessivos,
quando os dados sao observados em perodos de tempo inferiores a um ano, a serie tambem pode
apresentar autocorrelacao para uma estacao de sazonalidade (s). Um tipo de modelo que contemplam
as series que apresentam autocorrelacao sazonal e conhecido como SARIMA, este contem uma parte
nao sazonal, com parametros (p, d, q), e uma sazonal, com parametros (P, D, Q) s. Sendo o modelo
mais geral dado pela equacao:
(1
1
L ...
p
L
p
)
_
1
1
L
s
...
P
L
Ps
_
(1 L)
d
(1 L
s
)
D
Z
t
=
(1
1
L ...
q
L
q
)
_
1
1
L
s
...
Q
L
Qs
_

t
Onde:
(1
1
L ...
p
L
p
) e a parte auto-regressiva nao-sazonal de ordem (p);

_
1
1
L
s
...
P
L
Ps
_
e a parte auto-regressiva sazonal de ordem (P) e estacao sazonal s;
(1 L)
d
e parte de integracao nao-sazonal de ordem (d);
(1 L
s
)
D
e parte de integracao sazonal de ordem (D) e esta cao sazonal (s);
(1
1
L ...
q
L
q
) e a parte nao-sazonal de medias moveis de ordem (q);

_
1
1
L
s
...
Q
L
Qs
_
e a parte sazonal de medias moveis de ordem (Q) e estacao sazonal
(s).
4.4 Retornos
Um dos objetivos das nancas e a avalia cao de riscos de uma carteira de ativos nanceiros. O
risco e frequentemente medido em termos de variacoes de pre cos e ativos.
Denotemos por P
t
o preco de um ativo no instante t, normalmente um dia de negocio. Su-
ponha, primeiramente, que nao haja dividendos pagos no perodo. A varia cao de pre cos entre os
instantes t 1 e t e dada por P
t
= P
t
P
t1
e a variacao relativa de precos ou retornos lquidos
simples deste ativo, entre os mesmos instantes, e denido por:
R
t
=
P
t
P
t1
P
t1
=
t
P
t1
Note que R
t
= P
t
/P
t1
1. Chamamos 1 + R
t
= P
t
/P
t1
de retorno bruto simples. Usual-
mente expressamos R
t
em percentagem, relativamente ao perodo (um dia, um mes, um ano etc); e
tambem chamado de taxa de retorno.(Morettin e Toloi/2006)
4.4.1 Fatos estilizados sobre retornos
Serie economicas e nanceiras apresentam algumas caractersticas que sao comuns a outras series
temporais, com:
14
(a) tendencia;
(b) sazonalidade;
(c) pontos de inuentes (atpicos);
(d) heteroscedasticidade condicional;
(e) nao-linearidade;
Dessas, a ultima talvez seja a mais complicada de denir. De um modo bastante geral, pode-
mos dizer que uma serie economica ou nanceira e nao-linear quando responde de maneira diferente a
choques grandes ou pequenos. Por exemplo, uma queda de umdice da bolsa de valores de Sao Paulo
pode causar maior volatilidade no mercado do que uma alta.
Os retornos nanceiros apresentam, por outro lado, outras caractersiticas peculiares, que mui-
tas series nao apresentam. Retornos raramente apresentam tendencias ou sazonalidades, com excecao
eventualmente de retornos intra-diarios. Series de pre cos, de taxa de cambio e series de taxas de juros
podem apresentar tendencias que variam no tempo.
Os principais fatos estilizados relativos a retornos nanceiros podem ser resumidos como segue:
1. retornos sao em geral nao-auto-correlacionados;
2. os quadrados dos retornos sao auto-correlacionados, apresentando uma correlacao de defasagem
uma pequena e depois uma queda lenta das demais;
3. series de retornos apresentam agrupamentos de volatilidade ao longo do tempo;
4. a distribuicao (incondicional) dos retornos apresenta caudas mais pesadas do que uma distri-
bui cao normal; alem disso, a distribuicao, embora aproximadamente simetrica, e em geral lep-
toc urtica;
5. algumas series de retornos sao nao-lineares, no sentido explicado acima.(Morettin e Toloi/2006)
5 Analise de componentes cclicos em commodities
A analise de componentes cclicos ou periodicos em commodites, neste trabalho se deu, atraves
da utiliza cao da serie de fourier e da fun cao de densidade espectral como metodo de analise espectral
.
5.1 Analise Espectral
A Analise no domnio da frequencia ou analise espectral se utiliza de um metodo de decomposicao
da serie temporal estacionaria em componetes associados a frequencia ou perodos. Esta representa
uma forma de analise de series temporais que fornece informa coes complementares `aquelas propiciadas
pela analise no domnio do tempo, tais normalmentes estao ligadas ao estudo da ocorrencia de ciclos
nas series. Na analise espectral uma serie temporal e representada como uma soma ponderada de
fun coes periodicas do tipo seno e coseno, ela tambem determina a importancia dos ciclos de diferentes
15
frequencias, e atraves disso e explicado a variancia da serie temporal e com isso o comportamento da
serie.
Em 1963 Granger e Morgenstern publicaram um artigo em que contrariavam a hipotese de
Random Walk (ideia que defende nao haver diferenca entre uma distribuicao de retornos que esteja
condicionada a uma determinada estrutura de informacao e a distribui cao incondicional de retornos),
o trabalho analisou precos de ativos da bolsa de nova iorque utilizando-se de analise espectral, se o
modelo de comportamento aleatorio fosse o correto a serie de precos sera uma sequencia de valores
desconexos. Apos a analise, o modelo Random Walk se mostrou adequando mais os autores zeram
uma resalva no que se refere ao comportamento de longo prazo dos precos dos ativos, pois segundo
eles nao eram consistentes com o modelo.
Os autores utilizaram a serie de fourier como metodo de analise espectral am de decompor
gracos de ativos em seu espectro discreto de frequencias. como e mostrado na gura(4) que exibe
o espectro de 120 frequencias do comportamento da taxa dos Commercial Papers de Nova iorque de
1876 ate 1914, esta imagem foi extrada do artigo original.
Figura 4: Espectro de potencia da taxa de Commercial Paper em nova iorque
Os autores observaram picos de potencia nas bandas de perodo igual a 40 meses e 12 meses, e
por conta do decaimento do graco as frequencias maiores exercem maior inuencia no comportamento
do ativo. Se o espectro nao tivesse decaimento fosse uma linha horizontal paralelo ao eixo x ele seria
proveniente de uma sequencia aleatoria de termos.
Em espectros com decaimentos as harmonicas com maior periodo possuem maior importancia,
logo os ciclos de longo prazos inuenciam com maior preponderancia o comportamento do ativo,
Granger e Morgesntern nao se surpreenderam com este resultado, visto que o rudo gerado por dados
mais recentes costuma interferir na identicacao da tendencia de longo prazo.
O resultado demonstra que as harmonicas de longo prazo que sao as de baixa frequencia sao as
mais relevantes porque sao nestas bandas de frequencias que os autores encontram maior diculdade
para lidar pois qualquer tendencia para a media elevara a amplitude da frequencia baixa e afetara
as harmonicas vizinhas, por isso foi necessario os autores usarem a subtracao da media movel para
eliminar a tendencia da media. (Bianchi/2006)
16
5.1.1 Serie de Fourier
A serie de fourier, criada por Jean Baptiste Joseph Fourier(1768-1830)em seu tratado Th`eorie
Analytique de la Chaleur publicado em 1822, neste trabalho fourier faz um estudo sistemico de series
innitas para resolver a equacao da propagacao de calor na fsica, utilizando de uma tecnica de senos
e cossenos, a serie de fourier. Com ela quaisquer fun cao por mais complexa que seja pode ser decom-
posta em senos e cossenos,a serie tambem e muito utilizada nas areas envolvidas com a,matematica,
engenharia, computacao, m usica, sinais digitais, mercado nanceiro, etc.
Segundo Tolstov (1962) uma fun cao f(t) e periodica se existe uma constante T > 0 tal que
f(x + T) = f(x) para todo o x pertencente ao domnio de f(t), dentre as funcoes periodicas temos a
serie trigonometrica de fourier:
a
0
2
+

n=1
_
a
n
cos
_
nx
T
_
+b
n
sen
_
nx
T
__
Observamos que todas as innitas parcelas sao periodicas de periodo T. No conjunto de valores
de x para os quais a serie converge onde e denida uma fun cao periodica f de perodo T.onde os
coecientes a
0
, a
n
e b
n
sao chamados coecientes de fourier e sao expressos na forma:
a
0
=
1
T
_
T
T
f(x)dx
a
n
=
1
T
_
T
T
f(x) cos
n
T
xdx
b
n
=
1
T
_
T
T
f(x) sin
n
T
xdx
5.1.2 Densidade espectral
No processo de decomposi cao espectral de uma serie temporal univariada surge uma fun cao de
densidade espectral ou auto espectro em um intervalo de frequencia (0, ), messurando a importancia
relativa de cada intervalo em termos da sua contribuicao para a variancia total da serie temporal. Esta
fun cao chama-se espectro de variancia, pois analisa a variancia de uma serie temporal em termos da
sua freq uencia.
A fun cao da densidade de potencia e composta por uma transformada de Fourier da autoco-
variancia de uma serie estacionaria (Xt, t = 1, ..., n), aproximada por:
f () =
1
2

t=
(t) cost
Sendo (t) a fun cao de autocovariancia.
Se um componente de frequencia e relevante, o espectro exibira um pico relativo nesse ponto.
Dessa forma, a fun cao de densidade espectral facilita a analise e simplica a identicacao de compor-
tamentos variaveis ao longo do tempo. Adicionalmente, possui propriedades amostrais mais simples
do que os modelos no domnio temporal (RAUSSER; CARGILL, 1970).
17
5.1.3 Analise de Ondeletas(Wavelets)
A transformada de ondaleta ou wavelet (TW) e capaz de fornecer a informacao de tempo e de
frequencia simultaneamente, consequentemente dando a representacao de frequencia-tempo da serie.
Nesse ponto vale lembrar o princpio da incerteza de Heisenberg. Nos nao podemos exatamente saber
qual frequencia existe em um dado instante de tempo, mas apenas podemos saber quais bandas de
freq uencia existem em determinados intervalos de tempo. A frequencia e a informa cao do tempo de
uma serie em certo ponto no plano frequencia-tempo nao podem ser conhecidos. Em outras palavras:
nos nao podemos saber qual o componente espectral existe em qualquer dado instante de tempo
Este e um problema para se resolver, e esta e a principal razao pela qual pesquisadores tem mudado
das transformadas de Fourier para a TW. A analise de ondaletas tem sido utilizada em varios ramos
da ciencia, em economia sua principal aplica cao encontra-se na econometria no tratamento de series
temporais utilizadas para realizar previsao.(Morettin/1999)
TWC(, s) =
1

|s|
_

f(t)
_
t
s
)dt
s, t i, s = 0
As ondaletas sao localizadas no tempo ou espa co, contrariamente do que ocorre com as funcoes
trigonometricas. Esse comportamento torna-as ideais para analisar sinais nao estacionarios, contendo
transitoriedades e estruturas tipo fractais. Bases de Fourier sao localizadas em frequencia, mas nao
no tempo, pequenas mudancas em algumas das observacoes podem provocar mudan cas em todas as
componentes de uma expansao de Fourier, o que nao acontece com uma expansao em serie de onda-
letas (Morettin/1999). A analise de Ondeletas nao sera empregada neste trabalho.
6 Estatstica
6.1 Variavel Aleat oria
Uma variavel aleatoria (unidimensional) uma fun cao que a cada acontecimento do espa co de
resultados faz corresponder um valor real.
Podemos classicar as variaveis aleatorias em discretas e contnuas:
Uma variavel aleatoria diz-se discreta se so assume um n umero nito ou innito numeravel de
valores distintos.
Uma variavel aleatoria diz-se contnuase assumir um n umero innito nao numeravel de valores
distintos.
6.2 Disribuic oes de variaveis aleatorias discretas
6.2.1 Distribuicao de Bernoulli
Uma distribuicao pode ser dita de Bernoulli se a variavel aleatoria X so puder assumir os valores
0 (fracasso) e 1 (sucesso) com P (X = 0) = q e P (X = 1) = p com p + q = 1, nesta distribuicao
a esperanca e a variancia sao dadas nesta ordem por E (X) = p e
2
= V ar (X) = p.q. Podemos
escrever o modelo de distribuicao de Bernoulli como:
P (X = x) = p
x
.q
1x
18
Onde:
q = 1 p
Exemplo:
Uma urna contem 20 bolas pretas e 30 azuis. Uma bola e retirada da urna e a variavel aleatoria X
denota o n umero de bolas azuis obtidas. Calcule a media E (X), a V ar (X) e o desvio-padrao de X.
Temos que:
X = 0, q = 20/50 = 2/5, eX=1,p=30/50=3/5, portanto P (X = x) = (2/5)
x
. (3/5)
1x
logo
E (X) = p = 2/5, V ar (X) = p.q = (2/5) . (3/5) = 6/25
6.2.2 Distribuicao Binomial

E utilizada em experimentos que satisfa cam as seguintes condi coes:


1. O experimento deve ser repetido, nas mesmas condicoes, um n umero nito de vezes, (n).
2. As provas repetidas devem ser independentes, o resultado de uma nao afeta o resultado da outra.
3. Existe apenas dois resultados possveis: sucesso ou insucesso.
4. A probabilidade do sucesso em uma tentativa e p e a do insucesso e q = 1 p
A probabilidade de se obter sucesso k vezes durante (n) tentativas e determinado por:
f (X) = P (X = k) =
n!
k!(nk)!
p
k
q
nk
Exemplo:
Uma moeda e lancada 5 vezes seguidas e independentes. Qual a probabilidade de obter 3 coroas
nessa prova?
n = 5 k = 3 p = 1/2 q = 1 p = 1 1/2 = 1/2
P (X = 3) =
5!
3!(53)!
.
_
1
2
_
3
.
_
1
2
_
53
=
5
16
6.2.3 Distribuicao de Poisson

E uma distribuicao que se aplica a ocorrencia de eventos ao longo de intervalos especicados. A


variavel aleatoria e o n umero de ocorrencia do evento no intervalo. Estes intervalos podem ser de
tempo, distancia e outras unidades similares. As condi coes para um variavel aleatoria X admitir a
distribui cao de poisson sao:
1. X = 0, 1, 2, ...(nao tem limites);
2. A esperanca E (X) = = ;
3. A variancia V ar (X) =
2
= ;
19
4. Sua funcao de probabilidade e P (X = k) =

k
k!
, k = 0, 1, 2, ...; e a probabilidade de k ocorrencias
em um intervalo.
Propriedades do experimento de Poisson:
A probabilidade de uma ocorrencia e a mesma para quaisquer dois intervalos
A ocorrencia ou nao ocorrencia em qualquer intervalo e independente da ocorrencia ou nao
ocorrencia em qualquer intervalo.
Exemplo:
Um determinado departamento na ufabc recebe em media 3 chamadas telefonicas por dia, qual a
probabilidade deste receber 4 chamadas num dia?
= 3 chamadas telefonicas por dia em media.
P (X = 4) =

k
k!
=

3
3
4
4!
= 0, 1680 ou 16, 80%
6.2.4 Distribuicao Geometrica
Esta distribuicao pode ser entendida como a realiza cao de sucessivas provas de Bernoulli ate que
ocorra um sucesso. Sendo assim se for necessario a realizacao de (x) provas para que o sucesso ocorra, o
resultado da x-esima prova e um sucesso, o k-esimo sucesso pretendido e todas as tentativas anteriores
resultaram em insucessos.
Sendo x a variavel aleatoria que indica o n umero de tentativas ate o sucesso, essa variavel tem uma
distribui cao Geometrica e a sua funcao de probabilidade e dada por:
P (X = x) = p. (1 p)
x1
Parametros caractersticos
E (X) =
1
p
e V ar (X) =
(1p)
p
2
Exemplo:
Uma mulher com problemas para engravidar, recorreu a uma tecnica de insemina cao articial com
o objetivo de conseguir o primeiro lho. A eciencia da tecnica de inseminacao e de 0,20. Qual a
probabilidade da mulher conseguir engravidar na terceira tentativa?
P (X = k) = p (1 p)
k1
= (0, 2) (0, 8)
3
= 0, 128 ou 12, 8%
6.3 Distribuic oes de variaveis aleatorias continuas
6.3.1 Distribuicao Uniforme
Este modelo de distribuicao e o mais simples entre as variaveis aleatorias continuas, pode ser
denida em intervalos de [ e ]como:
f (x; , ) =
_
1

, se < x < ,
0, outro caso,
A distribuicao uniforme tem sua funcao de densidade de probabilidade constante dentro de um
intervalo de valores da variavel aleatoria X.
20
Nesta distribuicao a media e a variancia sao dadas por:
E (X) =
+
2
V ar (X) =
()
2
12
Exemplo:
Uma variavel aleatoria X tem distribui cao uniforme no intervalo (50, 200). Calcular a media e o
desvio padrao.
Media (
X
):

X
=
a+b
2
=
50+200
2
= 125
Desvio-padrao ():

2
X
=
(ba)
2
12
=
(20050)
2
12
= 1875
=

1875 = 43, 30
6.3.2 Distribuicao Normal ou Gaussiana
A distribui cao normal ou gaussiana e a mais empregada na estatstica, pois abrange um grande
n umero de fenomenos , Ela tambem oferece base para inferencia estatstica classica devido a sua ani-
dade com o teorema do limite central, esta possui um graco simetrico em forma de sino e suas medidas
de tendencia central como a media, moda e mediana sao todas simetricas A distribuicao Gaussiana
e caracterizada por dois parametros, a media e o desvio-padrao . A notacao para variavel x go-
vernada por uma distribuicao Gaussiana e x N(, ). A funcao de densidade da probabilidade da
distribui cao normal e:
f (x) =
1
2
e
(0.5)[(X)/]
2
Podemos trabalhar com padronizacao de dados, assim dispensando a formula acima e utilizando
apenas uma tabela. Segue abaixo a formula de padronizacao da variavel, onde a variavel aleatoria
normal X e convertida em uma variavel normal padronizada Z
Z =
X

Onde e o desvio padrao e a media aritmetica.


Na distribuicao normal padronizada, a variavel Z possui media 0 e desvio padrao 1;
Exemplo:
Um banco de investimentos aplica um teste sobre econofsica a um grupo de 50 funcionarios.
Obteve-se uma distribui cao normal com media 50 e desvio padrao 6. Qual a propor cao de funcionarios
com notas superiores a 60 ?
Transformando a nota 60 em desvios reduzidos tem-se:
z =
6050
6
= 1, 67
Utilizando uma tabela com distribuicoes normais padronizadas, Probabilidade da nota ser superior
a 60 e 0, 5 0, 4525 = 0, 0475 ou 4, 75%
21
6.3.3 Distribuicao t de Student
Segundo o teorema do limite central, a distribui cao amostral de uma estatstica seguira uma
distribui cao normal, enquanto o tamanho da amostra for sucientemente grande. Portanto, quando
conhecemos o desvio padrao da popula cao, podemos calcular um z escore ou seja um indicador de
quantos desvios padroes um elemento est a da media, utilizando esta equa cao: z =
(X)

, e usarmos
a distribuicao normal para avaliar probabilidades com a media amostral.
Como em alguns casos as amostras sao pequenas e nao conhecemos o desvio padrao da popula cao,
utiliza-se a distribuicao da estatstica t tambem conhecida como t escore ou distribui cao t de Student.
Esta e de grande valia para a inferencia de parametros da populacao e para a estatstica de pequenas
amostras.
Um fator que difere as distribuicoes t de Student e o seu grau de liberdade, sendo esses graus re-
ferente aos n umeros de observacoes independentes num conjunto de dados. O n umero de observa coes
independentes e igual ao tamanho da amostra menos um. Sendo assim a distribuicao da estatstica t
das amostras de tamanho 8 serao descritas por uma distribui cao t de Student tendo 81 ou 7 graus de
liberdade.
A distribuicao t de Student tem como propriedades a sua media igual a 0, A variancia igual a
/ ( 2)onde e o grau de liberdade e 2, e sua variancia e sempre maior que 1, embora ela
esteja proxima de 1 quando existirem muitos graus de liberdade. Na existencia de innitos graus de
liberdade, a distribuicao t de Student e a mesma que a distribui cao normal padrao.
A utilizacao da distribui cao t de Student so e possvel em uma distribuicao amostral de uma
estatstica normal ou aproximadamente normal, onde o conceito de normalidade e estabelecido pelo
teorema do limite central.
Quando uma amostra de tamanho n for extrada de uma populacao tendo uma distribui cao nor-
mal ou aproximadamente normal, a media amostral pode ser transformada numa t-escore, usando a
equacao abaixo:
t =
x
s

n
Em que x e a media amostral, e a media da popula cao, s e o desvio padrao da amostra, n e o
tamanho da amostra e os graus de liberdade sao iguais a (n 1)
A t escore produzida nesta transformacao pode ser associada com uma unica probabilidade cumu-
lativa. Esta probabilidade cumulativa representa a probabilidade de se encontrar uma media amostral
menor ou igual a x, dada uma amostra aleatoria de tamanho n.
Exemplo:
Em uma amostra de uma populacao normalmente distribuda foram extrados 15 elementos com
media

X = 5, 40 e desvio-padrao = 0, 80. contruir um intervalo de 90% de conan ca para a media
dessa populacao.
Grau de liberdade =15 1 = 14
c=90%
t
c
= 1,761
22
Erro=1, 761.
0.8

15
= 0, 36
5, 4 0, 36 < < 5, 4 + 0, 36 = 5, 04 < < 5, 76
Logo, com 90% de conanca a media populacional esta entre 5,04 e 5,76.
6.3.4 Distribuicao Qui-Quadrado
Suponha realizamos um experimento estatstico, onde selecionamos uma amostra aleatoria de ta-
manho n de uma populacao normal, tendo um desvio padrao igual a . Encontramos que o desvio
padrao da nossa amostra e igual a s. Com estes dados, denimos uma estatstica, chamada qui-
quadrado, usando a seguinte equacao:

2
=
(n1).s
2

2
Se repetirmos este experimento um n umero innito de vezes, poderemos obter uma distribuicao amos-
tral para a estatstica qui-quadrado. Esta distribuicao tem como funcao de densidade de probabilidade:
Y = Y
0
.
_

2
_
(

2
1)
.e

2
2
Onde:
Y
0
= constante que depende do n umero de graus de liberdade.

2
= estatstica qui-quadrado.
( = n 1)= e o n umero de graus de liberdade.
e= e uma constante igual a base do sistema de logaritmo natural (aproximadamente 2,71828)
Y
0
= e denido, de forma que a area sob a curva qui-quadrado seja igual a um.
A distribuicao qui-quadrado tem como propriedades:
Media da distribuicao igual ao n umero de graus de liberdade: = .
Variancia igual a duas vezes o n umero de graus de liberdade:
2
= 2..
Quanto maior a quantidade de graus de liberdade mais a curva qui-quadrado se aproxima de
uma distribuicao normal.
Quando ( 2) ,o valor maximo de Y ocorre quando
2
= 2.
Exemplo:
Uma empresa desenvolveu uma nova bateria de telefone celular que tem uma autonomia de 60
minutos com uma unica carga. O desvio padrao e 4 minutos. Suponha que a empresa queira realizar
um teste de controle de qualidade. Eles selecionam aleatoriamente 7 baterias. O desvio padrao das
baterias selecionadas e 6 minutos. Qual seria a estatstica qui-quadrado representada neste teste?
23
Desvio padrao da amostra s = 6 minutos
Desvio padrao da popula cao = 4 minutos
N umero de observacoes n= 7
Portanto:

2
=
(n1).s
2

2
=
(71).6
2
4
2
= 13, 5
6.4 Testes estatsticos de hip oteses
O teste estatstico de hipotese e uma regra decisoria que nos possibilita rejeitar ou nao uma
hipoteses estatstica baseado nos resultados de uma amostra. Estas hipoteses sao geralmente sobre
parametros populacionais e a realizacao do teste se baseia na distribui cao amostral dos seus respectivos
estimadores. Segue abaixo algumas denicoes relevantes para compreen cao dos testes estatsticos de
hipotese.
Parametro: e uma fun cao de valores populacionais, geralmente tendo um valor desconhecido
associdado `a popula cao. Por exemplo na distribuicao normal os parametros sao a media =
E (X) e a variancia
2
= V (X).
Estimador de um parametro : e qualquer funcao das observa coes da amostra aleatoria
X
1
; X
2
; :::; X
n
. Onde este representa uma dada formula de calculo que fornecera valores que
serao diferentes, de acordo com a amostra selecionada.
Estimativa: e o valor n umerico assumido pelo estimador, quando os valores de X
1
; X
2
; :::; X
n
sao considerados.
Hipotese estatstica: e uma suposi cao quanto ao valor de um parametro populacional que
sera vericada por meio de um teste parametrico, ou uma armacao referente `a natureza da
popula cao, que sera vericada por um teste de aderencia.
Hipotese nulidade H
0
:

E a hipotese estatstica a ser testada. Esta e formulada com o proposito
de ser rejeitada, e os testes sao construdos sob a pressuposicao de H
0
ser verdadeira.
O teste de hipotese consiste em vericar se a amostra observada difere signicativamente do resul-
tado esperado sob H
0
.
Hipotese alternativa:

E uma hipotese que contraria H
0
, formulada com base no conhecimento
previo do problema. Para o caso das duas medias,
A
e
B
, poderamos ter:
H
a1
:
A
=
B
ou
H
a2
:
A
>
B
ou
H
a3
:
A
<
B
24
Regiao critca: pode ser denida como a faixa de valores que nos levam `a rejeicao da hipotese
H
0
. Isto e, caso o valor observado da estatstica do teste (Z; t; 2; F) perten ca `a regiao crtica,
rejeita-se H
0
, caso contrario nao rejeitamos H
0
. Quaisquer decisao tomada nesta regiao implica
na possibilidade de cometer basicamente dois tipos de erros. O erro tipo 1 que se caracteriza
pelo fato de rejeitarmos H
0
quando esta e verdadeira. Podemos designar por a probabilidade
de cometer o erro tipo 1 nvel de signicancia. Temos tambem a existencia do erro tipo 2 que
tem como caracterstica o fato de aceitarmos H
0
quando esta e falsa, designaremos por a
probabilidade de cometer o erro tipo 2.
Poder de um teste:

E uma informa cao utilizada para o dimensionamento de tamanhos de
amostras tendo-se em vista o controle dos dois tipos de erros. Sendo este poder a probabilidade
de rejeitar H
0
quando esta e falsa, denido como:
Poder = 1
6.4.1 Teste z
Teste de hip otese de uma media populacional
Sendo X normalmente distribuda com variancia conhecida.
Seja uma variavel aleatoria X normalmente distribuda com media E (X) = e variancia V (X) =
()
2
.
Podemos demonstrar que

X, a media amostral e normalmente distribuda com media e a variancia

2
n
.
Sendo:

X N
_
,

2
n
_
Utilizando variavel normal padronizada ou reduzida, obtemos:
Z =

X

X
mas,

X
=
_
V
_

X
_
=
_

2
n
=

n
entao,
Z =

X

n
Teste de hipotese de duas medias populacionais
Sabendo que X
A
e X
B
sao normalmente distribudas com variancia conhecidas.
Sendo

X
A
e

X
B
medias obtidas em duas amostras com tamanhos n
A
e n
B
, retiradas de duas
popula coes normais P
A
e P
B
, respectivamente, com variancias
2
A
e
2
B
conhecidas e medias
A
e
B
desconhecidas;
Considerando-se as variaveis aleatorias

X
A
e

X
B
independentes, temos:
_

X
A


X
B
_
_

A

B
,

2
A
n
A
+

2
B
n
B
_
25
Consideando o nivel de signicancia nosso problema e:
H
0
:
A
=
B
contra
H
a1
:
A
=
B
ou
H
a2
:
A
>
B
ou
H
a3
:
A
<
B
Utilizaremos a estatstica:
Z =
(

X
A

X
B)(
A

B
)

V (

X
A

X
B)
Sob o H
0
segue que
_

X
A


X
B
_
N
_
0,

2
A
n
A
+

2
B
n
B
_
, e assim teremos:
Z =
(

X
A

X
B)

2
A
n
A
+

2
B
n
B
Exemplo:
Estudantes de uma universidade realizaram um teste de Q.I. que apontou uma media de media 115,
com um desvio-padrao de 20. Para saber se uma nova equipe de funcionarios e tpica desta universi-
dade, uma empresa retirou uma amostra aleatoria de 50 funcionarios desta nova equipe, encontrando-se
media de 118. Com uma signicancia de 5%, teste a hipotese de que os funcionarios da empresa apre-
sentam a mesma caracterstica dos estudantes da universidade, com rela cao ao Q.I.
H
0
: = 115
H
1
:= 115
= 0, 05
Z =

X
0
/

n
=
118115
20/

50
= 1, 06
Como o valor da estatstica calculada esta na regiao de aceitacao, logo H
0
e aceito como verdadeiro.
26
6.4.2 Teste t
Quando o desvio-padrao populacional nao for conhesido e a amostra for pequena, a distribui cao
amostral a ser utilizada e a t de student, e a estatstica do teste sera:
t =

X
/

n
Onde:

X= media amostral
= media populacional
= desvio-padrao amostral
n= tamanho da amostra
Exemplo:
Em um fundo de investimento os prossionais da area de Econofsica levam em media 50 minuto
para a realiza cao de um determinado procedimento. Um novo procedimento esta sendo implemen-
tado. Deste novo procedimento, retirou-se uma amostra de 12 pessoas, com um tempo medio de 42
minutos e um desvio-padrao de 11,9 minutos. Teste a hipotese de que a media populacional no novo
procedimento e menor do que 50.
H
0
= = 50
H
1
= < 50
= 0, 05
t =

X
0
/

n
=
4250
11,9/

12
= 2, 53
t

= t
0,05
= 1, 796
Como o valor da estatstica calculada esta na regiao de rejei cao, logo H
0
e rejeitado como verda-
deiro.
6.4.3 Teste q
O teste qui-quadrado verica a hipotese de aderencia e independencia, sendo o teste de aderencia
entendido como se os dados coletados experimentalmente se ajustam de modo adequado as premissas
de um derterminado grau de certeza, ja o teste de independencia mostra se duas variaveis estao vin-
culadas entre si por relacao de dependencia, para determinado grau de certeza.
6.4.4 Teste BDS
A necessidade de caracterizar dependencia nao linear em series temporais estimulou o desenvolvi-
mento do Teste BDS que levou o nome dos pesquisadores que o criaram: William Brock, Davis Dechert
e Jose Alexandre Sheinkman. O BDS e utilizado em diversas areas, sendo o teste mais conhecido para
detectar estruturas nao lineares presentes em series temporais.
27
O Teste BDS utiliza o conceito da correlacao espacial dos termos da serie dentro de um espa co de
dimensao m. Baseia-se numa integral de correla cao denida pela expressao:
C
m,t
() =

t<s
I

(x
m
t
, x
m
s
) .
_
2
T
m
(T
m
1)
_
Onde:
T e o tamanho da amostra;
T
m
= T m+ 1, representa o numero de vetores x
m
t
;
X
m
t
= (X
t
, X
t+1
, ...X
t+m1
);
I

(x
m
t
, x
m
s
) =
_
1 se x
m
t
x
m
s
<
0 outro caso
= distancia arbitraria;
t e s sao instantes de tempo com s = t + 1.
28
7 Metodologia
As commodities ouro, prata e platina, distribudas em perodos de tempo diario, quinzenal e men-
sal, foram submetidas a procedimentos com o objetivo de realizar a analise espectral das mesmas. Os
procedimentos foram realizados nesta ordem; a retirada das tendencias, a tranformacao de serie de
precos em series de retornos, a aplicacao da transformada de fourier nas series de preco,e retornos, e
por m, a aplica cao da fun cao de densidade espectral nas series de pre cos e retornos.
7.1 Series de precos das commodities sem tendencia
A exemplo de diversos trabalhos em analise espectral aplicada ao mercado nanceiro, as tendencias
das series de pre cos diarias, quinzenais e mensais das commodities, ouro, prata e platina, foram ex-
tradas tendo com objetivo garatir uma analise espectral mais assertiva tendo em vista que a presen ca
de tendencia na serie pode implicar em picos indesejaveis na analise.
Figura 5: Serie de preco diario do ouro
29
Figura 6: Serie de preco quinzenal do ouro
Figura 7: Serie de preco mensal do ouro
30
Figura 8: Serie de preco diario da prata
Figura 9: Serie de preco quinzenal da prata
31
Figura 10: Serie de preco mensal da prata
Figura 11: Serie de preco diario da platina
32
Figura 12: Serie de preco quinzenal da platina
Figura 13: Serie de preco mensal da platina
33
7.2 Series de retornos das commodities
As series de pre cos das commodities sem tendencia foram transformadas em series de retorno,
considerando esta uma pratica bem incorporada em analises deste genero.
Figura 14: Serie de retorno diario do ouro
34
Figura 15: Serie de retorno quinzenal do ouro
Figura 16: Serie de retorno mensal do ouro
35
Figura 17: Serie de retorno diario da prata
Figura 18: Serie de retorno quinzenal da prata
36
Figura 19: Serie de retorno mensal da prata
Figura 20: Serie de retorno diario da platina
37
Figura 21: Serie de retorno quinzenal da platina
Figura 22: Serie de retorno mensal da platina
38
7.3 Analise Espectral das commodities
7.3.1 Espectro de Fourier das series de precos das commodities
Foi obtido o espectro de Fourier das series de pre cos das commodities, ouro, prata e platina sendo
essa em periodos de tempo, diario, quinzenal e mensal. Esta teve como proposito a busca por picos
de frequencias dominantes nas series.
Neste trabalho sera adotado o parametro de nao analisar picos de frequencias menor que 0, 01,
pois estes picos podem estar associados aos rudos da serie, e podem comprometer a analise espectral.
Figura 23: Espectro do preco diario do ouro
Na Figura 23 que representa a frequencia em ciclos para toda serie de pre cos diarios do ouro, nao
e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
39
Figura 24: Espectro do preco quinzenal do ouro
Na Figura 24 que representa a frequencia em ciclos para toda serie de pre cos quinzenais do ouro,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 01. A cada 100 quinze-
nas, um componente do preco se repete.
40
Figura 25: Espectro do preco mensal do ouro
Na Figura 25 que representa a frequencia em ciclos para toda serie de pre cos mensais do ouro,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 01. A cada 100 meses,
um componente do preco se repete.
41
Figura 26: Espectro do preco diario da prata
Na Figura 26 que representa a frequencia em ciclos para toda serie de pre cos diarios da prata, nao
e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
42
Figura 27: Espectro do preco quinzenal da prata
Na Figura 27 que representa a frequencia em ciclos para toda serie de pre cos quinzenais da prata,
observa-se a presen ca de um pico de maior frequencia em aproximadamente 0, 005, mas como esta
frequencia esta abaixo do parametro estipulado neste trabalho para evitar a analise de picos causados
possivelmente por rudos, o pico analisado foi o primeiro pico signicativo com frequenia maior ou
igual a 0, 01, tendo este uma frequencia aproximada de 0, 02. A cada 50 quinzenas, um componente
do preco se repete.
43
Figura 28: Espectro de preco mensal da prata
Na Figura 28 que representa a frequencia em ciclos para toda serie de pre cos mensais da prata,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 01. A cada 100 meses,
um componente do preco se repete.
44
Figura 29: Espectro do preco diario da platina
Na Figura 29 que representa a frequencia em ciclos para toda serie de pre cos diarios da platina,
nao e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
45
Figura 30: Espectro do preco quinzenal da platina
Na Figura 30 que representa a frequencia em ciclos para toda serie de precos quinzenais da platina,
observa-se a presen ca de um pico de maior frequencia em aproximadamente 0, 02. A cada 50 quinzenas,
um componente do preco se repete.
46
Figura 31: Espectro do preco mensal da platina
Na Figura 31 que representa a frequencia em ciclos para toda serie de precos mensais da platina,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 04. A cada 25 meses,
um componente do preco se repete.
47
7.3.2 Espectro de Fourier das series de retornos das commodities
Foi obtido o espectro de Fourier dos retornos das commodities, ouro, prata e platina sendo essa
em perodos de tempo, diario, quinzenal e mensal. Esta teve como proposito a busca por picos de
frequencias dominantes nas series.
Neste trabalho sera adotado o parametro de nao analisar picos de frequencias menor que 0, 01,
pois estes picos podem estar associados aos rudos da serie, e podem comprometer a analise espectral.
Figura 32: Espectro do retorno diario do ouro
Na Figura 32 que representa a frequencia em ciclos para toda serie de retornos diarios do ouro,
nao e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
48
Figura 33: Espectro do retorno quinzenal do ouro
Na Figura 33 que representa a frequencia em ciclos para toda serie de retornos quinzenais do
ouro, observa-se a presen ca de um pico de maior frequencia em aproximadamente 0, 26. A cada 3, 84
quinzenas, um componente do retorno se repete.
49
Figura 34: Espectro do retorno mensal do ouro
Na Figura 34 que representa a frequencia em ciclos para toda serie de retornos mensais do ouro,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 49. A cada 2, 04 meses,
um componente do retorno se repete.
50
Figura 35: Espectro do retorno diario da prata
Na Figura 35 que representa a frequencia em ciclos para toda serie de retornos diarios da prata,
nao e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
51
Figura 36: Espectro de retorno quinzenal da prata
Na Figura 36 que representa a frequencia em ciclos para toda serie de retornos quinzenais da
prata, observa-se a presen ca de um pico de maior frequencia em aproximadamente 0, 19. A cada 5, 2
quinzenas um componente do retorno se repete.
52
Figura 37: Espectro do retorno mensal da prata
Na Figura 37 que representa a frequencia em ciclos para toda serie de retornos mensais da prata,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 38. A cada 2, 63 meses,
um componente do retorno se repete.
53
Figura 38: Espectro do retorno diario da platina
Na Figura 38 que representa a frequencia em ciclos para toda serie de retornos diarios da platina,
nao e possvel observar picos de frequencias dominantes que possam ser relevantes para esta analise.
54
Figura 39: Espectro do retorno quinzenal da platina
Na Figura 39 que representa a frequencia em ciclos para toda serie de retornos quinzenais da
platina, observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 06.A cada 16, 6
quinzenas, um componente do retorno se repete.
55
Figura 40: Espectro do retorno mensal da platina
Na Figura 40 que representa a frequencia em ciclos para toda serie de retornos mensais da platina,
observa-se a presenca de um pico de maior frequencia em aproximadamente 0, 12. A cada 8, 3 meses,
um componente do retorno se repete.
56
7.3.3 Densidade Espectral das series de precos das commodities
Figura 41: Densidade espectral do preco diario do ouro
Figura 42: Densidade espectral do preco quinzenal do ouro
57
Figura 43: Densidade espectral do preco mensal do ouro
Figura 44: Densidade espectral do preco diario da prata
58
Figura 45: Densidade espectral do preco quinzenal da prata
Figura 46: Densidade espectral do preco mensal da prata
59
Figura 47: Densidade espectral do preco diario da platina
Figura 48: Densidade espectral do preco quinzenal da platina
60
Figura 49: Densidade espectral do preco mensal da platina
7.3.4 Densidade Espectral das series de retornos das commodities
Figura 50: Densidade espectral do retorno diario do ouro
61
Figura 51: Densidade espectral do retorno quinzenal do ouro
Figura 52: Densidade espectral do retorno mensal do ouro
62
Figura 53: Densidade espectral do retorno diario da prata
Figura 54: Densidade espectral do retorno quinzenal da prata
63
Figura 55: Densidade espectral do retorno mensal da prata
Figura 56: Densidade espectral do retorno diario da platina
64
Figura 57: Densidade espectral do retorno quinzenal da platina
Figura 58: Densidade espectral do retorno mensal da platina
65
8 Resultados
Na analise do espectro de Fourier das series de pre cos e retornos notou-se que nas series diarias
de todas as commodities nao foi possivel observar um pico relevante para a analise, isto se deve as ca-
racteristicas proprias das series e ao perodo de tempo que as compoe, fato este do perodo de tempo,
que pode ser facilmente entendido ser for visualizado as series quinzenais e mensais. Nestas series
devido a um maior agrupamento de tempo que o diario elas apresentao uma visualiza cao mais ntida e
ampliada das series temporais e do seus espectros, sendo a visualizacao de picos na quinzenal melhor
que na diaria, e na mensal melhor que na quinzenal.
Outro fato comum nas serie de pre cos e retornos de todas as commodities, e que os valores em
que se situaram as frequencias que compoe as series, que foi entre 0 e 0, 5, e tambem que as frequencias
neste periodo nao apresentaram picos signicativos isolados, os picos apresentados foram sempre acom-
panhado de outros, muitas vezes com menor intensidade mas ainda proximos. A Ocorrencia de fatos
comuns as series de precos e retornos, se devem as caractersticas proprias das serie que as compoe,
como por exemplo o mercado em que sao comercializadas e o genero destas commodities, mas se deve
tambem pela diferencia cao percentual das series de retornos em rela cao as series de pre cos.
Algumas series de pre cos e retornos quinzenais e mensais apresentaram proporcionalidade en-
tre o seu periodo de tempo e sua frequencia dominante, o pico signicativo da serie de preco da
platina quinzenal foi de 0, 02 o da mensal cou em 0,04, na serie de retorno da platina os pico foram
de 0,06 para a quinzenal e 0,12 para a mensal. O pico siginicativo na serie de retorno da prata
foi de 0, 19 quinzenal e 0, 38 mensal, outras commodities tambem caram proximas destas propor-
cionalidade, como a serie de retorno do ouro que teve seu pico em 0, 26 quinzenal e 0, 49 mensal.
Devido a mensuracao dos picos signicativos das series terem sido feitas visualmente tal mensuracao
incorpora um certo grau de incerteza que pode ter inuenciado minimamente os valores observados
das frequencias dominantes. Incorporando esta incerteza na observacao das frequencias dominantes.
apesar disso pode-se considerar um relacao matematica de proporcionalidade entre o perodo de tempo
que compoe a serie e o valor de sua frequencia dominante.
Observando o Espectro de Fourier das commodities foi constatado um comportamento de
crescimento dos espectros de preco do ouro, prata e platina no sentido da frequencia 0 fato este nao
observado nos retornos. O melhor e o pior picos signicativos observados foram, para a serie de preco
o de 0, 04 da platina mensal o melhor, e 0,01 o pior, este observado no ouro quinzenal, mensal e na
prata mensal. Ja o melhor para as series de retornos foi de 0, 49 do ouro mensal, e o pior foi de 0,06
da platina quinzenal.
Analisando o espectro de Fourier foi possvel armar o tempo em que um componente ciclco
da serie se repetira, esta armacao parte do principio que a frequencia dominante da serie e igual ao
ciclo dividio pelo tempo, logo, temos o tempo em que uma componete ciclca se repetirar sendo este,
igual um ciclo sobre a frequencia dominante.
Os resultados observados na densidade espectral se mostraram condizentes com os apontados
no espectro de fourier, assim corroborando nas evidencias de padroes de comportamentos perodicos
nas series de preco e retornos de commodities
9 Conclusao
De acordo com os resultados obtidos na analise espectral e tendo em vista a metodologia aplicada
nesta analise, foi observado um padrao de comportamento periodico nas series de precos e retornos
das commodities, o que leva a nao aceitac ao da hipotese de eciencia dos mercados, considerando que
esta hipotese incorpara modelos como o random walk que consideram as series de pre cos e retornos
passados como desconexos. A nao aceitacao da hipotese de eciencia dos mercados em termos fracos,
66
demonstra que por meio da analise de informa coes passadas existe a possibilidade de obtencao de
lucros acima da media do mercado.
10 Lista de guras
Das guras contidas no projeto as unicas que nao foram elaboradas pelo autor sao:
Figura 2 e 3
Fonte: Morettin/Toloi (2006)
Figura 4
Fonte: Granger/Morgenstern (1963)
67
Bibliograa
[1] Fama E. F. Ecient capital markets: a review of theory and empirical work. Journal of Finance,
25, 1970.
[2] Fama E. F. Random walks in stock market prices. Financial Analysts Journal, 1995.
[3] ELTON Edwin J., GRUBER Martin J. Modern Portfolio Theory and Investment Analysis. John
Wiley Sons, Inc, 1995.
[4] PEROBELLI F. F. C., NESS Jr W. Rea coes do mercado acionario a varia coes inesperadas nos
lucros das empresas: um estudo sobre a eciencia informacional no mercado brasileiro. XXIV
ENANPAD, 24
o
, Anais... Florianopolis: ANPAD, 2000.
[5] RAUSSER G.C., CARGILL T. F. An application of spectral analysis. American Journal of
Agricultural Economics, 52, 1970.
[6] TOLSTOV Georgi P. Spectral Analysis of New York Stock Market PricesFourier Series. Trans-
lated from the Russian by Richard A. Silverman. Englewood Clis: Prentice- Hall, 1962.
[7] BOX G.E.P., JENKINS G.M. Time series analysis, forecasting and control. 1976.
[8] Van Horne J.C. Financial management and policy. Prentice-Hall, 1995.
[9] KOOPMANS L. H. The spectral analysis of time series. Academic Press, 1995.
[10] Silva M. A. V. R. A anomalia do ndice pre co- lucro (p/l) no mercado acionario. mercado de
capitais. Revista da ABAMEC- Associac ao dos Analistas do Mercado de Capitais. Sao paulo.,
ano VIII- n

79., 1999.
[11] Granger O., Morgenstern C.W. Spectral analysis of new york stock market prices. Kyklos, 16,
1963.
[12] Morettin P. A. Ondas e ondaletas: da analise de Fourier `a analise de ondaletas. 1999.
[13] Morettin P. A., Toloi C.M.C. An alise de series Temporais. Edgard Blucher, 2006.
[14] LEUTHOLD R. M. Random walk and price trends: the live cattle futures market. The Journal
of Finance, 27, 1972.
[15] Ross Stephen. A. Westereld Randolph.W, Jarey F. Corporation nance. 5Th ed. Boston:
Irwin/Mc Graw-Hill, 1999.
[16] Bianchi Filho V. Aplica cao de series de fourier para analise de retornos de ativos nanceiros.
2006.
[17] ENDERS W. Applied econometric time series. 1995.
68