Professional Documents
Culture Documents
Dissertao
apresentada
junto
ao
Departamento de Estatstica do Instituto de
Matemtica, Estatstica e Computao
Cientfica da Universidade Estadual de
Campinas, para a obteno do Ttulo de
Mestre em Estatstica.
Campinas - SP
2008
ii
iii
iv
Agradecimentos
Agradeo aos meus pais Srgio Busato e Vera Mazzoni, e aos meus irmos
Jonathan Busato e Caetano Ranieri pelos incentivos continuidade dos estudos, aos amigos
Henrique Leme Felizatti e Daniel Koji Ito, que contriburam diretamente para o
desenvolvimento desta dissertao.
Aos familiares e amigos: Gabriel, Cludia, Maria Luiza, Fernando, Tatiana,
Marques, Rita, Marcus, Rodolfo, Paulo, Clia, Patrick, Marcos, Carlos e Sara, dentre
outros, que me auxiliaram de muitas formas e me deram apoio e suporte. CAPES pelo
auxlio financeiro nos primeiros meses de mestrado.
Especialmente ao estimado orientador Prof. Dr. Luiz Koodi Hotta por todo o auxlio
e empenho dedicados a este trabalho.
vi
vii
Resumo
viii
ix
Abstract
The Skewed t-Student distribution family, constructed upon the multivariate normal
mixture distribution, known as mean-variance mixture, composed with the Inverse-Gamma
distribution, has many desirable flexibility properties for many distribution asymmetry
structures. These properties are explored by constructing copula functions with asymmetric
dependence. In this work the properties and characteristics of the Skewed t-Student
distribution and the construction of a respective copula function are studied, presenting
different dependence structures that the copula function generates, including tail
dependence asymmetry. Parameter estimation methods are presented for the copula, with
applications up to the 3rd dimension. This copula function is used to compose an ARMAGARCH-Copula model with Skewed t-Student marginal distribution that is adjusted to logreturns of Petroleum and Gasoline prices and log-returns of the AMEX Oil Index,
emphasizing the returns tail distribution. The model will be compared, by the means of the
VaR (Value at Risk) and Akaikes Information Criterion, along with other Goodness-of-fit
measures, with models based on the Symmetric t-Student Copula.
Sumrio
1. Introduo ......................................................................................................................... 1
2. Metodologia....................................................................................................................... 7
3. Modelagem ...................................................................................................................... 11
3.1. Distribuies Assimtricas ........................................................................................ 12
3.1.1 Distribuio Normal Assimtrica Univariada ..................................................... 13
3.1.2. Distribuio t-Student Assimtrica..................................................................... 16
3.2. Funo de Acoplamento ............................................................................................ 26
3.2.1. Dependncia ....................................................................................................... 27
3.2.2. Dependncia nas Caudas .................................................................................... 31
3.2.3. Simulao da Funo de Acoplamento .............................................................. 39
3.3. Estimao da Funo de Acoplamento...................................................................... 41
3.3.1. Comentrios sobre Algoritmos........................................................................... 44
3.3.2. Valores Iniciais ................................................................................................... 45
3.3.3. Estimao da Distribuio t-Student Assimtrica Univariada ........................... 47
3.3.4. Estimao da Distribuio t-Student Assimtrica de 2 e 3 Dimenses.............. 52
3.3.5. Estimao de Parmetros do Acoplamento Bivariado ....................................... 54
3.3.6. Estimao de Parmetros da Funo de Acoplamento 3-variada....................... 61
3.3.7. Preciso do Algoritmo ........................................................................................ 64
4. Aplicao Petrleo e Derivados .................................................................................. 67
4.1. Caractersticas das Sries .......................................................................................... 69
4.1.1. leo Cru WTI..................................................................................................... 69
4.1.2. Gasolina Convencional....................................................................................... 76
4.1.3. ndice de leo AMEX........................................................................................ 79
4.2. Caractersticas Empricas .......................................................................................... 82
4.2.1. Caractersticas Empricas Marginais .................................................................. 82
4.2.2. Perfil Emprico de Dependncia......................................................................... 84
4.3. Modelagem das Sries Filtradas ................................................................................ 88
4.3.1. Ajustes de Distribuies Marginais.................................................................... 89
4.3.2. Ajustes de Funes de Acoplamento.................................................................. 94
4.3.3. Comparao dependncia nas Caudas................................................................ 99
4.3.4. Ganhos em Relao Funo de Acoplamento t-Student Simtrica ............... 100
5. Concluses ..................................................................................................................... 101
xii
Sumrio
Apndices........................................................................................................................... 103
A Funes de Acoplamento........................................................................................... 105
A.1. Distribuies Multivariadas.................................................................................... 107
A.2. Definio das Funes de Acoplamento................................................................. 108
A.2.1. Propriedades .................................................................................................... 109
B - Dependncia ................................................................................................................ 113
B.1. Propriedades da Dependncia ................................................................................. 114
B.1.1. Dependncia em Quadrante Positiva ............................................................... 114
B.1.2. Dependncia de Crescimento Estocstico ....................................................... 115
B.1.3. Dependncia crescente na cauda direita e decrescente na cauda esquerda...... 116
B.1.4. Associao entre Variveis Aleatrias............................................................. 116
B.1.5. Positividade Total de segunda ordem .............................................................. 117
B.1.6. Relaes entre os Conceitos de Dependncia.................................................. 117
B.2. Estruturas de Dependncia...................................................................................... 119
B.2.1. Dependncia Perfeita Positiva e Negativa ....................................................... 119
B.2.2.Dependncia Simtrica ..................................................................................... 122
B.2.3. Dependncia Assimtrica ................................................................................ 123
B.3. Medidas de Dependncia e Concordncia .............................................................. 124
B.3.1. Medidas de Dependncia ................................................................................. 125
B.3.2. Medidas de Concordncia................................................................................ 126
B.3.3. O Tau de Kendall ............................................................................................. 127
B.3.4. O Rho de Spearman ......................................................................................... 127
B.3.5. Dependncia nas Caudas.................................................................................. 128
C Modelos ARMA-GARCH ......................................................................................... 131
C.1. Modelo GARCH(p,q) ............................................................................................. 132
C.2. Correlogramas das Sries Energticas .................................................................... 133
C.2.1. Gasolina Convencional .................................................................................... 133
C.2.2. ndice de leo AMEX ..................................................................................... 135
D Bondade de Ajuste ..................................................................................................... 137
D.1. Teste baseado na Cpula Emprica......................................................................... 137
D.2. Teste baseado na Transformada de Kendall ........................................................... 138
D.3. Estatstica Baseada no Valor em Risco .................................................................. 138
Referncias ........................................................................................................................ 141
Lista de Tabelas
Tabela 3. 1. Mdia e disperso dos parmetros estimados pelo mtodo de momentos e pelo mtodo de
mxima verossimilhana para mil simulaes distintas de 1000 valores da distribuio t-Student Assimtrica
de parmetros v=5.76 e = .68......................................................................................................................... 48
Tabela 3. 2. Parmetros estimados, desvio padro, erro quadrtico mdio das estimativas por mxima
verossimilhana dos parmetros da distribuio t-Student Assimtrica univariada, com 5.76 graus de
liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75 para 1000 simulaes
de 500, 1000, 3000 e 10000 observaes. ........................................................................................................ 49
Tabela 3. 3. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 1000
simulaes de 500, 1000, 3000 e 10000 observaes da distribuio t-Student Assimtrica univariada, com
5.76 graus de liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. ....... 51
Tabela 3. 4. Percentual em que o intervalo de confiana de nveis 90%, 95%, 97.5% e 99% abrangeu o
verdadeiro parmetro nas estimativas realizadas em 1000 simulaes de 500, 1000, 3000 e 10000 observaes
da distribuio t-Student Assimtrica univariada, com 5.76 graus de liberdade, e parmetro de assimetria no
valor de 0.68, posio em 0.75 e escala em 1.75.............................................................................................. 51
Tabela 3. 5. Parmetros estimados pelo mtodo de momentos e pelo mtodo de mxima verossimilhana para
1000 simulaes distintas de 3000 valores da distribuio t-Student Assimtrica bivariada de parmetros
v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32). ........................................................................ 53
Tabela 3. 6. Parmetros estimados pelo mtodo de mxima verossimilhana para 1000 simulaes distintas
de 3000 valores da distribuio t-Student Assimtrica 3-variada de parmetros v = 6.23 , 1, 2 = 0.71 ,
e assimetria
Tabela 3. 7. Parmetros estimados pelo mtodo de mxima verossimilhana para 1000 simulaes distintas
de 3000 valores da distribuio t-Student Assimtrica 3-variada de parmetros v = 6.23 , 1, 2 = 0.71 ,
e assimetria
bidimensionais.................................................................................................................................................. 54
Tabela 3. 8. Parmetros estimados por mxima verossimilhana de 200 simulaes distintas de 3000 valores
da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 6.85 , = 0.81 e
Lista de Tabelas
xiv
Tabela 3. 10. Parmetros estimados pelo mtodo de mxima verossimilhana cannica para 100 simulaes
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) com marginal 1: Normal-Assimtrica com parmetros = 0.43 ,
= 0.81 e = 2.21 , e marginal 2: t-Student Assimtrica com parmetros v = 5.35 , = 0.86 .......... 56
Tabela 3. 11. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21 ,
= 0.65
Tabela 3. 12. Diferenciais utilizados no clculo numrico da matriz hessiana para cada parmetro da funo
de acoplamento t-Student Assimtrica ............................................................................................................. 59
Tabela 3. 13. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 60
Tabela 3. 14. Percentual em que o intervalo de confiana de nveis 90%, 95%, 97.5% e 99% abrangeu o
verdadeiro parmetro nas estimativas realizadas em 100 simulaes de 3000 observaes da funo de
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .................... 60
Tabela 3. 15. Parmetros estimados por mxima verossimilhana de 100 simulaes de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada de parmetros v = 6.79 , 1, 2 = 0.588 ,
Tabela 3. 16. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da
funo de acoplamento t-Student Assimtrica 3-variada com parmetros v = 6.79 , 1, 2 = 0.588 ,
= 3.35 .
= 0.78
= 0.54 , = 0.72
Tabela 3. 17. Parmetros estimados pelo mtodo de mxima verossimilhana cannica para 100 simulaes
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica 3-variada com parmetros
v = 6.79 , 1, 2 = 0.588 , 1,3 = .705 , 2,3 = 0.074 e ( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) , ....... 63
Tabela 3. 18. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica 3-variada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 63
Tabela 3. 19. Diferenciais utilizados no clculo numrico da matriz hessiana para cada parmetro da funo
de acoplamento t-Student Assimtrica ............................................................................................................. 63
Tabela 3. 20. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) ................................................................................................................... 64
Lista de Tabelas
xv
Tabela 3. 21. Percentual em que o intervalo de confiana de nveis 90%, 95%, 97.5% e 99% abrangeu o
verdadeiro parmetro nas estimativas realizadas em 100 simulaes de 3000 observaes da funo de
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .................... 64
Tabela 3. 22. Velocidade at a obteno de estimativas de parmetros para 1 simulao da funo de
acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) , com
preciso de valores 0.01, 0.005, 0.004, 0.003, 0.002, 0.001, 0.0007, 0.0005, 0.0002 e 0.0001........................ 65
Tabela 3. 23. Desvios padro calculados pelo hessiano para preciso 0.01 e 0.001 de 1 simulao da funo
de acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) 66
Tabela 4.1. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(1,0)GARCH(1,1) (Perodo 2) para o log-retornos do leo Cru WTI. .................................................................... 76
Tabela 4. 2. Parmetros ajustados dos modelos ARMA(1,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos da Gasolina Convencional. ...................................................... 78
Tabela 4. 3. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos do ndice de leo AMEX. ....................................................... 81
Tabela 4. 4. Estatsticas de Assimetria e Curtose (3 e 4 Momentos Centrais) das sries filtradas dos logretornos dos preos do Petrleo WTI, Gasolina Convencional e valores do ndice de leo AMEX,
comparativamente Distribuio Normal. ....................................................................................................... 84
Tabela 4. 5. Medidas amostrais de dependncia e concordncia: Correlao Linear, Tau de Kendall, Rho
de Spearman, e Dependncia nas Caudas Inferior e Superior calculada utilizando cpula emprica, para os
pares de ativos energticos nos perodos Pr e Ps Choques 2002. ................................................................. 88
Tabela 4. 6. Parmetros das distribuies Normal e t-Student Assimtricas ajustados para as sries filtradas
de preos........................................................................................................................................................... 93
Tabela 4. 7. AIC (Akaikes Information Criterion) para o ajuste das distribuies marginais Normal
Assimtrica e t-Student Assimtrica s sries filtradas de preos de Petrleo Bruto WTI, ndice de leo
AMEX e Gasolina Convencional. .................................................................................................................... 93
Tabela 4. 8. Ajustes das funes de acoplamento t-Student Assimtricas bivariadas para os pares leo Cru
WTI e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro. ............................. 94
Tabela 4. 9. Ajustes das funes de acoplamento t-Student Simtrica bivariadas para os pares leo Cru WTI
e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro. ............................. 95
Tabela 4. 10. Ajustes das funes de acoplamento t-Student Assimtricas 3-variada para as sries filtradas de
leo Cru WTI, Gasolina Convencional e ndice leo AMEX nos perodos Pr e Ps choques 2002.
Acompanham respectivos desvios padro. ....................................................................................................... 96
Tabela 4. 11. Ajustes das funes de acoplamento t-Student Simtrica 3-variada para as sries filtradas de
leo Cru WTI, Gasolina Convencional e ndice leo AMEX nos perodos Pr e Ps choques 2002.
Acompanham respectivos desvios padro. ....................................................................................................... 96
xvi
Lista de Tabelas
Tabela 4. 12. P-Valores dos testes de bondade de ajuste baseados na Cpula Emprica e na Transformada
Kendall das funes de acoplamento t-Student Assimtrica e t-Student Simtrica nos perodos pr e ps
choques de 2002. .............................................................................................................................................. 97
Tabela 4. 13. Estatsticas do VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000
observaes) dos modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula tStudent Simtrica para o perodo 1. Nmero de observaes para clculo do VaR de 2841. ....................... 98
Tabela 4. 14. VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000 observaes) dos
modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula t-Student Simtrica para o
perodo 1. Nmero de observaes para clculo do VaR de 556................................................................... 99
Tabela 4. 15. Dependncia nas caudas Inferior e Superior das funes de acoplamento emprica, t-Student
Assimtrica e t-Student Simtrica ajustadas................................................................................................... 100
Lista de Figuras
Figura 3. 1. Densidade da Distribuio Normal Assimtrica, para = 0 (linha preta), = 1 (linha verde),
= 2 (linha azul) e = 8 (linha vermelha)................................................................................................ 14
Figura 3. 2. Grfico de Assimetrias e Curtoses da distribuio Normal Assimtrica para parmetros de
assimetria entre -20 e 20. ............................................................................................................................. 15
Figura 3. 3. Densidade de probabilidade da distribuio t-Student Assimtrica padronizada com 5 graus de
liberdade e parmetros de assimetria = 0 (linha preta) , = 0.8 (linha vermelha) , = 2 (linha azul) e
=5
= 7,
( 1 , 2 ) = (0.8 , 0.8). ................................................................................................................... 28
= 0 .8
= 0 .8
= 7,
Figura 3. 9. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v = 120 ,
= 0.8 e ( 1 , 2 ) = (2 , 2). ......................................................................................................................... 29
Figura 3. 10. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros v
= 7,
= 0.8 e ( 1 , 2 ) = (2 , 2)........................................................................................................................ 30
Figura 3. 11. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0.7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0.8, em vermelho)....................................... 35
Figura 3. 12. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta),
e parmetros de assimetria (setas vermelhas) variando entre -1 e 1 em passos de 0.1 com 1 = 2 e v = 5 .36
Lista de Figuras
xviii
Figura 3. 13. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta),
e parmetros de assimetria (setas vermelhas) 1 entre -1 e 0.8 em passos de .1, com 2 = 1 + 0.2 e v = 5 36
Figura 3. 14. Variao da dependncia nas caudas inferior e superior atravs de variaes no grau de
liberdade, com
Figura 3. 15. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0,7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0,6, em vermelho)....................................... 38
= 7,
( 1 , 2 ) = (0.8 , 0.8) e v = 7 , = 0.8 e ( 1 , 2 ) = (-0.8 , 0.8) .......................................... 41
Figura 3. 16. Pontos simulados da Funo de Acoplamento t-Student Assimtrica com parmetros v
= 0 .8
Figura 3. 17. Parmetros de correlao verdadeiros de 170 simulaes da funo de acoplamento t-Student
Assimtrica 3-variada contra parmetros estimados pela cpula bivariada...................................................... 47
Figura 3. 18. Graus de liberdade estimados em 1000 simulaes de 3000 observaes da distribuio tStudent Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.............................................. 50
Figura 3. 19. Histograma dos graus de liberdade estimados em 1000 simulaes de 3000 e 10000
observaes da distribuio t-Student Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de
assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas. 50
Figura 3. 20. Disperso de pontos simulados e contornos da Distribuio t-Student Assimtrica com
parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32)....................................................... 52
Figura 3. 21. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) graus de liberdade em passos de .001 e b)
graus de liberdade em passos de .01................................................................................................................. 58
Figura 3. 22. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) Parmetro de Assimetria 1 (-0.48) em passos
de .001 e b) Parmetro de Assimetria 1 (-0.48) em passos de .01 .................................................................... 58
Figura 3. 23. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) graus de liberdade em passos de .0001 e b)
graus de liberdade em passos de .001............................................................................................................... 59
Figura 4. 1. Preos de curto prazo do Petrleo WTI, cotao NYMEX a) em Dlares por Barril, b)
log(preos) em Dlares por Barril, c) log-retornos de preos .......................................................................... 70
Figura 4. 2. Autocorrelao da srie de log-retornos do leo Cru WTI (NYMEX) perodos pr e ps choques
de 2002. ............................................................................................................................................................ 72
Figura 4. 3. Autocorrelao dos resduos do ajuste dos modelos ARMA para o leo Cru WTI (NYMEX)
perodos pr e ps choques de 2002. ................................................................................................................ 73
Figura 4. 4. Resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA (1,0) (Perodo 2), utilizado
nos log-retornos do leo Cru WTI................................................................................................................... 73
Lista de Figuras
xix
Figura 4. 5. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(1,0)
(Perodo 2), utilizado nos log- retornos do leo Cru WTI ............................................................................... 74
Figura 4. 6. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0)-GARCH(1,1) (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do leo Cru WTI.................................... 75
Figura 4. 7. Log-Retornos do leo Cru WTI filtrados por modelo ARMA(2,0)-GARCH(1,1), (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2). ........................................................................................................... 75
Figura 4. 8. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos do Petrleo WTI. ....................................... 75
Figura 4. 9. Gasolina Convencional com entrega no porto de Nova York a) preos em centavos de dlar, b)
log(preos) em centavos de dlar, c) log-retornos de preos............................................................................ 77
Figura 4. 10. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional. ........................ 79
Figura 4. 11. ndice de leo AMEX a) valores dirios, b) log(valores), c) log-retornos. ................................ 80
Figura 4. 12. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional. ........................ 81
Figura 4. 13. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do Petrleo
WTI nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha) .................................... 82
Figura 4. 14. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos da Gasolina
Convencional nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)...................... 83
Figura 4. 15. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do ndice de
leo AMEX nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha) ....................... 83
Figura 4. 16. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e da Gasolina
Convencional, perodos pr e ps choques 2002.............................................................................................. 85
Figura 4. 17. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e ndice de leo
AMEX, Perodos Pr e Ps Choques de 2002.................................................................................................. 86
Figura 4. 18. Disperso entre as sries filtradas de log-retornos dos preos da Gasolina Convencional e ndice
de leo AMEX, Perodos Pr e Ps Choques de 2002. ................................................................................... 87
Figura 4. 19. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Pr Choques Geopolticos de 2002. ........... 90
Figura 4. 20. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Ps Choques Geopolticos de 2002. .......... 90
Figura 4. 21. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Pr Choques Geopolticos de 2002.
.......................................................................................................................................................................... 91
Figura 4. 22. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Ps Choques Geopolticos de 2002.
.......................................................................................................................................................................... 91
xx
Lista de Figuras
Figura 4. 23. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Gasolina Pr Choques Geopolticos de 2002.................... 92
Figura 4. 24. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Gasolina Ps Choques Geopolticos de 2002. .................. 92
Figura B. 1. Uma distribuio conjunta simtrica padronizada possui a mesma massa de probabilidade em
cada quadrante alternado. ............................................................................................................................... 122
Figura B. 2. Estruturas de dependncia assimtricas Gumbel, Clayton, Frank e t-Student Assimtrica
........................................................................................................................................................................ 124
Figura C. 1. Autocorrelao da srie de log-retornos da Gasolina Convencional perodos pr e ps choques
de 2002. .......................................................................................................................................................... 133
Figura C. 2. Autocorrelao dos resduos do ajuste dos modelos ARMA(1,0) perodo 1 e ARMA(0,0)
perodo 2 para a Gasolina Convencional. ....................................................................................................... 133
Figura C. 3. Autocorrelao dos resduos quadrticos do modelo ARMA (1,0) (Perodo 1) e ARMA(0,0)
(Perodo 2), utilizado nos log- retornos da Gasolina Convencional. .............................................................. 134
Figura C. 4. Autocorrelao dos resduos quadrticos do modelo ARMA (1,0)-GARCH(1,1) (Perodo 1) e
ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos da Gasolina Convencional.................... 134
Figura C. 5. Autocorrelao da srie de log-retornos do ndice de leo AMEX para os perodos pr e ps
choques de 2002. ............................................................................................................................................ 135
Figura C. 6. Autocorrelao dos resduos do ajuste dos modelos ARMA(2,0) perodo 1 e ARMA(0,0)
perodo 2 para o ndice de leo AMEX......................................................................................................... 135
Figura C. 7. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(0,0)
(Perodo 2), utilizado nos log- retornos do ndice de leo AMEX. ............................................................... 136
Figura C. 8. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0)-GARCH(1,1) (Perodo 1) e
ARMA(0,0)-GARCH(1,1) (Perodo 2), utilizado nos log- retornos do ndice de leo AMEX..................... 136
Captulo 1
Introduo
O conhecimento da distribuio conjunta de probabilidade importante em vrios
tipos de aplicaes estatsticas, pois contm informaes sobre cada componente marginal,
alm da estrutura de dependncia entre as variveis.
Pode-se ter uma idia da estrutura atravs, por exemplo, da observao de medidas
de dependncia e grficos comparativos conjuntos e marginais, que do condies ao
analista de selecionar um modelo probabilstico completo que possa ajustar a maior parte
das caractersticas observadas no conjunto de observaes.
Na maioria das vezes, as distribuies marginais, quando bem selecionadas, podem
ser ajustadas de forma consistente. Entretanto, quando se procura uma distribuio conjunta
que modele adequadamente os eventos marginais, e tambm a estrutura de dependncia
entre eles, no se obtm, em geral, resultados adequados.
O conceito de funes de acoplamento (cpulas), proposto por Sklar (1959) mas
denominado e expandido por Joe (1997) e Nelsen (2006), faz a ligao entre distribuies
marginais, modelando a estrutura de dependncia entre as variveis, permitindo que
fenmenos ajustados por quaisquer distribuies marginais sejam conjuntamente
modelados pela estrutura de dependncia mais adequada.
Introduo
Introduo
assimetria na dependncia nas caudas, por exemplo, dependncia apenas na cauda inferior,
apenas na cauda superior, ou qualquer outra combinao assimtrica de dependncia. No
apenas isso. Busca-se encontrar uma cpula flexvel o bastante que ajuste corretamente a
dependncia entre dois fenmenos, tanto na regio central dos eventos possveis, aquela
com maior massa de probabilidade, quanto em suas caudas, quando ocorrer qualquer
assimetria na dependncia.
Para suprir a necessidade de tal funo de acoplamento, alguns mtodos foram
propostos na literatura. Patton (2004) utiliza uma mistura da cpula Clayton (que possui
dependncia na cauda inferior) com a cpula Clayton de sobrevivncia, gerando uma
cpula com caractersticas assimtricas. Stefanova (2007) utiliza uma mistura das cpulas
Gaussiana (que no possui dependncia nas caudas), Gumbel (com dependncia na cauda
superior) e Gumbel sobrevivncia.
Outra alternativa buscar distribuies conjuntas de probabilidade que possuam
elevado nvel de flexibilidade, e utilizar tal distribuio na obteno de uma funo de
acoplamento. Nadaraja & Dey (2005) apresentam uma reviso de diversas formulaes
conhecidas de distribuies t-Student Assimtricas. Demarta & McNeil (2005) propem
uma outra distribuio t-Student Assimtrica a partir da adio de um termo de distribuio
Inversa Gama distribuio t-Student, e propem seu uso na construo de uma funo de
acoplamento flexvel. Essa mistura chamada de mistura em mdia e varincia da
distribuio Normal e a distribuio originada utilizada por Hu e Kercheval (2005) para
estudar a estrutura de dependncia entre moratrias em uma carteira de swaps de crdito,
e por Sun et al (2008) para analisar a dependncia assimtrica e no-linear no mercado de
aes alemo.
O objetivo deste trabalho estudar, a partir da distribuio t-Student Assimtrica
proposta por Demarta e McNeil, que aparece tambm em McNeil, Frey e Embrechts (2005,
Cap 3, p. 75), a capacidade dessa distribuio em modelar dependncia nas caudas inferior
e superior, atestando a sua flexibilidade no ajuste de dependncias simtricas ou
assimtricas. A Cpula construda compor um modelo ARMA-GARCH-Cpula
Introduo
(Filtragem e Estrutura de Dependncia) que ser aplicado a preos Spot de ativos fsicos
de energia da NYMEX (New York Mercantile Exchange): o Petrleo WTI (leo Cru West
Introduo
Introduo
Captulo 2
Metodologia
Metodologia
Metodologia
10
Metodologia
Captulo 3
Modelagem
Modelagem
12
Neste captulo sero tratadas as distribuies univariadas assimtricas Normal e tStudent, para modelagem de distribuies marginais (Seo 3.1). Ser apresentada tambm
a distribuio t-Student Assimtrica, que ser a base para a construo de uma funo de
acoplamento elptica flexvel (Seo 3.2).
Na literatura existem diversas formulaes de distribuies assimtricas baseadas na
distribuio t-Student e na distribuio Normal. Decidiu-se dar nfase formulao da
distribuio t-Student Assimtrica definida em Demarta & McNeil (2005), j que a mesma
pode se ajustar ocorrncia de caudas pesadas e dependncia nas caudas. Como alternativa
para a modelagem marginal ser utilizada a formulao de Azzalini (1985) da distribuio
Normal Assimtrica.
13
distribuies que generaliza a distribuio normal, por incluir essa distribuio, permitindo
assimetria diferente de zero (aqui ser mostrado seu caso univariado). Quanto distribuio
t-Student Assimtrica multivariada, diversas formas j foram estudadas, sendo que algumas
delas podem ser consultadas em Arellano-Valle & Genton (2005) ou Nadarajah & Dey
(2005). Neste texto ser utilizada a construo de Demarta & McNeil, apresentada na seo
3.1.2.
f X ( x) = 2 ( x) (x) ,
[3-1]
2
f X ( x) =
e
2
( x )2
2
t2
1 2
e dt .
2
[3-2]
Metodologia
14
0.0
0.2
0.4
Densidade
0.6
-4
-2
)e
=8
=0
),
=1 (
),
=2
).
dadas por:
1+ 2
15
E ( X ) = +
[3-3]
2 2
,
Var (X ) = 2 1
[3-4]
(4 ) 2
Assim( X ) =
,
3
2
2 2
21
[3-5]
Exc.Curtose( X ) = 2( 3)
3.
2
2 2
1
0.8
[3-6]
Assimetria
Excesso de Curtose
1.5
1
0.9
0.8
0.7
0.5
0.6
0.4
Curtose
0.6
0.5
0.2
0.4
-0.5
=0
0.3
0.2
-1
0.0
0.1
-1.0
-0.5
0.0
0.5
1.0
-1.5
0
-20
Assimetria
-15
-10
-5
10
15
20
O clculo dos limites das equaes [3-5] e [3-6] mostra que quando a
assimetria converge para -0.9953 e o excesso de curtose para 0.8692 .Quando a
assimetria converge para 0.9953 e o excesso de curtose tambm para 0.8692. Esse
movimento pode ser observado na figura 3.2, onde se observa tambm que a assimetria e o
excesso de curtose so unicamente determinados por um parmetro de assimetria, e que se
for fixado o excesso de curtose, o valor absoluto da assimetria tambm estar determinado,
sendo sua direo determinada pelo sinal do parmetro de assimetria. Essa distribuio no
apropriada para ajuste quando o excesso de curtose maior do que 0.8692.
Modelagem
16
17
f X ( x) = c
K v+d
2
( (v + (x )'
( (v + (x )'
(x ) ' 1
v +2d
(x )' 1 (x )
1 +
v+d
2
[3-7]
onde K a funo de Bessel Modificada de Segundo Tipo (veja Abramowitz & Stegun
(1965), Captulos 9 e 10), x = ( x1 , x 2 ,..., x d ) , = ( 1 , 2 ,..., d ) , = ( 1 , 2 ,..., d ) e
1 2 L 1,d
d ,1 L d
c=
2 ( v + d )
2
d
( 2v )(v) 2 2
[3-8]
X ~ st d (v, , , ).
Distribuio Marginal Univariada
Seja
i , i ,
i2 > 0
parmetros
de
posio,
assimetria
escala,
Modelagem
18
f i ( xi ) =
1 v
2 2 K v +1
2
1
v
2
( 2 )(v ) i
distribuio
(x )
v + i 2 i 2
( ) exp(( x
(x )
v + i 2 i
t-Student
( )
2
i
i ) i )
v 2+1
Assimtrica
( xi i )
1 +
2
vi i
Univariada
v +1
2
denotada
[3-9]
por
v
+,
v2
Var ( X ) =
v
2v 2
2 +
2,
v2
( v 2) 2 ( v 4)
Assim( X ) =
[3-11]
3 E (W 3 ) + 3 .E (W 2 ) 3E ( X ).Var ( X ) [ E ( X )]3
Exc.Curtose( X ) =
onde,
[3-10]
( Var ( X ) )
4 E (W 4 ) + 6 2 .E (W 3 ) + E ( Z 4 ).E (W 2 )
( Var ( X ) )
3,
[3-12]
[3-13]
19
v2
v
E (W ) =
,
+
2
v 2 2( v 2) ( v 4)
2
E (W 3 ) =
[3-14]
v
k 3 [3(k 2)(k 3) + (k 2) 2 (k 3) + 4]
, onde k = ,
3
2
2
(k 1) (k 2) (k 3)
E (W 4 ) = E (W )[4 E (W 3 ) + 6 E (W 2 ) E (W ) (3E (W )) 4 ]
30k 66
+
+ 3 Var (W )
(k 3)(k 4)
, onde k =
[3-15]
v
,
2
[3-16]
E ( Z 4 ) = 3 2 .
[3-17]
0.2
0.0
0.1
Densidade
0.3
-10
-5
10
=0
),
= 0 .8
),
=2
)e
=5
).
Modelagem
20
equao.
a)
150
=-10
Assimetria
Exc. Curtose
250
200
=-3
2
150
100
Exc. Curtose
b)
=-1
50
100
-2
=0
50
-4
-4
-2
-6
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0
Assimetria
2 3
7 8
9 10
Figura 3. 4. Grfico de Assimetria e Exc. Curtose da distribuio t-Student Assimtrica para parmetros de
assimetria entre -10 e 10, calculadas para 8.5 graus de liberdade.
6.01
10
8
6.05
8.01
8.05
8.5
12
8.01
120
8.05
8.5
12
120
10
Assimetria
-2
-4
-6
-8
-10
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1
Exc. Curtose
2 3
4 5
6 7
8 9 10
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0
2 3
7 8
9 10
Figura 3. 5. Grfico de Assimetrias e Exc. Curtoses da distribuio t-Student Assimtrica para parmetros de
assimetria entre -10 e 10, calculadas para diversos graus de liberdade.
21
v
+x ,
v2
[3-18]
T2 =
v
2v 2
2 +
2 Sx2 ,
2
v2
( v 2) ( v 4)
[3-19]
T3 =
T4 =
3 E (W 3 ) + 3 .E (W 2 ) 3E ( X ).Var ( X ) [ E ( X )]3
( Var ( X ) )
4 E (W 4 ) + 6 2 .E (W 3 ) + E ( Z 4 ).E (W 2 )
( Var ( X ) )
Assimetria ( x) ,
3 Exc.Curtose( x) ,
[3-20]
[3-21]
Resolver
equao
de
grau:
Modelagem
22
(x x )2
2
2
( x x )2
(x x)2
= 0,
1 .v + 4 2 x 6
.v + 4 x + 8
1
n
1
n
2. =
(v 2)
x.
v
[3-22]
[3-23]
23
i2
=
j ,i
i, j
uma partio da matriz da definio 3.4. Um par de
2j
K v+2
2
f X1 , X 2 ( x1 , x2 ) = c
2
2
( x x2 ) + 2 ( x2 x1 )
x 2 x1 x2 + x2 12 2 1 2 + 22
v + 1
. exp 1 1
2
2
1
1
1 2
2
2
x 2 x1 x2 + x2 12 2 1 2 + 22
v + 1
1 2
1 2
v +2 2
2
2
x 2 x1 x2 + x2
1 + 1
v.(1 2 )
[3-24]
v+ 2
2
onde c =
22
( 2v )(v ) 1 2
[3-25]
Modelagem
24
E ( X 1 ) v 1 1
=
+ ,
E ( X 2 ) v 2 2 2
Cov ( X 1 , X 2 ) v 12 1, 2
12
Var ( X 1 )
2v 2
=
+
Var ( X 2 ) v 2 2 ,1 22 (v 2) 2 (v 4) 2 1
Cov ( X 1 , X 2 )
[3-26]
1 2
. [3-27]
22
(v 2)
x 1 ;
v
T2 =
(v 2)
y 2 ;
v
[3-28]
[3-29]
(x x)2 2
( x x )2 2
(x x)2
T3 =
1 .v + 4 2 x 6
.v + 4 x + 8
n 1
1
n
[3-30]
( y y)2 2
( y y ) 2 .v + 4 y 2 + 8 ( y y ) 2 ;
T4 =
1.v + 4 2 y 6
n 1
n 1
n 1
[3-31]
( x x )( y y ) 2 x . y v 2
T5 =
;
n 1
v 4 v
[3-32]
25
( 1 , 2 ) = (-0.8 , 0.8). Veja na figura 3.6 que, embora apresente assimetria marginal, a
igualdade dos parmetros de assimetria mantm a simetria radial, j que ambas as
marginais tero o mesmo comportamento e perfil assimtrico. J na figura 3.7, a presena
de valores diferentes de assimetria causa tanto assimetria marginal quanto assimetria radial,
0.02
0.95
0.04
0.9
0.06
9
0.0
0.75
0.12
0.7
0.65
0.6
0.55
3
0.19
0.4
0.1
X2
0.1
0.1
4
0.85
0.8
0.1
5
1
0 .1
X2
0.07
0.35
0.5
0.3
0.2
0.45
0.25
0.15
8
0.0
0.1
0.05
0.05
0.03
-2
-4
-4
-2
0.01
-4
-2
0
X1
-4
-2
X1
Figura 3. 6. Contornos da Distribuio t-Student Assimtrica Funo Densidade e Funo Acumulada com
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (0.8 , 0.8)
Modelagem
26
0.01
0.95
0.03
0.9
0.07
0.1
0.85
0.05
0.8
0.08
0.75
0.11
0.6
0.45
9
0.0
0.1
0.35
X2
0.13
0.5
X2
0.7
0.65
0.3
0.2
0.55
0.4
0.25
0.15
0.1
0.06
0.04
0.05
-2
-4
-4
-2
0.02
-4
-2
-4
X1
-2
X1
Figura 3. 7. Contornos da Distribuio t-Student Assimtrica Funo Densidade e Funo Acumulada com
parmetros v = 6 , = 0.7 e assimetria ( 1 , 2 ) = (-0.8 , 0.8)
O mtodo de mxima verossimilhana para a verso bidimensional da distribuio tStudent Assimtrica anlogo ao caso univariado. Realiza-se atravs da maximizao
numrica (nos parmetros) da soma do logaritmo da funo [3-24] aplicada ao conjunto de
dados. Alm disso, o caso particular bivariado extensvel para dimenses superiores,
utilizando-se parmetros de posio nulos e parmetros de escala iguais a 1 na equao [39]. Mais detalhes sobre a estimao de parmetros atravs da mxima verossimilhana para
dimenses maiores do que 2 sero dados na seo 3.3.
27
C ST (u1 , u 2 ,..., u d ; v, P, ) =
STd ( ST11 (u1 ; v,0,1, 1 ), ST11 (u 2 ; v,0,1, 2 ),..., ST11 (u d ; v,0,1, d ); v,0, P, )
[3-33]
onde ST1 = st1 (t ; v,0,1, i )dt a funo distribuio acumulada da t-Student Assimtrica
sup (i, j ) inf (i, j ) , sup (i, j ) sup (i ' , j ' ) , inf (i, j ) sup (i ' , j ' ) , para (i, j ) (i ' , j ' ) , com
Modelagem
28
i, j , i ' , j ' = 1,...d dimenses, onde sup o coeficiente de dependncia nas caudas superior e
1.0
1.0
6
0.9
0.85
0.8
0.8
0.8
0.75
0.6
0.6
0.7
0.65
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
0.3
0.2
0.2
0.25
0.2
0.15
0.1
0.05
0.0
0.2
0.0
0.0
0.4
0.6
0.8
1.0
0.0
0.2
X1
0.4
0.6
0.8
1.0
X1
= 0 .8
( 1 , 2 ) = (0.8 , 0.8).
v = 7,
0.8
0.6
0.9
6
0.
2.4
0.8
1.0
1.0
29
0.8
5
0.8
6
2.
0.8
3
2.2
0.8
0.75
0.7
0.65
0.6
0.6
1.8
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
1.6
1.4
0.4
1.2
0.35
0.3
1.6
1.8
0.4
0.2
0.6
0.05
0.0
0.0
0.1
2.2
0.0
0.2
0.15
0.8
1.2
2.4
2.6
0.25
0.2
0.2
1.4
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
X1
0.6
0.8
1.0
X1
0.5
v = 7,
1.0
1.0
1.5
4
3.5
0.9
0.85
0.8
0.8
3
2.5
0.8
0.75
0.6
0.6
0.7
0.65
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
2
0.3
0.2
0.2
0.25
2.5
0.2
0.15
0.1
3.5
0.05
0.0
0.2
0.5
0.0
0.0
1.5
0.4
0.6
0.8
1.0
0.0
0.2
X1
0.4
0.6
0.8
1.0
X1
Figura 3. 10. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros
= 0 .8
( 1 , 2 ) = (2 , 2).
v = 120 ,
Modelagem
1.0
1.0
30
2.5
0.5
0.9
0.8
0.8
0.8
1.5
0.8
0.75
1.5
0.65
0.6
0.6
0.7
1
0.6
0.55
X2
0.5
0.45
0.4
0.4
X2
0.4
0.35
0.3
0.2
0.2
0.25
0.2
0.15
0.1
0.2
0.4
0.05
0.6
0.8
0.0
0.0
0.0
0.5
0.5
1.5
1.0
0.0
0.2
0.4
X1
0.6
0.8
1.0
X1
Figura 3. 11. Funes densidade e distribuio da cpula t-Student Assimtrica com parmetros
= 0.8 e ( 1 , 2 ) = (2 , 2).
v = 7,
Em todas as figuras veja que a densidade localizada nos cantos superior direito e
inferior esquerdo indicam dependncias entre valores positivo-positivo e negativo-negativo.
A densidade concentrada nos cantos superior esquerdo e inferior direito indica dependncia
entre valores positivo-negativo e negativo-positivo.
A figura 3.8 indica maior dependncia na cauda superior do que na cauda inferior,
considerando para essa constatao que existe maior concentrao da densidade no canto
superior direito do que no inferior esquerdo. 3.9 exibe dependncia alm dos cantos
superior direito e inferior esquerdo, tambm no superior esquerdo.
Na figura 3.10 e 3.11, parmetros mais extremos foram selecionados. Em 3.10
foram utilizados 120 graus de liberdade, o que, mesmo com valores significativos de
assimetria, manteve simetria na densidade. 3.11 exibe dependncia no canto superior
direito, mesmo com correlao negativa entre as variveis.
31
como:
( lim+ P{Y F21 ( ) / X F11 ( )} = inf ) , sup [0,1] ( inf [0,1] ), dado que o limite exista.
0
e Y
so chamadas de
Modelagem
32
inf = lim
u 0
dC (u , u )
= lim+ P (U 2 u | U 1 = u ) + lim+ P (U 1 u | U 2 = u ) ,
u 0
u 0
du
[3-34]
d (1 2u + C (u, u ))
dC (u, u )
2 + lim
u 1
du
du
sup = lim
=
=
d (1 u )
u 1
1
du
= 2 lim P(U 2 u | U1 = u ) lim P(U1 u | U 2 = u ),
u 1
[3-35]
u 1
Da,
lim P (U 2 u | U 1 = u ) =
u 1
[3-36]
[3-37]
u 1
lim P (U 1 u | U 2 = u ) =
u 0 +
u 0
33
[3-38]
y +
[3-39]
onde,
y
Y2 / Y1 = y
( x / Y1 = y )dx , e
[3-40]
( x / Y2 = y )dx .
[3-41]
Y1 / Y2 = y
f Y1 / Y2 = y ( x / Y2 = y ) =
K v+ 2
2
c
= 1
c2
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
K v +1
2
f (Y1 = x, Y2 = y )
=
f (Y2 = y )
( (v + y ) )
2
2
2
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
( (v + y ) )
2
2
2
[3-42]
. exp 1 ( x y) + 2 ( y x)
1 2
exp( y 2 )
v +2 2
x 2 2 xy + y 2
1 +
v.(1 2 )
v 2+1
y2
1 +
( x y ) + 2 ( y x )
exp 1
y 2
2
1
c1 .1
c 2 . 2
x 2 2 xy + y 2
1 +
v.(1 2 )
v+2
2
y
1 +
v +2 2
y
1 +
1
2
[3-43]
v+ 2
2
v +1
2
[3-44]
Modelagem
34
( x y )( 1 2 )
exp
1 2
c1 .1
c 2 . 2 (v + y 2 ).(1 2 ) + ( x y ) 2
v.(1 2 )
v+2
2
2
v+ y
v+2
2
y
1 +
( x y ) v + 1 2 ( ) v + y 2
1
2
exp
1 2 v + y2
2 v +1
c1 .1
=
v+2
1
c 2 . 2
2
( x y ) 2
y2 2
1 +
1 +
2
2
v
(1 )(v + y )
1
1
2
[3-45]
[3-46]
onde,
K v+2
2
1 =
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
K v +1
2
2 =
( (v + y ) )
2
2
2
,e
x 2 2 xy + y 2 12 2 1 2 + 22
v +
1 2
1 2
( (v + y ) )
2
2
2
v 2+1
[3-47]
v +2 2
[3-48]
35
1.0
0.8
0.5
parametro 2
0.6
0.0
0.4
-0.5
0.2
-1.0
0.0
-1.0
-0.5
0.0
0.5
1.0
parametro 1
Figura 3. 12. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0.7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0.8, em vermelho).
Modelagem
36
a: v
= 0.5
1
= 0.7
=4
b: v
=1
= 0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
=1
= 0.9
= 0.7
0.9
0.9
=5
= 0.5
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
Figura 3. 13. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta
tracejada), e parmetros de assimetria (setas vermelhas pontilhadas) entre -1 e 1 em passos de 0.1 com
1 = 2 , a: v = 4 e b: v = 5 .
v=5
=1
= 0.9
=1
= 0.7
0.9
Dependncia na Cauda Superior
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
= 0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
0.2
0.4
0.6
0.8
Figura 3. 14. Variao da dependncia nas caudas inferior e superior por variaes na correlao (seta preta
tracejada), e parmetros de assimetria (setas vermelhas pontilhadas) 1 entre -1 e 0.8 em passos de .1, com
2 = 1 + 0.2 , v = 4 e v = 5
37
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
Inferior
Superior
5
7
Graus de Liberdade
12
Figura 3. 15. Variao da dependncia nas caudas inferior e superior atravs de variaes no grau de
liberdade, com = 0.7 e 1 = 2 = 0.4 .
Modelagem
38
1.0
0.6
parametro 2
0.5
0.5
0.4
0.0
0.3
0.2
-0.5
0.1
-1.0
0.0
-1.0
-0.5
0.0
0.5
1.0
parametro 1
Figura 3. 16. Dependncia na cauda inferior estimada atravs de simulao para funo de acoplamento tStudent Assimtrica com v = 5 , = 0,7 , e parmetros de assimetria ( 1 , 2 ) nos eixos. A cor distingue
dependncias nas caudas baixa ou nula (azul) at alta (acima de 0,6, em vermelho).
[3-49]
39
Aparecem nas figuras 3.12, 3.13, 3.14 e 3.16 dependncias nas caudas relativas
parmetros de assimetria entre -1 e 1. Porm esses parmetros podem assumir
valores maiores. Com v = 5 e = 0.7 obtm-se inf = 0.087 e sup = 0.953 com
Modelagem
40
ento
possui
estrutura
de
dependncia
[3-50]
c(u1 , u 2 ,..., u d ) =
d C (u1 , u 2 ,..., u d )
u1u 2 ...u d
[3-51]
41
d C ST (u1 , u 2 ,..., u d ; v, P, )
=
u1u 2 ...u d
d STd ( ST11 (u1 ; v,0,1, 1 ), ST11 (u 2 ; v,0,1, 2 ),..., ST11 (u d ; v,0,1, d ); v,0, P, )
=
=
u1u 2 ...u d
st 2 ( ST11 (u1 ; v,0,1, 1 ),..., ST11 (u d ; v,0,1, d ); v, P, )
=
.
st1 ( ST11 (u1 ; v,0,1, 1 ); v,0,1, 1 )...st1 ( ST11 (u d ; v,0,1, d ); v,0,1, d )
[3-52]
[3-53]
A figura 3.17 mostra uma simulao de 1000 valores da funo de acoplamento tStudent assimtrica com v = 7 , = 0.8 e ( 1 , 2 ) = (0.8 , 0.8) e v = 7 , = 0.8 e
0.0
0.0
0.2
0.2
0.4
0.4
U2
U2
0.6
0.6
0.8
0.8
1.0
1.0
( 1 , 2 ) = (-0.8 , 0.8).
0.0
0.2
0.4
0.6
0.8
1.0
0.0
U1
0.2
0.4
0.6
0.8
1.0
U1
Figura 3. 17. Pontos simulados da Funo de Acoplamento t-Student Assimtrica com parmetros
= 0 .8
v = 7,
Modelagem
42
onde
FX1 , FX 2 ,..., FX d
so
as
t =1
[3-54]
[3-55]
t =1
1
n
1{Y (, y ]} .
i =1
[3-56]
43
[3-57]
t =1
Modelagem
44
45
para os quants da distribuio. Por exemplo, quants entre -120 e 120 com passos de 0.002
implicam em uma matriz de 120000 linhas e duas colunas (x e P( X x) , onde X
distribuda pela distribuio t-Student Assimtrica). Essa seleo garante que a soma
cumulativa da probabilidade em -120 seja prxima de zero e em 120, prxima de 1.
Em uma otimizao o clculo dessa matriz deve ser realizado um nmero suficiente
de vezes at que se encontre o parmetro mais adequado para o conjunto de dados. Alm
disso, se um conjunto de dados possui percents, o algoritmo deve encontrar os quants
correspondentes. O tamanho do passo (p.ex. 0.002) para a construo do vetor de quants
relacionado ao vetor de probabilidades acumuladas foi considerado a preciso desse
algoritmo. Maior preciso implica em um vetor maior, e maior tempo de processamento.
Maiores detalhes sobre preciso sero dados na seo 3.3.6.
3.3.2. Valores Iniciais
Modelagem
46
47
0.6
0.4
0.0
0.2
Estimao 3-Variada
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
Estimao Bivariada
Figura 3. 18. Parmetros de correlao verdadeiros de 170 simulaes da funo de acoplamento t-Student
Assimtrica 3-variada contra parmetros estimados pela cpula bivariada
Modelagem
48
Exemplo 3.1 a) Foram simuladas 1000 amostras com 1000 observaes de uma
1000 observaes, 1000 amostras de 3000 observaes e mais 1000 amostras com 10000
simulaes, todos com 5.76 graus de liberdade, parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. Na tabela 3.2 observam-se os parmetros estimados.
Para cada um desses conjuntos foram estimadas as matrizes hessianas que, atravs da raiz
49
de sua inversa do uma estimativa do desvio padro para a estimativa dos parmetros.
Sero comparados os desvios padro da matriz hessiana com o amostral (Tabela 3.3).
Tabela 3. 2. Parmetros estimados, desvio padro, erro quadrtico mdio das estimativas por mxima
verossimilhana dos parmetros da distribuio t-Student Assimtrica univariada, com 5.76 graus de
liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75 para 1000 replicaes
de 500, 1000, 3000 e 10000 observaes.
Verdadeiro
Mdia
Mediana
Desvio Padro
Erro Quad. Mdio
500
5.76
5.9939
5.8402
1.3634
1.9118
Graus de Liberdade
1000
3000
5.76
5.76
5.9852
5.7833
5.8639
5.7309
1.0351
0.6726
1.1210
0.4525
10000
5.76
5.7615
5.7706
0.4078
0.1661
500
0.68
0.7173
0.6929
0.2091
0.0451
Assimetria
1000
3000
0.68
0.68
0.7143
0.6839
0.6980
0.6756
0.1731
0.1315
0.0311
0.0173
10000
0.68
0.6807
0.6822
0.0769
0.0059
Verdadeiro
Mdia
Mediana
Desvio Padro
Erro Quad. Mdio
500
0.75
0.7033
0.7187
0.2414
0.0604
Posio
1000
3000
0.75
0.75
0.7127
0.7474
0.7225
0.7576
0.1960
0.1494
0.0398
0.0223
10000
0.75
0.7505
0.7507
0.0869
0.0075
500
1.75
1.7396
1.7371
0.0848
0.0073
Escala
1000
3000
1.75
1.75
1.7440
1.7474
1.7443
1.7500
0.0598
0.0362
0.0036
0.0013
10000
1.75
1.7493
1.7507
0.0220
0.0005
Para uma amostra relativamente pequena (500 observaes) observou-se que existe
um afastamento da mdia das estimativas do grau de liberdade e parmetro de assimetria
com relao aos parmetros utilizados nas simulaes. Entretanto, no caso do parmetro de
graus de liberdade a mediana mostra um afastamento menos acentuado, o que uma
indicativa de que o procedimento de otimizao para pequeno nmero de observaes pode
gerar estimativas muito distantes do valor verdadeiro. De fato, como se pode observar na
figura 3.19 e 3.20, que mostram a disperso das estimativas do grau de liberdade para 500,
1000, 3000 e 10000 observaes, as estimativas podem assumir valores muito acima do
verdadeiro para poucas informaes, reduzindo a variabilidade na estimao conforme se
aumenta o nmero de observaes. Observa-se tambm que com um nmero maior de
observaes simuladas obtm-se estimativas mais precisas e de menor variabilidade para
todos os parmetros.
Modelagem
50
1000
0.3
Densidade
0.2
0.15
0.0
0.00
0.05
0.1
0.10
Densidade
0.20
0.4
0.25
0.5
0.30
500
10
12
14
16
Graus de Liberdade
10
12
14
16
Graus de Liberdade
Figura 3. 19. Graus de liberdade estimados em 1000 simulaes de 3000 observaes da distribuio tStudent Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de assimetria no valor de 0.68,
posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.
10000
0.8
0.0
0.0
0.1
0.2
0.2
0.4
0.6
Densidade
0.4
0.3
Densidade
0.5
0.6
1.0
0.7
3000
Graus de Liberdade
Graus de Liberdade
Figura 3. 20. Histograma dos graus de liberdade estimados em 1000 simulaes de 3000 e 10000
observaes da distribuio t-Student Assimtrica com 5.76 graus de liberdade (linha azul), parmetro de
assimetria no valor de 0.68, posio em 0.75 e escala em 1.75. A linha vermelha a mdia das estimativas.
A tabela 3.3 mostra o desvio padro mdio estimado atravs da matriz hessiana,
juntamente com medidas de variabilidade do desvio padro estimado para as simulaes
realizadas com 500, 1000, 3000 e 10000 observaes.
51
Tabela 3. 3. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 1000
simulaes de 500, 1000, 3000 e 10000 observaes da distribuio t-Student Assimtrica univariada, com
5.76 graus de liberdade, e parmetro de assimetria no valor de 0.68, posio em 0.75 e escala em 1.75.
Amostral
Mdia
Mediana
Desvio Padro
500
1.3634
1.3303
1.1953
0.6973
Graus de Liberdade
1000
3000
1.0351
0.6726
1.0014
0.5798
0.9492
0.5738
0.3304
0.1325
10000
0.4078
0.3195
0.3203
0.0456
500
0.2091
0.1926
0.2157
0.1539
Assimetria
1000
3000
0.1731
0.1315
0.1736
0.1159
0.1961
0.1197
0.0943
0.0361
10000
0.0769
0.0662
0.0671
0.0108
Amostral
Mdia
Mediana
Desvio Padro
500
0.2414
0.2268
0.2640
0.1658
Posio
1000
3000
0.1960
0.1494
0.2016
0.1317
0.2285
0.1385
0.1002
0.0428
10000
0.0869
0.0756
0.0772
0.0139
500
0.0848
0.0856
0.0853
0.0069
Escala
1000
3000
0.0598
0.0362
0.0608
0.0353
0.0607
0.0353
0.0027
0.0010
10000
0.0220
0.0194
0.0194
0.0004
90.00%
95.00%
97.50%
99.00%
500
93.24%
96.44%
99.29%
99.47%
Graus de Liberdade
1000
3000
94.09%
91.66%
96.06%
96.05%
98.03%
97.48%
98.82%
98.79%
10000
87.56%
93.63%
97.23%
98.56%
500
98.40%
98.93%
99.47%
99.64%
Assimetria
1000
3000
98.43%
93.30%
99.21%
96.93%
100.00%
98.13%
100.00%
99.45%
10000
90.54%
95.07%
97.64%
99.08%
90.00%
95.00%
97.50%
99.00%
500
99.47%
99.47%
99.47%
99.47%
Posio
1000
3000
100.00%
92.65%
100.00%
97.59%
100.00%
99.23%
100.00% 100.00%
10000
90.44%
95.89%
98.25%
98.87%
500
93.06%
96.62%
98.75%
99.29%
Escala
1000
3000
91.08%
91.77%
95.01%
96.27%
97.64%
97.91%
98.82%
99.23%
10000
89.93%
95.07%
97.33%
99.18%
Modelagem
52
0.02
4
0.0
8
0.0
0.2
0.0
-2
X[,2]
0.09
6
0.0
5
0.0
0.03
-8
-6
-4
0.01
10
X[,1]
Figura 3. 21. Disperso de pontos simulados e contornos da Distribuio t-Student Assimtrica com
parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32).
Como feito no caso univariado, sero estimados os parmetros atravs dos dados
simulados pelos mtodos de momentos e mxima verossimilhana, para 1000 replicaes
da simulao acima. Os parmetros estimados por esses mtodos so exibidos na tabela 3.5.
53
Tabela 3. 5. Parmetros estimados pelo mtodo de momentos generalizado e pelo mtodo de mxima
verossimilhana para 1000 amostras aleatrias distintas de 3000 valores da distribuio t-Student Assimtrica
bivariada de parmetros v = 8.35 , = 0.77 e assimetria ( 1 , 2 ) = (0.67 , -0.32).
Graus de Liberdade
Assimetria 1
M.V.
M.M.G.
M.V.
M.M.G.
Verdadeiro
8.35
8.35
0.67
0.67
Mdia
8.3899
8.4319
0.6712
0.6696
Desvio Padro
0.6840
0.9721
0.0314
0.0351
Erro Quad. Mdio
0.4690
0.9507
0.0010
0.0012
M.V.: Mxima Verossimilhana
M.M.G.: Mtodo de Momentos Generalizado
Assimetria2
M.V.
M.M.G.
-0.32
-0.32
-0.3180
-0.3194
0.0286
0.0283
8.23E-04 8.00E-04
Correlao
M.V.
M.M.G.
0.77
0.77
0.7697
0.7721
0.0167
0.0595
2.79E-04 3.54E-03
e assimetria
g.l.
Verdadeiro
6.23
Mdia
6.283
Desvio Padro
0.474
Erro Quad. Mdio 2.31E-01
Assim. 1
0.78
0.807
0.029
2.85E-03
Assim. 2
-0.67
-0.702
0.029
3.84E-03
Assim. 3
-0.43
-0.431
0.028
7.94E-04
Corr. 1,2
0.71
0.734
0.028
1.97E-03
Corr. 1,3
0.33
0.328
0.035
1.24E-03
Corr. 2,3
0.23
0.230
0.032
1.05E-03
Modelagem
54
Tabela 3. 7. Parmetros estimados pelo mtodo de mxima verossimilhana para 1000 simulaes distintas
de 3000 valores da distribuio t-Student Assimtrica 3-variada de parmetros v = 6.23 , 1, 2 = 0.71 ,
e assimetria
bidimensionais.
g.l.
Verdadeiro
6.23
Mdia
6.289
Desvio Padro
0.488
Erro Quad. Mdio 3.27E-01
Marginal Bidimensional 1
Assim. 1 Assim. 2 Corr. 1,2
0.78
-0.67
0.71
0.858
-0.764
0.757
0.024
0.027
0.035
6.60E-03 9.61E-03 3.44E-03
g.l.
Verdadeiro
6.23
Mdia
6.290
Desvio Padro
0.533
Erro Quad. Mdio 2.87E-01
Marginal Bidimensional 3
Assim. 2 Assim. 3 Corr. 2,3
-0.67
-0.43
0.23
-0.670
-0.430
0.230
0.033
0.029
0.034
1.06E-03 8.31E-04 1.13E-03
g.l.
6.23
6.285
0.451
2.06E-01
Marginal Bidimensional 2
Assim. 1 Assim. 3 Corr. 1,3
0.78
-0.43
0.33
0.782
-0.431
0.329
0.032
0.028
0.036
1.03E-03 8.01E-04 1.32E-03
Dessas tabelas interessante notar que as estimativas dos parmetros das marginais
bivariadas so prximas das estimativas dos parmetros obtidas de forma completa (3variada). Esse fato ser utilizado no contexto de cpulas, principalmente no caso dos
parmetros de correlao, para permitir o aumento do nmero de dimenso sem aumentar
demasiadamente o custo computacional. A correlao entre as estimativas do grau de
liberdade no caso 3-variado e as estimativas no caso bivariado so em torno de 0.75.
O objetivo de se estudar a estimao de parmetros da distribuio t-Student
Assimtrica de dimenses maiores do que 1 dar uma base para a criao de mtodos
computacionais para a estimao de parmetros da funo de acoplamento baseada nessa
distribuio, alm de mostrar praticamente propriedades da distribuio, como a
hereditariedade dos parmetros da distribuio 3-variada para suas marginais bivariadas e
univariadas.
3.3.5. Estimao de Parmetros do Acoplamento Bivariado
Exemplo 3.3 a) A tabela 3.8 mostra a mdia e disperso das estimativas dos parmetros de
55
Tabela 3. 8. Parmetros estimados por mxima verossimilhana de 200 simulaes distintas de 3000 valores
da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 6.85 , = 0.81 e
( 1 , 2 ) = (-0.78 , - 0.67) .
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
g.l.
6.85
6.978
0.115
2.98E-02
Assim. 1
-0.78
-0.726
0.071
7.93E-03
Assim. 2 Correlao
-0.67
0.81
-0.628
0.809
0.080
0.011
8.14E-03 1.29E-04
acoplamento
t-Student
Assimtrica
com
parmetros
v = 7.21 ,
= 0.65
Modelagem
56
estimaes dos parmetros das marginais e da funo de acoplamento pelo mtodo IFM e
da funo de acoplamento pelo mtodo de Mxima Verossimilhana Cannica.
Tabela 3. 9. Parmetros estimados pelo mtodo IFM para 100 simulaes distintas de 3000 valores da funo
de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 , = 0.65 e
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Tabela 3. 10. Parmetros estimados pelo mtodo de mxima verossimilhana cannica para 100 simulaes
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica bivariada de parmetros v = 7.21 ,
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
57
= 0.65
( 1 , 2 ) = (-0.48 , - 0.72) .
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1 Assimetria 2
0.0965
0.1253
0.0068
0.0075
0.0063
0.0066
0.0021
0.0035
Correlao
0.0177
0.0101
0.0100
0.0005
Graus Lib.
0.9890
0.0092
0.0086
0.0028
4hi2
i , j ( ) =
L( + h , + h , L ; x) L( + h , h , L ; x) L( h , + h , L ; x) + L( h , h , L ; x )
i
i
j
j
i
i
j
j
i
i
j
j
i
i
j
j
4hi h j
.[3-58]
se i j
Esse fato manteve a estimativa do desvio padro muito longe da amostral. Alm
disso a chance de que um intervalo de confiana para os parmetros construdo com esses
desvios padro no inclua o parmetro real tornou-se muito alta. Decidiu-se ento por uma
anlise para definir o melhor h para cada parmetro. Para o clculo final da matriz hessiana
Modelagem
58
-993.0
-994.0
-993.5
Verossimilhana
-994.70
-994.75
-994.85
-994.5
-994.80
Verossimilhana
-994.65
-992.5
-994.60
6.7
6.8
6.9
7.0
7.1
6.0
7.2
6.5
7.0
7.5
8.0
Graus de Liberdade
Graus de Liberdade
-993.0
-994.0
-993.5
Verossmilhana
-994.75
-994.80
-995.0
-994.90
-994.5
-994.85
Verossimilhana
-994.70
-992.5
-994.65
-992.0
Figura 3. 22. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) graus de liberdade em passos de .001 e b)
graus de liberdade em passos de .01.
-0.52
-0.51
-0.50
-0.49
Assimetria 1
-0.48
-0.47
-0.60
-0.55
-0.50
-0.45
-0.40
Assimetria 1
Figura 3. 23. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) Parmetro de Assimetria 1 (-0.48) em passos
de .001 e b) Parmetro de Assimetria 1 (-0.48) em passos de .01
-960
Verossimilhana
-993
-995
-980
-994
Verossimilhana
-940
-992
-920
-991
59
0.63
0.64
0.65
0.66
0.67
0.55
correlao
0.60
0.65
0.70
0.75
Correlao
Figura 3. 24. Funo de verossimilhana calculadas em uma simulao da funo de acoplamento com
v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) . Com variao de a) graus de liberdade em passos de .0001 e b)
graus de liberdade em passos de .001.
Com h maiores, passando de 0.001 para 0.01 ou 0.1, no caso dos graus de liberdade,
obteve-se uma funo de verossimilhana mais regular, cuja segunda derivada produzir
resultados mais adequados de disperso para os parmetros de assimetria e graus de
liberdade. Para a correlao a funo de verossimilhana regular e suave, facilitando a
maximizao da verossimilhana nesse parmetro e clculo da segunda derivada. Por esse
motivo, como visto na seo 3.3.2, os parmetros de correlao estimados atravs da
funo de acoplamento bivariada para cada par de um conjunto de dados multivariado
podem ser fixados na funo de verossimilhana multidimensional, o que reduz o nmero
de parmetros a serem estimados em maiores dimenses. A tabela 3.12 mostra os hs e
selecionados durante a anlise.
Tabela 3. 12. Diferenciais utilizados no clculo numrico da matriz hessiana para cada parmetro da funo
de acoplamento t-Student Assimtrica
Assimetria 1 Assimetria 2
0.01
0.01
0.00001
0.00001
Correlao
0.001
0.00001
Graus Lib.
0.1
0.00001
Modelagem
60
Tabela 3. 13. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0965
0.0613
0.0486
0.0342
Assimetria 2
0.1253
0.0792
0.0648
0.0306
Correlao
0.0177
0.0100
0.0083
0.0055
Graus Lib.
0.9890
0.5468
0.4600
0.1375
Note agora que o desvio padro calculado pela matriz hessiana encontra-se mais
prximo do desvio padro amostral das estimativas dos parmetros comparado com o caso
h=0.001, mas encontra-se ainda longe do desvio padro amostral, podendo ainda gerar
intervalos de confiana que no incluam o parmetro verdadeiro, principalmente nos graus
de liberdade.
Foram utilizados esses desvios padro para a determinao de intervalos de
confiana de 90%, 95%, 97.5% e 99% das estimativas dos parmetros. Com esses
intervalos de confiana, como feito para o caso marginal, foi verificada a proporo do
nmero de sries em que o parmetro verdadeiro se encontra dentro dos intervalos de
confiana. Os resultados so apresentados na tabela 3.14
Tabela 3. 14. Percentual em que o intervalo de confiana de nveis 90%, 95%, 97.5% e 99% abrangeu o
verdadeiro parmetro nas estimativas realizadas em 100 simulaes de 3000 observaes da funo de
acoplamento t-Student Assimtrica com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72) .
Assimetria 1
Assimetria 2
Correlao
Graus Lib.
90%
88.00%
86.00%
84.00%
89.00%
95%
95.00%
97.00%
95.00%
91.00%
97.50%
98.00%
99.00%
95.00%
92.00%
99%
100.00%
100.00%
98.00%
95.00%
61
Nesta seo sero apresentados exemplos semelhantes aos existentes para a funo
de acoplamento bivariada, mostrando a possibilidade de ajuste de funes de acoplamento
de maiores dimenses.
Exemplo 3.4 a) A tabela 3.15 mostra a mdia e disperso das estimativas dos parmetros
Assimet. 1
-0.5400
-0.5669
0.0551
3.72E-03
Assimet. 3
-0.0500
-0.0655
0.0378
1.66E-03
Correl. 1,2
0.5880
0.5814
0.0150
2.67E-04
Correl. 1,3
-0.7050
-0.7089
0.0073
6.76E-05
Correl. 2,3
0.0780
0.0782
0.0164
2.65E-04
Graus Lib.
6.7900
6.9720
0.3421
1.49E-01
Modelagem
62
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Acoplamento Assimet. 1
Verdadeiro -0.5400
Mdia -0.5604
Desvio Padro
0.0527
Erro Quad. Mdio 3.17E-03
Assimet. 2
0.8200
0.7821
0.0365
2.75E-03
Assimet. 3
-0.0500
-0.0759
0.0386
2.14E-03
Correl. 1,2
0.5880
0.5817
0.0171
3.30E-04
Correl. 1,3
-0.7050
-0.7076
0.0089
8.59E-05
Graus Lib.
6.7900
7.1049
0.3195
2.00E-01
63
Tabela 3. 17. Parmetros estimados pelo mtodo de mxima verossimilhana cannica para 100 simulaes
distintas de 3000 valores da funo de acoplamento t-Student Assimtrica 3-variada com parmetros
v = 6.79 , 1, 2 = 0.588 , 1,3 = .705 , 2,3 = 0.074 e ( 1 , 2 , 3 ) = (-0.54 , 0.82 , - 0.05) ,
Verdadeiro
Mdia
Desvio Padro
Erro Quad. Mdio
Assimet. 1
-0.5400
-0.5729
0.0572
4.33E-03
Assimet. 2
0.8200
0.7709
0.0335
3.52E-03
Assimet. 3
-0.0500
-0.0659
0.0467
2.41E-03
Correl. 1,2
0.5880
0.5820
0.0174
3.35E-04
Correl. 1,3
-0.7050
-0.7078
0.0100
1.07E-04
Correl. 2,3
0.0780
0.0779
0.0205
4.18E-04
Graus Lib.
6.7900
7.0967
0.3498
2.15E-01
A tabela 3.18 mostra o desvio padro calculado pelo hessiano das estimativas dos
parmetros do exemplo 3.4 (b).
Tabela 3. 18. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica 3-variada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0551
0.0054
0.0047
0.0024
Assimetria 2
0.0302
0.0082
0.0072
0.0033
Assimetria 2
0.0378
0.0051
0.0045
0.0020
Graus Lib.
0.3421
0.0070
0.0064
0.0026
Assimetria 1
0.01
0.00001
Assimetria 2
0.01
0.00001
Assimetria 2
0.01
0.00001
Modelagem
64
Tabela 3. 20. Desvio padro mdio estimado atravs do hessiano das estimaes de parmetros de 100
simulaes de 3000 observaes da distribuio t-Student Assimtrica bivariada de parmetros v = 7.21,
= 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Amostral
Mdio
Mediano
Desvio Padro
Assimetria 1
0.0551
0.0381
0.0356
0.0096
Assimetria 2
0.0302
0.0522
0.0490
0.0145
Assimetria 2
0.0378
0.0296
0.0290
0.0038
Graus Lib.
0.3421
0.2805
0.2533
0.0810
Assimetria 1
Assimetria 2
Assimetria 3
Correlao 1,2
Correlao 1,3
Correlao 1,3
Graus Lib.
90%
88.00%
92.00%
92.00%
78.00%
81.00%
71.00%
82.00%
95%
94.00%
98.00%
94.00%
84.00%
89.00%
78.00%
92.00%
97.50%
98.00%
100.00%
94.00%
96.00%
93.00%
86.00%
94.00%
99%
98.00%
100.00%
94.00%
100.00%
98.00%
94.00%
98.00%
65
Graus Lib.
7.254
7.237
7.282
7.292
7.288
7.303
7.285
7.317
7.353
7.21
Modelagem
66
Tabela 3. 23. Desvios padro calculados pelo hessiano para preciso 0.01 e 0.001 de 1 simulao da funo
de acoplamento t-Student Assimtrica bivariada com v = 7.21 , = 0.65 e ( 1 , 2 ) = (-0.48 , - 0.72)
Preciso
0.01
0.001
Graus Lib.
0.4876
0.6555
Captulo 4
Aplicao Petrleo e Derivados
Aplicao
68
Os preos de gasolina ou leos combustveis so, por sua vez, vinculados em algum
grau ao preo do leo cru, alm de outros fatores, como variaes do consumo e mix, e
podem possuir alteraes distintas de acordo com a demanda do mercado ou especulao
por parte dos agentes do mercado ou mesmo dos agentes que vendem os produtos refinados
aos consumidores finais, indicando muitas vezes assimetria entre a dependncia de preos
de petrleo vs. produtos refinados (Borenstein et al, 1992).
O fato de j ter havido evidncias para supor que exista assimetria na dependncia
entre os preos do leo Cru e de seus derivados d valia a uma anlise de funes de
acoplamento que possa de alguma forma mensurar estocasticamente essa dependncia
assimtrica e propiciar melhores condies de gerenciamento de risco, por exemplo, no
caso da necessidade de se utilizar um modelo que vincule preos de petrleo com os preos
de seus refinados. Neste trabalho sero estudadas sries histricas dirias de preos de
elementos energticos negociados na Bolsa Mercantil de Nova York (NYMEX New
York Mercantile Exchange):
1. Histrico de preos de curto prazo do Petrleo do tipo WTI (West Texas
Intermediate);
2. Histrico de preos de curto prazo da Gasolina Convencional com entrega no
porto de Nova York (New York Harbor Conventional Gasoline Regular);
3. Histrico de valores do ndice de leo AMEX (American Exchange Oil
Index).
Espera-se com este trabalho detectar a existncia de assimetria na dependncia entre
esses ativos energticos atravs de funes de acoplamento.
Log-retornos (aproximadamente a variao percentual do preo com base em uma
data inicial) de ativos, em particular dos ativos energticos possuem muitos dos chamados
fatos estilizados de sries financeiras, como persistncia da srie, excesso de curtose,
conglomerados de volatilidade e dependncia entre retornos.
69
O objetivo inicial deste captulo obter uma modelagem das marginais para as
sries de preos de curto prazo mencionadas, de forma que se tenha como resultados
resduos que possam ser comparados a fim de se obter a dependncia real entre os ativos,
desvinculada de dependncias seriais. Para obter tais sries, as sries originais sero
filtradas por um modelo ARMA-GARCH, com posterior ajuste de funo de acoplamento
aos resduos desse ajuste.
O leo Cru WTI explorado e extrado no oeste do estado do Texas nos EUA, e
negociado dentro da NYMEX. Sua cotao usada como benchmark (padro) dos
preos de petrleo nos Estados Unidos, ou seja, mesmo o petrleo produzido em outras
partes daquele pas tende a ser cotado por esse preo.
A srie de preos do Petrleo WTI, obtida atravs do Departamento de Energia do
governo dos Estados Unidos da Amrica (DOE-USA), inicia-se na data de 02 de Janeiro de
1986, com informaes dirias colhidas at a data de 01 de Julho de 2008, excluindo-se
finais de semana, feriados e outras datas em que negociaes no foram realizadas em pelo
menos uma das 3 sries em estudo.
A figura 4.1 mostra a srie de preos curto prazo (spot) do leo Cru WTI, entre
02/01/1986 a 01/07/2008. O comportamento da srie mostra que esse produto sofre
influncia de eventos geopolticos, como a ocorrncia de conflitos, aumentos ou redues
da produo como estratgia de alavancagem dos lucros e a depreciao de reservatrios,
principalmente dos campos localizados no oriente mdio.
Aps os choques do petrleo que ocorreram na dcada de 70, uma ampliao da
extrao de petrleo, principalmente nos campos sauditas, mantiveram os preos desse
ativo estveis at 1990. Entre 1990 e 1991 com o advento da primeira guerra dos Estados
Unidos contra o Iraque (Guerra do Golfo), os campos de produo do Kuwait foram
Aplicao
70
desabilitados (Parra, 2004, Cap. 15). Fatores Geopolticos fizeram com que o preo
praticamente dobrasse de valor, retornando estabilidade nos anos posteriores guerra, at
1998.
160
Furaco Golfo do
Mxico
140
120
100
Crises na Venezuela
e Ataques dos EUA
ao Iraque
Reduo estratgica
da produo
Guerra do
Golfo
80
60
40
20
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
6
5
Restabelecimento de
preos
4
3
2
1
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.6
1986
Reduo estratgica
da produo
Guerra do
Golfo
-0.5
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 4. 1. Preos de curto prazo do Petrleo WTI, cotao NYMEX a) em Dlares por Barril, b)
log(preos) em Dlares por Barril, c) log-retornos de preos
71
Aplicao
72
A figura 4.1 (c) mostra os log-retornos dos preos de petrleo WTI, em todo o
perodo da srie. Note a existncia de perodos de maior volatilidade, os chamados
conglomerados de volatilidade, que ocorrem nos momentos de choques dos preos do
petrleo (ocorrncia de influncias geopolticas no preo).
A Autocorrelao dos log-retornos do leo Cru (figura 4.2) indica leve correlao
entre as defasagens de ordens 2 e 3 da srie no perodo 1 e defasagem 1 no perodo 2. A
anlise dos resduos do ajuste dos modelos ARMA para o perodo 1 (pr choques de 2002,
veja figura 4.3) indica que a maior parte da correlao pode ser removida pelo modelo
ARMA (2,0). Foi ajustado um modelo ARMA (3,0) srie mas o mesmo tambm no
conseguiu filtrar suficientemente a autocorrelao na defasagem 3. A incluso de um termo
MA de ordem 3 resolveria esse problema mas dado no existir justificativas econmicas
para um choque com defasagem 3, o valor da autocorrelao estimado no ser muito alto e
por questes de parcimnia foi adotado o ARMA (2,0). Para o perodo 2 foi ajustado o
modelo ARMA (1,0).
Pr Choques de 2002
0.8
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura 4. 2. Autocorrelao da srie de log-retornos do leo Cru WTI (NYMEX) perodos pr e ps choques
de 2002.
73
Pr Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
Figura 4. 3. Autocorrelao dos resduos do ajuste dos modelos ARMA para o leo Cru WTI (NYMEX)
perodos pr e ps choques de 2002.
No existem razes para supor que a correlao serial nos resduos (figura 4.3)
observada na defasagem de ordem 8 do perodo ps choques de 2002 seja mais do que uma
correlao espria (metade da 2 semana). Da foi ajustado apenas uma constante nesse
perodo.
Pr Choques de 2002
0.18
0.05
0.16
Ps Choques de 2002
0.045
0.14
0.04
0.12
0.035
0.03
0.1
0.025
0.08
0.02
0.06
0.015
0.04
0.01
0.02
0.005
0
1986
1988
1990
1992
1994
1996
1998
2000
0
2002
2004
2006
2008
Figura 4. 4. Resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA (1,0) (Perodo 2), utilizado
nos log-retornos do leo Cru WTI
Aplicao
74
0.8
0.6
0.4
ACF
0.6
0.2
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura 4. 5. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(1,0)
(Perodo 2), utilizado nos log- retornos do leo Cru WTI
V-se atravs da figura 4.5 que existe correlao temporal evidente principalmente
nas defasagens de ordens 1 a 3 da srie de resduos ao quadrado no perodo 1 e at a sexta
defasagem no perodo 2. Isso indica a necessidade de um modelo para a volatilidade da
srie. Nesta aplicao ser utilizado o modelo GARCH com inovaes t-Student.
Verificou-se que o modelo de maior parcimnia foi o GARCH (1,1), j que modelos
inferiores como (1,0) e (0,1) foram insuficientes para estabilizar a varincia da srie.
Modelos com maior nmero de parmetros resultaram em coeficientes no significativos
(nvel = 5% ). Dessa forma, o modelo que filtra de forma aceitvel a srie de preos do
leo Cru WTI o modelo ARMA(2,0)-GARCH(1,1) para o perodo 1 e ARMA(1,0)GARCH(1,1) para o perodo 2. A figura 4.7 apresenta a srie temporal filtrada.
75
Ps Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
-2
-2
-4
-4
-6
-6
-8
-8
-10
1986
1988
1990
1992
1994
1996
1998
2000
Ps Choques de 2002
-10
2002
2004
2006
2008
Figura 4. 7. Log-Retornos do leo Cru WTI filtrados por modelo ARMA(2,0)-GARCH(1,1), (Perodo 1) e
ARMA(1,0)-GARCH(1,1) (Perodo 2).
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 8. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos do Petrleo WTI.
Aplicao
76
A figura 4.8 mostra os testes de Box-Ljung para autocorrelao dos resduos dos
modelos ARMA e os testes de Multiplicadores de Lagrange para os resduos dos modelos
ARMA-GARCH dos log-retornos de preos de Petrleo WTI nos perodos 1 e 2. Note que
aps a 8 defasagem, o teste de Box-Ljung passa mostrar evidncia da falta de ajuste do
modelo ARMA para o perodo 2. Entretanto foram utilizados outros modelos ARMA de
ordens superiores e no surtiram efeitos expressivos em termos de bondade de ajuste pelo
teste de Box-Ljung, alm da baixa significncia estatstica dos parmetros de modelos de
ordens superiores (considerando nvel = 5% ). Observe tambm que os testes ARCH LM
no do evidncias da necessidade de novos ajustes de modelos para a volatilidade.
A tabela 4.1 mostra os parmetros ajustados dos modelos ARMA-GARCH com
perturbaes modeladas pela distribuio t-Student padronizada. Nas sries seguintes
tambm sero utilizadas a distribuio t-Student padronizada no modelo GARCH(1,1), para
os perodos Pr e Ps Choques de 2002 da srie de log retornos do leo Cru WTI.
Tabela 4.1. Parmetros ajustados dos modelos ARMA(2,0)-GARCH(1,1), (Perodo 1) e ARMA(1,0)GARCH(1,1) (Perodo 2) para o log-retornos do leo Cru WTI.
leo Cru WTI Perodo Pr Choques 2002
Parmetro Erro Padro t-Valor
Mdia
0.0003
0.0003
1.1377
AR 1
-0.0068
0.0153
-0.4432
AR 2
-0.0324
0.0157
-2.0586
Mdia Vol
0.0000
0.0000
4.1022
GARCH(P,.)
0.0716
0.0107
6.6674
GARCH(.,Q)
0.9194
0.0108
85.3330
g.l. t-Student
4.7221
0.3613
13.0711
Persistncia:
0.9910
P(T>t)
0.2552
0.6576
0.0395
0.0000
0.0000
0.0000
0.0000
0.0000
0.0471
0.8886
8.4265
0.9328
0.0000
0.0137
0.0348
1.5135
2.4510
3.4255
25.4986
5.5677
P(T>t)
0.0001
0.0030
0.0142
0.0006
0.0000
0.0000
77
400
350
300
250
200
150
100
50
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
7
6
5
4
3
2
1
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Figura 4. 9. Gasolina Convencional com entrega no porto de Nova York a) preos em centavos de dlar, b)
log(preos) em centavos de dlar, c) log-retornos de preos.
Aplicao
78
Entretanto, o preo em todo o perodo mais voltil do que o petrleo, por sofrer ainda
variaes de acordo com a demanda dos consumidores finais nas datas de maior consumo,
como feriados, com conseqente variao do mix de produo das indstrias (Brown &
Virmani, 2007).
Da mesma forma como foi filtrada a srie de preos do leo Cru WTI, foi ajustado
um modelo ARMA-GARCH na srie de preos da Gasolina Convencional. Os resultados
da seleo e estimao do modelo podem ser observados na tabela 4.2, sendo que o modelo
de maior parcimnia foi o ARMA(1,0)-GARCH(1,1), para o Perodo Pr Choques 2002 e
ARMA(0,0)-GARCH(1,1), para o Perodo Ps Choques de 2002. Grficos comparativos da
autocorrelao pr e ps ajustes dos modelos so apresentados no apndice C.
Tabela 4. 2. Parmetros ajustados dos modelos ARMA(1,0)-GARCH(1,1), (Perodo 1) e ARMA(0,0)GARCH(1,1) (Perodo 2) para o log-retornos da Gasolina Convencional.
Gasolina Convencional Perodo Pr Choques 2002
Parmetro Erro Padro t-Valor
P(T>t)
Mdia
0.0000
0.0005
0.0613
0.9512
AR 1
0.0660
0.0163
4.0444
0.0001
Mdia Vol
0.0000
0.0000
3.6171
0.0003
GARCH(P,.)
0.0822
0.0122
6.7595
0.0000
GARCH(.,Q)
0.9015
0.0144
62.6887
0.0000
g.l. t-Student
6.8700
0.7296
9.4166
0.0000
Persistncia
0.9837
0.0001
0.0721
0.8029
9.0276
0.8751
0.0000
0.0190
0.0537
1.8368
2.8826
3.7898
14.9647
4.9149
0.0039
0.0002
0.0000
0.0000
79
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 10. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional.
Aplicao
80
1800
1600
1400
1200
1000
800
600
400
200
0
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2002
2004
2006
2008
8
7.5
7
6.5
6
5.5
5
4.5
4
1986
1988
1990
1992
1994
1996
1998
2000
0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
81
Mdia Vol
GARCH(P,.)
GARCH(.,Q)
g.l. t-Student
Persistncia
0.0000
0.0692
0.9140
15.4453
0.9832068
0.0000
0.0151
0.0209
5.4015
1.9564
4.5962
43.7259
2.8594
0.0504
0.0000
0.0000
0.0042
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
1
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Box-Ljung Perodo 1
ARCH Perodo 1
Box-Ljung Perodo 2
ARCH Perodo 2
Figura 4. 12. P-valores dos Testes de Multiplicadores de Lagrange (ARCH LM) e de Autocorrelao (BoxLjung) para o nvel das sries filtradas de log-retornos de preos da Gasolina Convencional.
Observam-se no 2 perodo p-valores significativamente baixos no teste de BoxLjung para o modelo ARMA, indicando que poderiam ser ajustados modelos de ordem
superior. Entretanto o ajuste desses modelos no resultou em modificaes no teste de
bondade de ajuste Box-Ljung, continuando-se com o ARMA(0,0) (modelo trivial apenas
mdia esttica).
Em todas as sries foram tambm ajustados modelos EGARCH, mas em nenhum
caso esse modelo mostrou performance superior ao GARCH (1,1).
Aplicao
82
A partir das sries filtradas dos log-retornos das trs sries em estudo podem-se
observar as distribuies empricas de cada srie, a fim de se conhecer suas caractersticas
distribucionais, como sua assimetria e o peso das caudas. Essas informaes so
importantes para desenvolver um modelo estocstico marginal que posteriormente pode ser
utilizado na estimao das funes de acoplamento. A figura 4.13 mostra o grfico de
probabilidade normal da srie filtrada de log-retornos do Petrleo WTI.
Ps Choques 2002
0
-6
-8
-6
-4
-2
Quantil Amostral
0
-2
-4
Quantil Amostral
Pr Choques 2002
-2
0
Quantil Terico
-3
-2
-1
Quantil Terico
Figura 4. 13. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do Petrleo
WTI nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
83
2
-2
Quantil Amostral
0
-2
-4
-6
-4
Quantil Amostral
Pr Choques 2002
-2
-3
-2
-1
Quantil Terico
Quantil Terico
Figura 4. 14. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos da Gasolina
Convencional nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
Observe nas figuras que a distribuio das sries da Gasolina e ndice leo AMEX
so menos assimtricas do que o leo Cru WTI, mas possuem tambm caudas mais
pesadas do que a distribuio Normal, sendo as caudas do 2 perodo do ndice leo AMEX
prximas do peso das caudas da distribuio Normal.
Ps Choques 2002
Quantil Amostral
-15
-4
-10
-2
-5
Quantil Amostral
Pr Choques 2002
-2
0
Quantil Terico
-3
-2
-1
Quantil Terico
Figura 4. 15. Graficos de comparao de quants da srie filtrada dos log-retornos dos preos do ndice de
leo AMEX nos perodos pr e ps choques 2002, e a distribuio Normal (linha vermelha)
Aplicao
84
Assimetria
Pr Choques Ps Choques
-0.3173
-0.5215
-0.0286
-0.0720
-0.7669
-0.3214
Excesso de Curtose
Pr Choques
Ps Choques
4.4039
2.3757
1.5618
1.3587
12.7809
0.4399
85
2
-2
Gasolina Convencional
0
-2
-4
-6
-4
Gasolina Convencional
Pr Choques 2002
-8
-6
-4
-2
-6
-4
-2
Figura 4. 16. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e da Gasolina
Convencional, perodos pr e ps choques 2002.
Aplicao
86
Ps Choques 2002
-2
-5
-15
-4
-10
Pr Choques 2002
-8
-6
-4
-2
-6
-4
-2
Figura 4. 17. Disperso entre as sries filtradas de log-retornos dos preos do Petrleo WTI e ndice de leo
AMEX, Perodos Pr e Ps Choques de 2002.
87
Ps Choques 2002
-2
-5
-15
-4
-10
Pr Choques 2002
-6
-4
-2
-4
-2
Gasolina Convencional
Gasolina Convencional
Figura 4. 18. Disperso entre as sries filtradas de log-retornos dos preos da Gasolina Convencional e ndice
de leo AMEX, Perodos Pr e Ps Choques de 2002.
Aplicao
88
Tabela 4. 5. Medidas amostrais de dependncia e concordncia: Correlao Linear, Tau de Kendall, Rho
de Spearman, e Dependncia nas Caudas Inferior e Superior calculada utilizando cpula emprica, para os
pares de ativos energticos nos perodos Pr e Ps Choques 2002.
Correlao
Linear
Tau de
Kendall
Rho de
Spearman
0.1892
0.2973
0.6494
0.4783
0.6578
0.0476
0.0952
0.2249
0.1400
0.2073
0.0270
0.0811
0.1942
0.1210
0.1790
Pr
Choques
2002
Dep. Caudas
Superior
Ps
Choques
2002
Dep. Caudas
Inferior
0.3673
0.2653
0.6711
0.5249
0.7063
0.1892
0.0811
0.4114
0.2832
0.4144
0.1304
0.0435
0.3411
0.2225
0.3279
89
Para as sries filtradas de preos de Petrleo WTI, Gasolina (Porto de Nova York) e
valores do ndice do leo AMEX, em estudo, sero ajustadas as distribuies marginais
Normal Assimtrica e t-Student Assimtrica. O objetivo no somente obter o ajuste das
distribuies marginais para posterior uso na modelagem das distribuies conjuntas e do
processo de preos dos ativos, mas tambm verificar a eficcia do ajuste de distribuies
assimtricas a essas sries financeiras e observar possveis diferenas entre perodos pr e
ps os choques geopolticos de 2002.
Inicialmente sero ajustadas as distribuies assimtricas marginais para a srie
filtrada de preos do Petrleo WTI no perodo pr choques. A figura 4.17 mostra um
grfico comparativo de quantil-quantil para o ajuste da distribuio Normal Assimtrica e tStudent Assimtrica.
Aplicao
5
0
-10
-5
0
-5
-10
90
-10
-5
-10
-5
Figura 4. 19. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Pr Choques Geopolticos de 2002.
5
0
-10
-5
0
-5
-10
-10
-5
-10
-5
Figura 4. 20. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Petrleo WTI Ps Choques Geopolticos de 2002.
-5
5
0
-5
91
-5
-5
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
Figura 4. 21. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Pr Choques Geopolticos de 2002.
-6
-4
-2
-6
-4
-2
Figura 4. 22. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de valores do ndice de leo AMEX Ps Choques Geopolticos de 2002.
Aplicao
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
92
-6
-4
-2
-6
-4
-2
6
4
2
0
-2
-6
-4
4
2
0
-2
-4
-6
Figura 4. 23. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Gasolina Pr Choques Geopolticos de 2002.
-6
-4
-2
-6
-4
-2
Figura 4. 24. Grficos comparativos de probabilidades para os ajustes das distribuies Normal Assimtrica e
t-Student Assimtrica srie filtrada de preos de Gasolina Ps Choques Geopolticos de 2002.
93
Informao de Akaike (AIC, vide Akaike (1973)) e de medidas de bondade de ajuste dos
modelos completos ARMA-GARCH-Cpula (Seo 4.3.3). Em todos os casos poucos so
os valores extremos que no so ajustados pela distribuio t-Student Assimtrica,
indicando ser desnecessrio para essas sries a utilizao de distribuies com caudas mais
pesadas, por exemplo, baseadas na Teoria de Valores Extremos.
A tabela 4.6 mostra os parmetros ajustados das distribuies marginais Normal e tStudent Assimtricas para a srie filtrada de preos, juntamente com seus desvios padro.
Nota-se que o segundo perodo, ps choques de 2002, possui graus de liberdade em geral
maiores do que no primeiro.
Normal
Assim.
t-Student
Assimtrica
Tabela 4. 6. Parmetros das distribuies Normal e t-Student Assimtricas ajustados para as sries marginais
filtradas de preos.
WTI Pr
Param.
DP
Graus Liberdade 4.763
0.360
Assimetria
-0.055 0.027
Posio
0.060
0.031
Escala
0.760
0.015
Posio
Escala
Assimetria
0.666
1.457
-1.004
0.045
0.022
0.065
WTI Ps
Param.
DP
9.554
2.027
-0.301 0.127
0.302
0.128
0.873
0.023
Gasolina Ps
Param.
DP
9.159
1.857
-0.149 0.094
0.147
0.101
0.880
0.025
0.822
1.742
-1.399
0.680
1.503
-0.977
0.608
1.399
-0.897
0.062
0.037
0.112
0.046
0.021
0.063
0.842
1.757
-1.460
0.067
0.042
0.127
0.517
1.263
-0.708
0.087
0.038
0.114
0.104
0.048
0.145
Normal
Assimtrica
t-Student
Assimtrica
WTI Perodo
Pr Choques
WTI Perodo
Ps Choques
HO2 Perodo
Pr Choques
HO2 Perodo
Ps Choques
-10500.98
-4394.23
-10653.04
-4428.32
-10747.32
-4400.02
-10867.24
-4431.51
-10888.22
-4435.19
-10894.20
-4436.85
Aplicao
94
Perodo Ps
Choques
2002
Assimetria 1 Assimetria 2
-0.1300
0.0024
0.03549
0.03374
Correlao
0.6770
0.00855
Graus Lib.
6.6455
0.29863
0.3966
0.08002
0.1066
0.11317
0.2172
0.01783
13.2103
0.77583
0.4142
0.07786
-0.0053
0.08304
0.1938
0.01719
14.8435
0.75503
-0.1819
0.0460
-0.0440
0.0426
0.7247
0.0118
5.8969
0.4673
-0.1402
0.0678
-0.1885
0.0839
0.4103
0.0211
14.7533
0.7335
-0.3218
0.0783
0.1287
0.1014
0.3440
0.0230
16.1096
1.5976
95
preos dos ativos no perodo pr choques e maior dependncia entre as redues de preos
no perodo ps choques. Observa-se tambm aumento na correlao do perodo 1 para o
perodo 2.
Para comparao foi ajustada a funo de acoplamento t-Student Simtrica que, com
graus de liberdade elevados se aproxima da funo de acoplamento Gaussiana. O resultado
do ajuste mostrado na tabela 4.9.
Tabela 4. 9. Ajustes das funes de acoplamento t-Student Simtrica bivariadas para os pares leo Cru WTI
e Gasolina Convencional, leo Cru WTI e ndice leo AMEX, e Gasolina Convencional e ndice leo
AMEX nos perodos Pr e Ps choques 2002. Acompanham respectivos desvios padro.
Perodo Pr Choques
Correlao Graus Lib.
0.6744
6.6825
0.0086
0.7702
Perodo Ps Choques
Correlao Graus Lib.
0.7205
5.3196
0.0120
0.7150
0.2221
0.0160
14.9415
3.9608
0.4195
0.0202
20.6629
9.2220
0.1906
0.0162
15.1610
4.1739
0.3422
0.0221
24.2839
13.8550
Observa-se aumento expressivo dos graus de liberdade das cpulas que ajustam o
ndice leo AMEX. Esse fato implica em reduo na dependncia nas caudas entre os
ativos fsicos e o ndice AMEX. As estimativas de correlao e seus respectivos desvios
padro possuem variao muito pequena da t-Student Assimtrica para a t-Student
Simtrica, mostrando robustez em relao esse erro de especificao (uso da t-Student
Simtrica no lugar da t-Student Assimtrica). As estimativas do grau de liberdade,
principalmente para o primeiro perodo, tambm so prximas, entretanto os desvios
padro so mais afastados.
As funes de acoplamento apresentadas so bivariadas. As tabelas 4.10 e 4.11
mostram o ajuste das funes de acoplamento 3-variadas t-Student Assimtrica e t-Student
Simtrica.
Aplicao
96
Tabela 4. 10. Ajustes das funes de acoplamento t-Student Assimtricas 3-variada para as sries filtradas de
leo Cru WTI, Gasolina Convencional e ndice leo AMEX nos perodos Pr e Ps choques 2002.
Acompanham respectivos desvios padro.
Assimetria 1
Assimetria 2
Assimetria 3
Correlao 1,2
Correlao 1,3
Correlao 2,3
Graus Lib.
1: leo Cru WTI
Tabela 4. 11. Ajustes das funes de acoplamento t-Student Simtrica 3-variada para as sries filtradas de
leo Cru WTI, Gasolina Convencional e ndice leo AMEX nos perodos Pr e Ps choques 2002.
Acompanham respectivos desvios padro.
Correlao 1,2
Desvio Padro
Perodo Pr
Choques
2002
0.6738
0.0081
Perodo Ps
Choques
2002
0.7176
0.0113
Correlao 1,3
Desvio Padro
0.2211
0.0160
0.4169
0.0210
Correlao 2,3
Desvio Padro
0.1905
0.0162
0.3450
0.0225
Graus Lib.
11.4087
10.2755
Desvio Padro
1.3265
1.4238
1: leo Cru WTI 2: Gasolina Convencional
3: ndice de leo AMEX
Observe que os parmetros de correlao e graus de liberdade das cpulas tAssimtrica 3-variada e t-Student simtrica 3-variada so semelhantes, estando nos
intervalos de confiana das estimativas.
Comparando-se com as cpulas bivariadas observam-se grandes diferenas nas
estimativas dos parmetros (exceto as correlaes). Enquanto que na bivariada obtiveramse parmetros de assimetria referentes ao leo Cru WTI no valor de -0.13 e 0.39, nas
cpulas relacionadas com a Gasolina e o ndice AMEX no perodo 1, respectivamente,
obteve-se aproximadamente 0.20 no mesmo perodo na cpula 3-variada. Isso indica que a
cpula 3-variada considerou um parmetro prximo da mdia dos parmetros bivariados. O
mesmo ocorre com os outros parmetros. O ajuste do acoplamento 3-variado t-Student
97
Perodo 1
t-Student Assimtrica
Cpula Emprica
0.565
Transformada Kendall
0.965
t-Student Simtrica
0.578
0.298
Perodo 2
t-Student Assimtrica
Cpula Emprica
0.109
Transformada Kendall
0.026
t-Student Simtrica
0.181
0.036
Aplicao
98
Observe que o teste gerou p-valores que no rejeitam a hiptese nula (de modelos de
funes de acoplamentos adequados) no perodo pr choques de 2002. Nesse perodo
observa-se no entanto um melhor ajuste do acoplamento t-Student Assimtrico. Em
contrapartida, no perodo ps choques de 2002 observou-se ajustes menos adequados. O
teste baseado na Transformada Kendall rejeita a hiptese de adequao das funes de
acoplamento com nvel de 0.05. O teste baseado na Cpula Emprica no rejeita a
hiptese de adequao, entretanto qualifica a cpula t-Student Simtrica como melhor
ajustada (se comparados os resultados dos testes das cpulas Simtrica e Assimtrica).
As estatsticas baseadas no VaR (ver metodologia no apndice) so mostradas nas
tabelas 4.13 (perodo pr choques 2002) e 4.14 (perodo ps choques) para duas carteiras
construdas a partir dos 2 atvos fsicos mais o ndice leo AMEX. A primeira carteira
constituda igualitariamente pelos 3 itens. A segunda constituda de 50% de leo Cru
WTI, 20% de Gasolina Convencional e 30% do ndice de leo AMEX. Esse teste
considera o ajuste completo do modelo ARMA-GARCH-Cpulas, e, se o ajuste caudal foi
adequado pelas funes de acoplamento, os resultados apresentados devem ser prximos do
VaR de nvel (ou 1- no caso de nveis maiores ou iguais a .9). Mais detalhes sobre a
gerao das estatsticas pode ser verificado no apndice D.
Tabela 4. 13. Estatsticas do VaR (Valor em Risco) para simulaes em passos de 50 dias (janela de 1000
observaes) dos modelo ARMA-GARCH-Cpula t-Student Assimtrica e ARMA-GARCH-Cpula tStudent Simtrica para o perodo 1. Nmero de observaes para clculo do VaR de 2841.
Perodo 1
VaR 0.01%
VaR 0.1%
VaR 0.5%
VaR 1%
VaR 5%
VaR 10%
VaR 90%
VaR 95%
VaR 99%
VaR 99.5%
VaR 99.9%
VaR 99.99%
t-Student Assimtrica
Carteira 1 Ocorrncias
0.04%
1
0.21%
6
0.77%
22
1.41%
40
6.58%
187
11.33%
322
11.69%
332
5.77%
164
1.51%
43
0.88%
25
0.14%
4
0.00%
0
t-Student Simtrica
Carteira 1 Ocorrncias
0.04%
1
0.07%
2
0.67%
19
1.16%
33
6.23%
177
11.02%
313
11.30%
321
5.70%
162
1.37%
39
0.81%
23
0.11%
3
0.04%
1
t-Student Assimtrica
Carteira 2 Ocorrncias
0.00%
0
0.32%
9
0.81%
23
1.51%
43
6.58%
187
11.23%
319
11.76%
334
5.74%
163
1.48%
42
0.77%
22
0.14%
4
0.04%
1
t-Student Simtrica
Carteira 2 Ocorrncias
0.04%
1
0.21%
6
0.74%
21
1.23%
35
6.62%
188
10.84%
308
11.47%
326
5.49%
156
1.51%
43
0.81%
23
0.21%
6
0.11%
3
99
Perodo 2
VaR 0.1%
VaR 0.5%
VaR 1%
VaR 5%
VaR 10%
VaR 90%
VaR 95%
VaR 99%
VaR 99.5%
t-Student Assimtrica
Carteira 1 Ocorrncias
0.18%
1
0.71%
4
1.06%
6
5.83%
33
14.31%
81
9.54%
54
4.95%
28
0.71%
4
0.18%
1
t-Student Simtrica
Carteira 1 Ocorrncias
0.18%
1
0.71%
4
1.06%
6
6.01%
34
14.13%
80
9.54%
54
4.95%
28
0.53%
3
0.00%
0
t-Student Assimtrica
Carteira 2 Ocorrncias
0.18%
1
0.53%
3
0.71%
4
6.54%
37
14.31%
81
9.36%
53
4.77%
27
0.88%
5
0.18%
1
t-Student Simtrica
Carteira 2 Ocorrncias
0.18%
1
0.71%
4
0.88%
5
6.71%
38
14.13%
80
9.36%
53
4.77%
27
0.71%
4
0.18%
1
Nesta seo sero verificadas as dependncias nas caudas das cpulas ajustadas
(tericas) e do acoplamento emprico. A tabela 4.15 mostra as dependncias nas caudas
inferior e superior estimada atravs da cpula emprica e calculada atravs de simulao da
cpula t-Student Assimtrica e terica da t-Student Simtrica. Foram utilizados os
parmetros estimados pelos acoplamentos 3-variados.
Aplicao
100
Tabela 4. 15. Dependncia nas caudas Inferior e Superior das funes de acoplamento emprica, t-Student
Assimtrica e t-Student Simtrica ajustadas.
Inferior
t-Simtrica
Superior
Emprica
Superior
t-Assimtrica
Superior
t-Simtrica
0.1892
0.1762
0.1451
0.2973
0.3101
0.1451
0.0476
0.0321
0.0152
0.0952
0.0666
0.0152
0.0270
0.0167
0.0128
0.0811
0.0780
0.0128
Pr
Choques
2002
Inferior
t-Assimtrica
Ps
Choques
2002
Inferior
Emprica
0.3673
0.3231
0.1999
0.2653
0.2191
0.1999
0.1892
0.1292
0.0537
0.0811
0.0590
0.0537
0.1304
0.0909
0.0384
0.0435
0.0555
0.0384
No simples estabelecer na prtica os ganhos que a funo de acoplamento tStudent Assimtrica tm em relao t-Student Simtrica. Observou-se que a distribuio
assimtrica conseguiu um ajuste da dependncia nas caudas mais prximo do observado
empiricamente. Entretanto as estatsticas baseadas no VaR mostram apenas uma leve
subestimao do VaR pela t-Student Simtrica, causada pela necessidade de ajuste
assimtrico. Observou-se tambm, no teste de bondade de ajustes que provavelmente a
funo de acoplamento t-Student Simtrica se ajustou melhor. Entretanto esse teste d o
mesmo peso distribuio em toda sua extenso, desprezando, ento, uma maior
dependncia nas caudas.
Anlises e aplicaes em outros conjuntos de dados podem ser teis para estabelecer
de forma mais confivel o grau de melhoria pelo uso da funo de acoplamento t-Student
Assimtrica em detrimento da Simtrica.
Alm disso, a distribuio t-Student Simtrica mais simples de ser implementada
computacionalmente, gerando resultados mais rapidamente, mesmo para dimenses
superiores.
Captulo 5
Concluses
102
Concluses
dados reais caracterize corretamente a dependncia entre eles. Nesse contexto mostrou-se
tambm que alteraes na preciso no modificam a estimativa dos parmetros
drasticamente, mas tem influencia no clculo do desvio padro das estimativas.
Adicionalmente, possvel aumentar a dimenso da funo de acoplamento, com aumento
do custo computacional restrito a um parmetro por dimenso, j que os parmetros de
correlao podem ser ajustados com fidelidade pela funo de acoplamento bivariada.
Apndices
104
Apndices
Apndice A
Funes de Acoplamento
Segundo Nelsen (2006, Cap 1), acoplamentos podem ser vistos de duas formas:
sob um ponto de vista, acoplamentos so funes que juntam ou acoplam funes
distribuies conjuntas s suas funes distribuies marginais. Alternativamente,
acoplamento so funes distribuies multivariadas, cujas marginais unidimensionais so
uniformes no intervalo (0,1). Atualmente, o estudo de funes de acoplamento de grande
interesse, principalmente por suas aplicaes em finanas e aturia, como, por exemplo, a
anlise de risco de mercado, o clculo do risco de um portflio de seguros, o apreamento
de derivativos, entre outros.
A Transformada Integral de Probabilidade
Para um bom entendimento das funes de acoplamento, necessrio definir uma
ferramenta de extrema importncia, que a transformada integral de probabilidade:
Seja X uma varivel aleatria com funo de distribuio F ( x) = P ( X x), x ,
sendo isso denotado por X ~ F . Suponha que F ( x) contnua. Ento, para u (0,1) ,
existe um valor mnimo nico x(u ) , tal que F ( x(u )) = u . Formalmente,
x(u ) = F 1 (u ) = inf{x / F ( x) u} ,
[A-1]
Funes de Acoplamento
106
P( F ( X ) u ) = P( X F 1 (u )) = F ( F 1 (u )) = u
e
1 se u 1
P( F ( X ) u ) =
0 se u < 0
[A-2]
Portanto,
1 se u 1
P( F ( X ) u ) = u se 0 u 1
0 se u < 0
Conseqentemente,
F(X )
tem
distribuio
uniforme
em
[0,1] ,
i.e.,
P ( F 1 (u ) x) = P (U F ( x)) = F ( x) .
Proposio A.1: Seja G ( x) uma funo distribuio qualquer e U ~ Uniforme(0,1) . Ento
existe uma funo H ( x) tal que P ( H (U ) x) = G ( x), x .
Prova: Se G ( x) contnua, tomamos h(U ) = G 1 (U ) . Ento
P (h(U ) x) = P (U G ( x)) = G ( x) .
107
H ( x1 , x2 ,..., xn ) = P ( X 1 x1 , X 2 x2 ,..., X n xn ) .
[A-3]
h( x1 , x2 ,..., xn ) =
n H ( x1 , x2 ,..., xn )
,
x1x2 ...xn
[A-4]
qualquer
subconjunto
distribuio
marginal
de
[A-5]
Funes de Acoplamento
108
[A-6]
H ( x1 , x 2 ,..., x n ) =
= P ( FX 1 ( X 1 ) FX 1 ( x1 ), FX 2 ( X 2 ) FX 2 ( x 2 ),..., FX n ( X n ) FX n ( x n ))
[A-7]
= C ( FX 1 ( x1 ), FX 2 ( x 2 ),..., FX n ( x n ).
Definio A.1: Uma funo de acoplamento definida como a funo de distribuio
conjunta
Definio A.2: Uma funo de acoplamento qualquer funo C : [0,1]n [0,1] que possui
as seguintes propriedades:
i) C (u1 ,..., u n ) no-decrescente em cada componente
ui
a bi
iii) para (a1 ,..., an ), (b1 ,..., bn ) [0,1]n com i
tem-se que
i1 =1
in =1
... (1)
i1 + i2 +...+ in
109
A.2.1. Propriedades
Apresentaremos agora algumas propriedades e teoremas que as funes de
acoplamento satisfazem. Maiores detalhes podem ser obtidos em Nelsen (2006) e Bouy et
al. (2000).
Teorema A.1 (Sklar): Seja H (.) uma funo de distribuio conjunta com marginais
FX1 ,..., FX n . Ento existe uma funo de acoplamento n-dimensional C (.) tal que:
H ( x1 , x2 ,..., xn ) = C ( FX1 ( x1 ), FX 2 ( x2 ),..., FX n ( xn )) .
[A-8]
Corolrio A.1: Seja H (.) uma funo de distribuio conjunta com marginais FX1 ,..., FX n
e sejam F 1 X1 ,..., F 1 X n as inversas de FX1 ,..., FX n respectivamente. Ento, para qualquer
Funes de Acoplamento
110
[A-9]
Teorema A.2: Seja ( X 1 , X 2 ,..., X n ) um vetor de variveis aleatrias contnuas com funo
de acoplamento C (.) . Se 1 (.),..., n (.) so funes estritamente crescentes em
Im( X 1 ),..., Im( X n ) ,
respectivamente,
ento
( 1 ( X 1 ),..., n ( X n ))
tambm
possui
acoplamento C (.) .
Prova: Sejam FX1 , L , FX n funes distribuio de X 1 , L , X n e sejam G1 , L , Gn as funes
distribuio de 1 ( X 1 ), L , 1 ( X n ) respectivamente . Seja ( X 1 , L , X n ) um vetor aleatrio
com cpula C (.) e seja C (.) a cpula de (1 ( X 1 ), L , 1 ( X n )) . Uma vez que k (.)
estritamente crescente para cada k = 1, L , n ,
Gk ( x) = P ( k ( X k ) x) = P ( X k k1 ( x)) = Fk ( k1 ( x)) .
para todo
x em , portanto
[A-10]
111
C (u) = u i = (u)
[A-11]
i =1
[A-12]
[A-13]
Funes de Acoplamento
112
parte:
Seja
(u , v) [0,1]2 ,
temos
por definio
que
C (u , v) C (u ,1) = u
Ento
1 u v + C (u , v) 0
Apndice B
Dependncia
importante ento, para que se possa fazer uma boa modelagem, que se utilize
funes que caracterizem corretamente a dependncia entre os eventos em estudo. Joe
(1997, Cap 2, p. 19-33), apresenta diversos tipos de dependncia que so encontradas nas
diversas funes conjuntas e/ou de acoplamento. A dependncia entre variveis aleatrias
totalmente definida por sua funo de distribuio conjunta, porm, esta no informa
especificamente como essa dependncia, nem a mensura. Para isso so desenvolvidas
medidas de dependncia, que so instrumentos que quantificam essa associao. Cabe ao
analista/estatstico selecionar corretamente a funo mais adequada ao seu problema.
Sero abordados inicialmente alguns dos diferentes tipos de dependncia, mais teis
nas aplicaes em gerenciamento de risco, como simetria e assimetria, dependncia em
Dependncia
114
[B-1]
P( X 1 a1 ; X 2 a2 ) P( X 1 a1 ) P( X 2 a2 )a1 , a2 .
115
[B-2]
A razo por que [B-1] e [B-2] so um conceito de dependncia positiva que mais
provvel que
X1 e
conjuntamente comparados com X '1 e X ' 2 , onde X 1 = d X 1 ' e X 2 = d X 2 ' , sendo X '1 e X ' 2
variveis aleatrias independentes. Da mesma forma, X ou F so dependentes em quadrante
negativo se as inequaes em [B-1] e [B-2] forem reversas.
Nota-se que esse conceito geral, pois apenas distingue um par de variveis
aleatrias dependentes de um par independente.
B.1.2. Dependncia de Crescimento Estocstico
[B-3]
Dependncia
116
[B-4]
[B-5]
117
inequao:
[B-6]
b( x1 , x2 )b( y1 , y 2 ) b( x1 , y 2 )b( x2 , y1 ) .
[B-7]
Dependncia
118
119
e Y so ditas
certamente)
so
negativamente
dependentes
perfeitamente
se
forem
120
Dependncia
A n
dito
A n
121
A j = {y B | y j x j }, j = 1, 2,..., n .
n
Dependncia
122
B.2.2.Dependncia Simtrica
[B-8]
-4
-2
-4
-2
Figura B. 1. Uma distribuio conjunta simtrica padronizada possui a mesma massa de probabilidade em
cada quadrante alternado.
123
Dependncia
0.6
0.4
0.2
0.0
0.0
0.2
0.4
0.6
0.8
0.8
1.0
1.0
124
0.0
0.2
0.4
0.6
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
0.8
1.0
Gumbel
0.0
0.0
0.2
0.2
0.4
0.4
0.6
0.6
0.8
0.8
1.0
1.0
Clayton
0.0
0.2
0.4
0.6
Frank
0.8
1.0
0.0
0.2
0.4
0.6
t-Student Assimtrica
125
( X , Y ) = 1 X , Y comonotnicas
( X , Y ) = 1 X , Y contramonotnica
(T ( X ), Y ) = ( X , Y ) , com T crescente
(T ( X ), Y ) = ( X , Y ) , com T decrescente
( X , Y ) = 0 X , Y Independentes.
Embora o Coeficiente de Correlao Linear de Pearson falhe em algumas das
propriedades acima, ele uma medida de dependncia.
Nas aplicaes em finanas, na maioria das vezes no so vlidas suposies como
normalidade ou linearidade da dependncia, o que requer que ferramentas mais poderosas
sejam utilizadas para mensurar a dependncia, para viabilizar a seleo de um modelo
vlido. Nesse sentido so utilizadas medidas de concordncia, que auxiliam na seleo dos
modelos mais adequados.
Dependncia
126
127
( X , Y ) = P{( X X ' )(Y Y ' ) > 0} P{( X X ' )(Y Y ' ) < 0} , onde ( X , Y )T e ( X ' , Y ' )T so
vetores aleatrios i.i.d.
Teorema B.6: Sejam ( X , Y ) e ( X ' , Y ' ) vetores aleatrios independentes formados por
variveis aleatrias contnuas, com funes de distribuio conjunta
H'
[B-9]
ento,
Q ( X , Y ) = Q (C , C ' ) = 4
[ 0 ,1]2
C ' (u , v ) dC (u , v) 1 = 4 E[C (U ,V )] 1 .
[B-10]
A prova desse teorema pode ser encontrada em Nelsen (2006, Cap. 5, p. 159).
Dependncia
128
S ( X , Y ) = 3( P{( X X ' )(Y Y ' ' ) > 0} P{( X X ' )(Y Y ' ' ) < 0}) , onde ( X , Y )T , ( X ' , Y ' )T
e ( X ' ' ,Y ' ' )T so cpias independentes.
Se forem utilizados os pares (X,Y) e (X',Y''), a partir do teorema 2.6, considerando
que a Cpula de (X,Y) C e a Cpula de (X',Y'') a cpula independente , pelo fato de
que (X' e Y'') so independentes, segue diretamente:
Sejam ( X , Y ) , ( X ' , Y ' ) e ( X ' ' , Y ' ' ) vetores aleatrios independentes formados por
variveis aleatrias contnuas, todas com funes de distribuio conjunta H , funes
marginais F1 e F2 e Cpula C. Ento,
S ( X , Y ) = 3Q(C , ) = 12
[ 0 ,1]2
uvdC (u , v ) 3 = 12
[ 0 ,1]2
C (u , v )dudv 3 ,
[B-11]
lim P{Y > F21 ( ) / X > F11 ( )} = sup , ( lim+ P{Y F21 ( ) / X F11 ( )} = inf ) , sup [0,1]
( inf [0,1] ), dado que o limite exista. Se sup (0,1] ( inf (0,1] ) , ento X e Y so
chamadas de assintoticamente dependentes na cauda superior (inferior). Se sup = 0
( inf = 0 ) X e Y so chamadas de assintoticamente independentes na cauda superior
(inferior). Caso o limite no exista, a dependncia na cauda no definida.
129
[B-12]
supondo
que
possuam
[B-13]
distribuio
conjunta
lim
1 2 C ( , )
= sup
1
[B-14]
lim+
C ( , )
= inf
[B-15]
Dependncia
130
Apndice C
Modelos ARMA-GARCH
Suponha uma srie de retornos X t . Essa srie pode ser modelada atravs de um
nvel t mais uma perturbao t . Podemos considerar que existe uma relao aditiva
entre esses componentes, e que a perturbao o produto de dois processos independentes.
Dessa forma, pode-se considerar que:
X t = t + t ,
[C-1]
t = t t .
[C-2]
Modelos ARMA-GARCH
132
t = t t ,
p
i =1
j =1
t2 = 0 + i t21 + j t2 j .
[C-3]
max( p , q )
(
i =1
+ j ) < 1.
Var ( t ) =
i =1
i =1
0
p
i =1
i =1
[C-4]
1 ( i + j )
[C-5]
133
0.8
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
1.0
1.0
Ps Choques de 2002
10
15
20
25
30
35
10
Lag
15
20
25
30
Lag
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.2
0.0
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura C. 2. Autocorrelao dos resduos do ajuste dos modelos ARMA(1,0) perodo 1 e ARMA(0,0)
perodo 2 para a Gasolina Convencional.
Modelos ARMA-GARCH
134
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
20
25
30
Lag
Lag
Figura C. 3. Autocorrelao dos resduos quadrticos do modelo ARMA (1,0) (Perodo 1) e ARMA(0,0)
(Perodo 2), utilizado nos log- retornos da Gasolina Convencional.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
135
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
15
Lag
20
25
30
Lag
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.2
0.0
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Figura C. 6. Autocorrelao dos resduos do ajuste dos modelos ARMA(2,0) perodo 1 e ARMA(0,0)
perodo 2 para o ndice de leo AMEX.
Modelos ARMA-GARCH
136
Ps Choques de 2002
0.6
0.4
Autocorrelao
0.0
0.0
0.2
0.2
0.4
Autocorrelao
0.6
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
25
30
35
10
Lag
15
20
25
30
Lag
Figura C. 7. Autocorrelao dos resduos quadrticos do modelo ARMA (2,0) (Perodo 1) e ARMA(0,0)
(Perodo 2), utilizado nos log- retornos do ndice de leo AMEX.
Ps Choques de 2002
0.6
0.2
0.4
Autocorrelao
0.6
0.4
0.0
0.0
0.2
Autocorrelao
0.8
0.8
1.0
1.0
Pr Choques de 2002
10
15
20
Lag
25
30
35
10
15
20
25
30
Lag
Apndice D
D Bondade de Ajuste
[ 0 ,1]d
2
C&&n (u) dC n (u) .
[4-1]
Bondade de Ajuste
138
bootstrap paramtrico ser utilizado para clculo do p-valor. Esse algoritmo foi validado
por Genest e Rmillard (2008) e est descrito em Genest et al (2007).
teste
utiliza
transformada
X a V = H ( X) = C (U 1 , U 2 ,..., U n )
para
gerar
um
integral
de
teste
H 0 : C C0 ,
de
U = (U 1 ,..., U n )
probabilidade
onde
C. Essa
1 n
1(Vi v) , v [0,1] . A hiptese nula que
n i =1
[ 0 ,1]
2
K&& n (v) dK m (v) .
[4-1]
139
140
Bondade de Ajuste
Referncias Bibliogrficas
142
Referncias Bibliogrficas
to crude oil price changes?, Working Paper No. 4138, National Bureau of Economic
Research, Cambridge, Agosto 1992
Bouy, E., Durrleman, V., Nikeghbali, A., Riboulet, G., Roncalli, T., Copulas for
Referncias Bibliogrficas
143
2003
Deheuvels, P., La fonction de dpendance empirique es ss proprits um test non
management: properties and pitfalls, em Risk Management: Value at Risk and Beyond,
Cambridge University Press, 176223, 2002
Engdahl, W., "Iraq and the problem of peak oil", Current Concerns Journal, edio de 26
de janeiro de 2004
Ferrarese, C., A comparative analysis of correlation skew modeling techniques for CDO
index tranches, Master Thesis, Kings College London, MPRA Paper No. 1668, 2006
Fletcher, R. and Reeves, C. M., Function minimization by conjugate gradients.,
properties and pitfalls, Insurance: Mathematics and Economics 37, 80-100, 2005
Genest, C., Rivest, L., On the multivariate probability integral transformation, Statistics
power
study
Insurance:
j.insmatheco.2007.10.005 , 2007
Mathematics
and
Economics,
doi:10.1016/
144
Referncias Bibliogrficas
Genest, C., Rmillard, B., Validity of the parametric bootstrap for goodness-of-fit testing
Conference, 2006
Joe, H., Multivariate Models and Dependence Concepts Londres, Chapman & Hall, 1997
Jogdeo, K., "Concepts of Dependence", Encyclopedia of Statistical Sciences, Vol. 2,
Referncias Bibliogrficas
145
changes: the dynamic of supply, demand, and competition, Federal Trade Comission,
EUA, 2005
Malevergne, Y., Sornette, D., Investigating extreme dependence: concepts and tools,
1996
Nadarajah, S., Dey, D., K., Multitude of multivariate t-distributions, Statistics, Vol 39,
for asset allocation, Journal of Financial Econometrics, Vol. 2, No. 1, pp. 130-168, 2004
Referncias Bibliogrficas
146
Pilipovic, D., "Energy Risk : Valuing and Managing Energy Derivatives", McGraw-Hill, 2
Edio, 2007
Romano, C., Applying Copula Function to Risk Management, Risk Management
copula in the analysis of nonlinear and asymmetric dependence in the German equity
market, Studies in Nonlinear Synamics & Econometrics, Vol. 12, No. 2, Article 3., 2008
Taylor, M., D., Multivariate measures of concordance, The Institute of Statistical
Oil
and
Gas
Association,
"What
Barrel
of
Crude
Oil
Makes",
http://www.txoga.org/articles/308/1/WHAT-A-BARREL-OF-CRUDE-OIL-MAKES, 1995
Williams,
J.,
L.,
"Oil
Price
History
and
Analisys",
WRTG
Economics,
http://www.wtrg.com/prices.htm, 2007
Whipple, T., "Peak oil review", Association for the Study of Peak Oil and Gs, EUA,