Trabalho sobre VAR e uma breve explicação da análise impulso resposta de mercados
-
Upload
alphakiller -
Category
Documents
-
view
53 -
download
0
description
Transcript of Trabalho sobre VAR e uma breve explicação da análise impulso resposta de mercados
Escola Politécnica da Universidade de São Paulo
Pós Graduação em Engenharia-Financeira
Análise da Estabilidade e Propagação dos Choques nos Índices de Mercado
Trabalho de Conclusão apresentado
para a Disciplina Álgebra Linear, Sistemas Dinâmicos
e Equações Diferenciais
Prof. José Roberto Castilho Piqueira
Autor: Fernando Fernandes
Resumo do Trabalho:
Análise da estabilidade e da propagação de choques entre os principais índices de ações ao
redor do mundo, através da avaliação das respostas à função pulso aplicada à matriz de
coeficientes autorregressivos obtidos através da aplicação da inferência de um Vetor
Autorregressivo (VAR) e da verificação dos autovalores da matriz através de método numérico
(QR), a fim de se verificar a interdependência das economias ao redor do mundo.
Palavras-chave: índice de ações; VAR; autovalores; impulso-resposta; interdependência;
economias
Objetivos do Trabalho:
Este trabalho tem como objetivo principal a obtenção de um sistema dinâmico que caracterize
a propagação dos retornos positivos (negativos) dos principais índices de bolsas de valores ao
redor do mundo, levando em consideração os retornos da semana anterior, visando a captura
tanto dos aspectos referentes à propagação do “humor” dos mercados, quanto movimentos
de reversão a média.
Em relação à captura dos aspectos referentes à propagação do “humor” dos mercados, esta
encontra suas raízes nas teorias dos apreçamentos de ativos1. Para melhor exemplificar esta
propagação, partimos de um hipotético movimento de aversão ao risco em alguma bolsa,
decorrente de um choque exógeno. Sabendo que diversas companhias têm seus papéis
negociados em mais de uma bolsa, pelo princípio de não arbitragem, decorrente do fluxo de
informações e dados ao redor do mundo, os preços rapidamente se equilibram, havendo um
efeito de propagação deste hipotético choque.
Diversos trabalhos já foram feitos com base nesta temática, com o intuito de se analisar a
interdependência dos diferentes mercados, dentre os quais se destacam Pescetto et. al (2011);
Becker, Finnerty e Gupta (1990); Lin, Engel e Ito (1991); Koutmos (1995); Bianconi, Yoshino e
Orsini (2012).
No entanto, a literatura sobre o tema carece de análises – até a presente data da elaboração
deste trabalho – referentes ao comportamento dos BRICS (com excessão ao trabalho de
Bianconi e Yoshino, que justamente aborda a temática dos BRICS), principalmente em relação
ao Brasil, fato este provavelmente decorrente de que grande parte da produção acadêmica na
área é feita justamente nos países economicamente mais desenvolvidos.
Assim, considerando o gradual aumento da importância de parte destes países (BRICS) – no
caso aqui são estudados China, Brasil e Índia – este trabalho visa também preencher uma
lacuna neste tema.
Já em relação aos movimentos de reversão à média, esta encontra suas raízes nas finanças
comportamentais, principalmente em relação à Teoria do Viés Cognitivo2. Esta basicamente
reflete as pulsações psicológicas latentes nas decisões de investimento que levam o investidor
a crer que após uma forte baixa, por exemplo, o preço de um determinado ativo está baixo, e
consequentemente, seria um bom momento para compras; ou a situação inversa, após uma
forte alta, seria o momento adequado para realizar ganhos.
Assim, tendo em vista a obtenção de um sistema que capture essa dinâmica, posteriormente
analisamos a estabilidade deste sistema, tal que, possibilite verificar se esse sistema, dado um
choque exógeno, o absorve e se retroalimenta (instável), ou se esse choque é dissipado,
perdendo importância conforme o tempo passa (estável ou assintoticamente estável).
Por conseguinte, espera-se isolar os dois efeitos através da consideração do melhor modelo
vetorial autorregressivo de “p” lags, evitando a incorporação de outros efeitos, visto que,
1 Vide Wilmott (2006) 2 Vide Raghubir e Das (1999)
naturalmente, um modelo autorregressivo pode ser visto como um modelo inercial cuja
memória depende da quantidade de retardos especificada no próprio modelo3.
Com isso se analisará um sistema dinâmico discreto composto pelos retornos dos seguintes
índices:
Índice Respectiva Localidade
Nikkei Osaka, Japão
DAX Frankfurt, Alemanha
SHCOMP Shangai, China FSSTI Cingapura, Cingapura
NIFTY Nova Delhi, Índia
Dow Jones Nova Iorque, Estados Unidos
NASDAQ Nova Iorque, Estados Unidos
Ibovespa São Paulo, Brasil
FTSE 100 Londres, Reino Unido
3 Vide Morettin e Tolói (2004)
Metodologia:
O método para a obtenção dos coeficientes do sistema dinâmico em questão será a estimação
via mínimos quadrados de um Vetor Auto Regressivo (VAR). Seja um sistema dinâmico sob a
forma matricial dado por:
(1) � = �� + �
Onde:
Y é a matriz de observações cujas linhas são as observações em cada corte no tempo, e as
colunas denotam cada índice.
B é a matriz dos coeficientes do sistema dinâmico
Z é a matriz dos dados de entrada (observações com atraso)
U é a matriz de choques externos.
Assim, tal estimação da matriz de coeficientes pode ser feita através da expressão:
(2) �� = ����������
Onde:
�� é a matriz com os valores esperados dos coeficientes do sistema.
�� é a matriz transposta de Z.
������� denota a matriz inversa do produto da transposta de Z por si mesma.
A fim de se normalizar os retornos, para que tenham paridade cambial e se estabeleça um
denominador comum para comparação direta, multiplicamos os índices pela respectiva taxa
de câmbio na mesma data em que fora observado, tal que:
(3) Í�� �������� = Í�� ���������� ∙ ����������� Já a obtenção dos dados utilizados para a inferência dos parâmetros será a observação direta
das séries através do site “Yahoo Finance”4, do IPEA-Data5, e no Wikiposit6, que disponibilizam
todas as séries mencionadas com intervalos superior aos últimos 5 anos de observações
diárias. No caso foram consideradas amostras de 29 de Dezembro de 2009 até 09 de Julho de
2012.
4 No endereço: http://finance.yahoo.com
5 No endereço: http://www.ipeadata.gov.br
6 No endereço: http://wikiposit.org
Os dados serão tratados através da seguinte expressão:
(4) �� = � � ��
�����
Onde:
�� é a observação atual do índice
“Ln” denota o logaritmo neperiano.
Consequente à obtenção do modelo, será feita a análise de estabilidade da matriz de
coeficientes, obtida após a inferência através do método de mínimos quadrados em um vetor
autorregressivo, com base nos seus autovalores. Logo, é possível determinar se um choque
originário de um determinado índice se propagará de maneira instável ou estável ao longo do
tempo.
Não obstante, através do emprego de funções do tipo “pulso” e do tipo “degrau”, também
será possível analisar como a própria natureza média da propagação ao longo do tempo, dado
um choque (pontual), ou uma tendência7.
Para o cálculo dos autovalores da matriz quadrada de coeficientes de ordem 9 (já que temos 9
índices), será utilizado o método numérico “QR”, que nos traz na diagonal da matriz resultante
os autovalores.
Já para calcular as respostas aos choques externos, serão utilizadas as primeiras potências da
matriz, em caso de pulso, multiplicando o estado inicial do sistema pela respectiva potência
referente ao período a ser analisado, conforme a expressão:
(5) �� = �� ∙ ��
Para analisar qual a estrutura de “lags” ideal, será utilizado o Critério de Informação de
Schwarz, que basicamente tem por característica a imposição de penalidades para a imposição
de coeficientes a serem estimados – visto que o aumento gradual de coeficientes diminui a
confiabilidade dos próprios parâmetros estimados, e contribue para o fenômeno de
“Overfitting” – ponderados pela Verossimilhança do modelo, que por sua vez é uma medida
de aderência do modelo através da análise da soma dos resíduos quadráticos.
Seja a função de soma dos resíduos quadráticos dada por:
(6) ��� = ∑ �� − �� ����
7 Uma vez que estamos trabalhando com log-retornos, tal análise ajuda a entender o comportamento
relativizado do índice, já que o log retorno é a série diferenciada dos logaritmos dos índices, evitando
distorções comparativas inerentes aos níveis das séries.
Onde:
“N” é o número de observações
� é o observado
�� é o previsto pelo modelo
Essa fórmula “condensa” em um único número o total da distância entre ocorrido e previsto,
evitando compensações entre erros positivos e negativos.
Seja a função de Verossimilhança dada por:
(7) ! = − �
��1 + log�2"� + log(����
Que segue a mesma notação estabelecida na fórmula 6.
Assim, é possível escrever o critério de informação de Schwarz8 como:
(8) �#� =�� ����������
�
Onde:
“k” é o número de parâmetros a serem estimados
Consequentemente, quanto menor o valor do SIC, melhor o modelo, e assim, baseado neste
critério, é possível escolher a melhor estrutura de “lags” para o modelo vetorial
autorregressivo.
8 Vide Schwarz (1978)
Identificação do melhor modelo:
Abaixo segue a tabela contendo os resultados dos cálculos para o Critério de Informação de
Schwarz, para propostas de modelo com “p” “lags”, tal que 1 ≤ $ ≤ 3.
Modelo Proposto Critério de Informação de Schwarz
1 “Lag” -1.7393 *
2 “Lags” -1.5365
3 “Lags” -0.2878 Tabela 1 – Resultados do Critério de Informação de Schwartz para os modelos tentativos
Portanto, com base no Critério de Informação de Schwarz, vide tabela acima, o modelo com 1
“lag” foi escolhido.
Resultados dos Parâmetros:
Após a aplicação do método de mínimos quadrados de um Vetor Auto Regressivo (VAR),
conforme exposto na seção anterior, obteve-se a seguinte matriz de coeficientes do sistema
dinâmico:
VAR Variável com 1 "Lag"
Variável Dow Jones Ibovespa NASDAQ DAX
Hang Seng STI Nikkei FTSE NIFTY
Dow Jones 0.0359 -0.0845 0.0482 -
0.1690 -0.0235 0.3286 -
0.0147 -
0.0021 -
0.0788
Ibovespa 0.2833 -0.1879 0.1476 -
0.4451 0.1237 0.2700 -
0.1804 0.4517 0.0903
NASDAQ 0.3971 -0.1537 -0.1727 -
0.2044 0.0727 0.3335 -
0.0098 -
0.0523 -
0.0210
DAX 0.5407 -0.1820 -0.2137 -
0.2780 -0.0146 0.4798 -
0.0545 0.0667 -
0.0332
Hang Seng 0.2505 0.0584 -0.1083 -
0.1009 -0.2691 0.2600 -
0.0479 0.1520 0.0381
STI 0.3192 0.0319 -0.0624 -
0.1021 -0.0112 0.2092 -
0.1271 0.1551 0.0682
Nikkei 0.0530 0.0292 0.0285 -
0.0151 -0.2357 0.2405 -
0.2000 0.0675 -
0.0190
FTSE 0.5832 -0.0583 -0.2657 -
0.1584 0.1642 0.3343 -
0.0510 -
0.1534 -
0.0769
NIFTY -0.3299 0.0004 0.2629 -
0.0484 0.0988 0.0817 -
0.1720 0.2325 0.1441 Tabela 2 – Coeficientes estimados por mínimos quadrados de um Vetor Autorregressivo
É justamente a partir desta matriz que será aplicada a relação iterada estabelecida na equação
5 na seção anterior, para se obter os estados futuros do vetor de estados, que será utilizado
para análise da evolução temporal dos choques.
Em relação aos valores obtidos nesta matriz é possível perceber que muitos dos valores são
baixos (estatisticamente não significativos), visto que diversos outros fatores de natureza
estocástica / aleatória devem impactar na composição do preço – como, por exemplo,
choques de natureza macroeconômica de cada país, que, por conseguinte, afetam a aferição
da estrutura determinística (autorregressiva) do modelo.
No entanto, ainda assim, esses parâmetros não serão desconsiderados neste estudo para a
composição média da estrutura de propagação dos movimentos. Como por hipótese há uma
interdependência entre todos os mercados, e logo todas as variáveis deveriam ser
consideradas endógenas, a eliminação destes parâmetros acarretaria em uma necessidade de
mudança da metodologia de estimação, onde teria que se mensurar cada conjunto de
parâmetros para cada mercado, sem levar em consideração efeitos de retro-propagação dos
choques em conjunto, criando variáveis exógenas, contrariando a própria hipótese
estabelecida neste trabalho, e discutida na literatura presente.
Assim, acerca das discussões sobre diferentes tipos de modelos e sobre a representação da
endogeneidade das variáveis, ressaltamos aqui a seguinte passagem:
“In the sense of Clements and Hendry (1998), ARX models are
conditional models, whereas unconditional models endogenize all
variables as the VAR.” – Robinzonov, Wohlrabe (2008).
Consequentemente optamos por não estimar um conjunto de sistemas ARX (modelos
autorregressivos com variáveis exógenas) individuais, exogeneizando variáveis que por
hipótese são endógenas.
Discussão sobre a Estabilidade do Sistema:
A fim de se analisar a estabilidade do sistema, foram calculados os autovalores da
matriz exposta na seção anterior, tal que conforme pode ser visto em Hamilton (1994),
dados os autovalores de uma matriz de um sistema dinâmico discreto, esse terá sua
estabilidade assegurada quando todos seus respectivos autovalores � tiverem módulo
menor que um (|�| < 1).
Para autovalores reais, o módulo simplesmente é a magnitude (valor absoluto) do
número. Para os casos complexos, o módulo do autovalor é simplesmente dado pela
relação:
(9) |�| = ������� + �����
Onde:
�����: denota a parte real do número complexo
����: denota a parte imaginária do número complexo
Para o cálculo dos autovalores reais, foi aplicado o algoritmo “QR” sobre a matriz
obtida via método de mínimos quadrados.
Este algoritmo basicamente consiste na multiplicação sequencial de decomposições do
tipo “QR” na ordem inversa. Ou seja, sabendo que uma matriz pode ser escrita como:
(10) = � ∙ �
Onde:
Q: é uma matriz ortogonal
R: é uma matriz triangular superior
Fatoração essa denominada “Decomposição QR”, consiste basicamente na aplicação
do processo de Gram-Schmidt, conforme pode ser visto em Anton e Rorres (2000).
A partir desta fatoração, obteremos uma matriz “M” ao realizarmos iteradas vezes a
seguinte operação:
(11) � = ���� ∙ ����
Onde:
����: é o fator “R” da decomposição “QR” da matriz “M” no passo anterior
����: é o fator “Q” da decomposição “QR” da matriz “M” no passo anterior
�: é a matriz resultante no passo atual
Assim, após “n” iterações, a matriz “M” deve convergir para uma matriz triangular
superior, cuja diagonal principal contém os autovalores.9
Se na diagonal secundária aparecerem valores diferentes de zero, há uma indicação de
que há um autovalor complexo, que pode ser tratado como uma matriz 2x2, cujos
autovalores podem ser calculados em separado, resolvendo-se o polinômio padrão
decorrente da seguinte equação:
(12) det�� − ��� = 0
Assim segue a matriz de autovalores calculada pelo método acima:
-0.3662 0.1725 -0.5661 -
0.3313 0.0422 -
0.0901 -
0.4029 -
0.2758 -
0.6294
-0.1794 -0.2762 0.0801 0.0844 -0.3935 -
0.1949 -
0.5183 -
0.2608 0.0033
0.0000 0.0000 0.3431 0.3325 -0.0987 0.1055 0.5217 0.2707 0.2866
0.0000 0.0000 0.0000 -
0.3028 -0.0977 0.0520 -
0.6221 -
0.2319 -
0.1620
0.0000 0.0000 0.0000 0.0194 -0.3133 -
0.1221 -
0.0675 0.2373 -
0.1002
0.0000 0.0000 0.0000 0.0000 0.0000 -
0.1911 -
0.1008 -
0.0936 0.0004
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.1224 0.0968 0.0785
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0293 -
0.0330
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0274 0.0829 Tabela 3 – Matriz calculada a partir do método “QR”
Podemos conferir que na diagonal secundária aparecem três valores diferentes de zero – nas
posições M(2,1); M(4,4); M(9,8), formando blocos 2x2.
Logo, podemos tratar em separado essas ocorrências através de matrizes 2x2, e calcular o
autovalor das mesmas, que serão também autovalores da matriz original.10
Com isso, obtém-se os seguintes autovalores que estavam implícitos na matriz da Tabela 2:
−0.3212 ± 0.17i, −0.3080 ± 0.0432�, 0.0561 ± 0.0137�. Consequentemente, conhecendo os autovalores, é possível constatar que todos têm módulo
menor que um. Portanto o sistema é estável. Tal condição também será verificada na prática,
ao longo da análise das respostas às funções impulso.
9 Vide Panju (2011)
10
Vide Lewis (1991)
Tal constatação (de estabilidade) é de grande importância para a discussão de um sistema
deste tipo, pois, vai de encontro com a realidade da dinâmica de propagação dos fatos
econômicos. A estabilidade do sistema é uma condição necessária pois, propagações
descontroladas (instáveis), poderiam gerar “crashes” ou “bolhas” à menor alteração das
condições de mercado, o que levaria a falências recorrentes de todo o sistema.
Análise de Impulso-Resposta do Sistema Dinâmico:
A fim de analisar a evolução temporal conforme choques ocorram em um determinado
mercado, ou em vários mercados em conjunto, foram aplicadas funções do tipo “impulso” no
sistema dinâmico.
Como a função de “impulso” é dada por:
(13) %�&� = '( & = ) → %�&� = 1( ã* → %�&� = 0
Onde:
): denota um instante arbitrário
Então procedemos de maneira a escolher um vetor de estado inicial �� que tenha sido
inicializado em 1 os mercados nos quais se deseja simular um impulso, e 0 nos demais.
Consequentemente, ao aplicar a relação estabelecida na equação de número cinco, e
guardando os valores resultantes de cada iteração temporal, é possível analisar a propagação
dos efeitos de choques adversos de alguns mercados para outros.
Com isso, seguem os gráficos contendo a resposta a impulsos individuais (mercados isolados,
um a um).
Gráfico 1 – Resposta ao Impulso em relação ao Dow-Jones
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Gráfico 2 – Resposta ao Impulso em relação ao Ibovespa
Gráfico 3 – Resposta ao Impulso em relação ao NASDAQ
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Gráfico 4 – Resposta ao Impulso em relação ao DAX
Gráfico 5 – Resposta ao Impulso em relação ao Hang Seng
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Gráfico 6 – Resposta ao Impulso em relação ao STI
Gráfico 7 – Resposta ao Impulso em relação ao Nikkei
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Gráfico 8 – Resposta ao Impulso em relação ao FTSE
Gráfico 9 – Resposta ao Impulso em relação ao NIFTY
Assim, de maneira a analisar a dinâmica exposta nos gráficos 1 a 9, é possível verificar que
primeiramente, dado peso e influência que a economia norte-americana exerce sobre as
demais economias, a dinâmica individual constatada no gráfico 1 vai de encontro com a
expectativa existente em relação à própria importância da economia norte-americana, tal que,
havendo um impacto positivo (negativo) nos indicadores norte-americanos, haverá uma
propagação positiva (negativa) para os demais mercados.
Efeito semelhante pode ser visto nos gráficos 9, 8, 6, 5. Em relação ao gráfico 5, se faz uma
ressalva com relação à propagação negativa em relação ao Nikkei dado um pulso no Hang
Seng. Tal propagação negativa poderia ter causa atribuída a uma possível migração de recursos
de um índice para outro. Já as propagações negativas nos gráficos 8 e 9, são bastante
diminutas, provavelmente decorrente de algum efeito (não explicado pela estrutura
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
determinística prevista) que não fora separado corretamente na filtragem do padrão
determinístico ao se estimar o Vetor Autorregressivo.
Já nos gráficos 2, as propagações negativas também poderiam ser decorrentes de efeitos de
realocação de portfólios, tal que sistematicamente os mercados em desenvolvimento
apresentam um risco maior do que os mercados mais desenvolvidos.
No entanto, nos demais gráficos, se encontram relações aparentemente contra intuitivas, visto
que um choque nesses mercados se propaga de maneira negativa para os demais – com
excessão da propagação negativa (ou nula) no período subsequente ao pulso, tal que faz
sentido a realização de ganhos (perdas) decorrentes do pulso sofrido na semana anterior
(argumento do viés cognitivo para a realização dos ganhos).
Uma outra hipótese plausível para a ocorrência destas relações contra intuitivas é que,
conforme discutido na seção anterior, a análise individual de cada choque perca o sentido uma
vez que vários coeficientes não são estatisticamente significativos, mas que foram mantidos
pelo pressuposto da endogeneidade das variáveis envolvidas.
No entanto, de maneira a estudar a endogeneidade das variáveis, se torna interessante
completar a análise acima com respostas a impulsos conjuntos, uma vez que as mudanças
conjunturais ocorrem também de maneira organizada quase que instantaneamente em
mercados com características em comum, seja de natureza geográfica (propagação
contemporânea devido ao alinhamento ideológico, temporal ou de fenômenos da natureza),
seja de natureza econômica (políticas em comum devido à formação de blocos comerciais),
entre outros fatores.
Gráfico 10 – Resposta ao Impulso em Economias consideradas Desenvolvidas
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Gráfico 11- Resposta ao Impulso em Economias Asiáticas
Gráfico 12 – Resposta ao Impulso em Economias Ocidentais
Já nessa segunda parte da análise, é possível constatar que todos os três gráficos expostos têm
uma dinâmica evolutiva em conformidade com o senso comum, que basicamente é, quando
uma região ou um grupo de economias significativamente grande vai bem, os demais tendem
a acompanhar o movimento, através de propagações positivas.
Tal constatação tende a reforçar a hipótese da endogeneidade assumida neste estudo.
Ainda assim, vale destacar a auto correlação negativa presente em diversos pulsos, assim
como na primeira parte da análise, provavelmente decorrentes da realização de ganhos
decorrentes de vendas dos ativos após um grande choque positivo (e os respectivos
movimentos contrários).
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1,2
0 2 4 6 8 10 12
Dow Jones
IBovespa
NASDAQ
DAX
Hang Seng
STI
Nikkei
FTSE
NIFTY
Conclusão:
Neste estudo foram analisadas tanto as condições de estabilidade das propagações quanto as
próprias propagações de choques em vários índices de ações de bolsas ao redor do mundo,
fazendo uso de métodos de inferência e análise de sistemas dinâmicos discretos.
Foi possível verificar primeiramente que se obteve um sistema estável, indo de encontro com
as condições de estabilidade vigentes no mercado, ou seja, não ocorrem “crashes” e “booms”
pela pura e simples propagação do “humor” dos mercados.
Também foi possível verificar que em larga medida, existe um efeito determinístico de auto
correlação negativa dos retornos, coerente com a ideia de que, após uma grande valorização,
o detentor do ativo procurará realizar o ganho decorrente desta valorização; e analogamente
o inverso ocorre após uma grande desvalorização, ou seja, há uma valorização do ativo
decorrente da percepção de oportunidade de compra de um ativo desvalorizado (viés
cognitivo).
Por fim, também foi possível verificar que devido a alguns parâmetros não serem
estatisticamente significativos, algumas flutuações podem não ter explicações, porém se
manteve a técnica de estimação em função do pressuposto da endogeneidade das variáveis
(decorrente da interdependência das economias).
Assim, algumas economias, quando analisadas isoladamente tiveram comportamentos dentro
do esperado, principalmente em relação ao Dow Jones – provavelmente em decorrência da
importância da economia norte-americana, enquanto outras não.
Por outro lado, quando simuladas interações e impactos mais amplos no cenário
macroeconômico, as simulações ficaram mais próximas do esperado, de acordo com a
literatura vigente até então, explicitando uma economia global altamente interdependente.
Referências:
Anton, Howard; Rorres, Chris – Álgebra Linear com Aplicações – 8ª Edição, Bookman, São
Paulo, 2000.
Becker, K; Finnerty, J; Gupta, M - The intertemporal relation between the US and the Japanese
markets, Journal of Finance, 45(4), pp 1297-1306, 1990.
Bianconi, Marcelo; Yoshino, Joe Akira; Orsini, Mariana Machado – BRIC and the U.S. Financial
Crisis: An Empirical Investigation of Stocks and Bonds Markets – Discussion Paper Series,
Department of Economics, Tufts University, 2012.
Hamilton, James D. – Time Series Analysis – 1st Edition, Princeton University Press, Princeton,
New Jersey, 1994.
Koutmos, G; Booth, GG – Asymmetric volatility transmission in international stock markets’,
Journal of International Money and Finance, Vol 14, 6, pp747-762, 1995.
Lewis, David W. – Matrix Theory – 1st Edition, World Scientific, Singapore, 1991.
Lin, WL; Engel, RF; Ito, T – Do bulls and bears move across borders? International transmission
of stock returns and volatility as the world turns, National Bureau of Economic Research,
Working Paper no. 3911, 1991.
Morettin, P.A.; Tolói, Clélia – Análise de Séries Temporais, São Paulo, 2004, Blücher.
Panju, Maysum – Iterative Methods for Computing Eigenvalues and Eigenvectors – The Waterloo Mathematics Review, University of Waterloo, 2011. Pescetto, Gioia; Antoniou, Antonios; Violaris, Antonis – Modelling International Price
Relationships and Interdependencies between EU Stock Index and Stock Index Futures
Markets: A Multivariate Analysis – Centre for Empirical Research in Finance, Department of
Economics and Finance, University of Durham, UK, 2011.
Raghubir, Pryia, Das, Sanjiv Ranjan – The Psychology of Financial Decision Making: A Case for Theory-Driven Experimental Enquiry – Financial Analyst’s Journal, vol. 55(6), 56-79, 1999. Robinzonov, Nikolay; Wohlrabe, Klaus – Freedom of Choice in Macroeconomic Forecasting: An Illustration with German Industrial Production and Linear Models, Ifo Working Paper No. 57, 2008. Salleh, Shaharuddin; Zomaya, Albert Y.; Bakar, Sakhinah Abu – Computing for Numerical
Methods Using C++, John Willey and Sons, Hoboken, New Jersey, 2008.
Schwarz, Gideon E. – Estimating the dimension of a model. Annals of Statistics 6 (2): 461–464,
1978.
Wilmott, Paul – Paul Wilmott on Quantitative Finance – Chapter 1, page 22 – 2nd Edition – John
Wiley & Sons, Ltd, West Sussex, England – 2006.