Previsão de volatilidades de ativos no mercado financeiro - abordagem bayesiana

Abstract

O presente trabalho tem como objetivo realizar um estudo de métodos de previsão de volatilidade para ativos reais no mercado financeiro, utilizando dados reais dos ativos e bus cando prever a volatilidade dos mesmos usando o modelo do filtro de Kalman, um algoritmo de abordagem Bayesiana, e comparando seus resultados com os modelos previsão tradici onais GARCH e EGARCH. Para a realização desse estudo, este trabalho se apoia em duas modelagens matématicas para a volatilidade histórica, com foco especial no desvio padrão dos retornos do ativo nos últimos 3 dias. Nesse sentido, deseja-se descobrir qual desses mo delos é mais adequado para cada tipo de ativo, e para isso, foram utilizadas métricas de erro, que analisam a quantidade de erro na previsão em comparação com a volatilidade histórica, e uma métrica de taxa de acerto da direção da volatilidade, que avalia lucratividade, para realizar a seleção de modelos. Implementando esses modelos e métricas foi possível ana lisar conceitos de volatilidade no mercado financeiro, suas técnicas de previsão aplicados a conjunto de dados e a abordagem utilizando o filtro de Kalman. Os resultados encontrados demonstram que p filtro de Kalman pode atingir resultados até 15% para esse tipo de pre visão, quando comparado com os modelos GARCH e EGARCH, em especial em ativos de baixa volatilidade, mas também demonstrou que os métodos GARCH ainda são alternativas válidas para ativos com muitas variações de volatilidade como o Bitcoin, onde o GARCH operou 6% melhor. Por fim, esse trabalho propõe modelos de previsão de volatilidade para ti pos diferentes de ativos e notam-se resultados excelentes do filtro de Kalman em comparação aos modelos tradicionais de previsão de volatilidade.