Pular para o conteúdo principal

Curso

Modelos GARCH em R

AvançadoNível de habilidade

Atualizado 08/2024

Especifique e ajuste modelos GARCH para prever a volatilidade e o valor em risco que mudam com o tempo.

Iniciar curso gratuitamente

RApplied Finance

4 h

16 vídeos

60 Exercícios

4,550 XP

8,776

Declaração de realização

Preferido por alunos de milhares de empresas

Treinando uma equipe?

Experimente para Empresas

Descrição do curso

Você tem curiosidade sobre o ritmo do "batimento cardíaco" do mercado financeiro? Quer saber quando um mercado estável se torna turbulento? Neste curso sobre modelos GARCH, você vai aprender uma abordagem prospectiva para equilibrar risco e retorno na tomada de decisões financeiras. O curso avança gradualmente do modelo GARCH(1,1) normal padrão para modelos de volatilidade mais avançados com efeito de alavancagem, especificação GARCH na média e o uso da distribuição t de Student assimétrica para modelar retornos de ativos. Aplicações em retornos de ações e taxas de câmbio incluem otimização de portfólio, avaliação de previsões com amostras rolantes, previsão de value-at-risk e estudo de covariâncias dinâmicas.

Pré-requisitos

Time Series Analysis in R Manipulating Time Series Data in R

1

O modelo GARCH padrão como o "cavalo de batalha"

Vamos começar colocando a mão na massa. Uma análise com janela móvel dos retornos diários de ações mostra que seu desvio padrão muda bastante ao longo do tempo. Olhando para o passado, temos evidências claras de volatilidade variável no tempo. Olhando para frente, precisamos estimar a volatilidade dos retornos futuros. É exatamente isso que um modelo GARCH faz! Neste capítulo, você vai aprender o básico de como usar o pacote rugarch para especificar e estimar o modelo GARCH(1,1) padrão no R. Encerramos mostrando sua utilidade na alocação tática de ativos.

Analisando a volatilidade

Calculando retornos

Desvio padrão em subamostras

Roda, roda, roda

A equação GARCH para previsão de volatilidade

Reação do GARCH(1,1) a choques pontuais

Erros de previsão

A natureza recursiva da variância GARCH

O pacote rugarch

Especifique e experimente os sabores do modelo GARCH

Previsão fora da amostra

Mira de volatilidade na alocação tática de ativos

Iniciar capítulo

2

Aprimoramentos do modelo GARCH normal

Os mercados sobem de escada e descem de elevador. Essa sabedoria de Wall Street tem consequências importantes para especificar um modelo de volatilidade realista. É preciso abandonar a suposição de normalidade, assim como a resposta simétrica da volatilidade a choques. Neste capítulo, você vai conhecer modelos GARCH com efeito de alavancagem e inovações t de Student assimétricas. Ao final, você será capaz de usar modelos GARCH para estimar mais de dez mil diferentes especificações de modelos GARCH.

Não normalidade dos retornos padronizados

Parâmetros da distribuição t de Student assimétrica

Estimação de modelo GARCH não normal

Retornos padronizados

Efeito alavanca

Curva de impacto das notícias

Estimativa do modelo GJR GARCH

Modelo da média

Prevendo retornos

A dinâmica AR(1)-GJR GARCH dos retornos da MSFT

Efeito do modelo de média nas previsões de volatilidade

Evite complexidade desnecessária

Escolhas de modelagem

Fixando parâmetros do GARCH

Limites de parâmetros e impacto nas previsões

Variance targeting

Iniciar capítulo

3

Avaliação de desempenho

Modelos GARCH geram previsões de volatilidade que servem de insumo para decisões financeiras. Seu uso na prática exige primeiro avaliar a qualidade da previsão de volatilidade. Neste capítulo, você vai aprender sobre a análise de significância estatística dos parâmetros GARCH estimados, as propriedades dos retornos padronizados, a interpretação de critérios de informação e o uso de estimação GARCH rolante e erros quadráticos médios de previsão para analisar a precisão da previsão de volatilidade.

Significância estatística

Teste de significância

Analisando o resultado da estimação

Um modelo melhor para os retornos de EUR/USD

Qualidade do ajuste

Parcimônia

Erros quadráticos médios de previsão

Comparando verossimilhança e critérios de informação

Diagnosticando retornos padronizados absolutos

Validação das suposições do modelo GARCH

Correlograma e teste de Ljung-Box

Mudar a amostra de estimação

Backtesting com ugarchroll

Argumentos do ugarchroll

Volatilidade in-sample versus rolling sample

Corrida de cavalos

Iniciar capítulo

4

Aplicações

Neste ponto, você domina a especificação, estimação e validação padrão de modelos GARCH no pacote rugarch. Este capítulo apresenta funcionalidades específicas do rugarch para calcular estimativas de value-at-risk, usar o modelo GARCH em produção e simular retornos GARCH. Você também vai descobrir que a presença de dinâmica GARCH na variância tem implicações para simular log-retornos, estimar o beta de uma ação e encontrar o portfólio de variância mínima.

Value-at-risk

Gráfico de VaR

Comovimento entre volatilidade prevista e VaR

Sensibilidade da cobertura ao modelo de distribuição

Para produção e simulação

Retornos reais versus simulados

Uso em produção

Uso em simulação

Risco de modelo

Valores iniciais

Covariância GARCH

Estimativa do beta

Pesos do portfólio de variância mínima

GARCH & Cia.

Iniciar capítulo

Modelos GARCH em R

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora

Faça como mais de 19 milhões de alunos e comece Modelos GARCH em R hoje mesmo!

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.