Build your ultimate AI agent
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
Programa de estudos
Conteúdo do curso
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 volatilidade50 XP
- Calculando retornos100 XP
- Desvio padrão em subamostras100 XP
- Roda, roda, roda100 XP
- A equação GARCH para previsão de volatilidade50 XP
- Reação do GARCH(1,1) a choques pontuais50 XP
- Erros de previsão100 XP
- A natureza recursiva da variância GARCH100 XP
- O pacote rugarch50 XP
- Especifique e experimente os sabores do modelo GARCH100 XP
- Previsão fora da amostra100 XP
- Mira de volatilidade na alocação tática de ativos100 XP
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.
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.
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.
R
Modelos GARCH em R
Curso
concluído
