Quais modelos econométricos podem ser usados ​​para prever retornos de segurança + perguntas sobre ARIMA / GARCH

8

Estou tentando escrever uma tese de graduação em que testo o poder preditivo de um determinado modelo econométrico em uma determinada série temporal financeira. Preciso de alguns conselhos sobre como devo fazer isso. Para colocar as questões em contexto, tenho principalmente econometria auto-estudada; o único caminho que tomei sobre o assunto parou de se aprofundar nos modelos de séries temporais; portanto, não sou de forma alguma um especialista no assunto.

Para minha consternação, li recentemente que os modelos ARIMA são muito pobres em prever retornos de estoque (e outros itens de segurança). Um professor do departamento de economia da minha escola também confirmou isso. Todo esse tempo eu esperava que eles talvez fossem remotamente úteis para a previsão de algumas séries temporais financeiras ... Existem outros modelos que eu possa olhar? Meu objetivo é simplesmente aprender alguma modelagem econométrica de séries temporais em R ou MATLAB e, esperançosamente, encontrar resultados preditivos estatisticamente significativos. Além disso, existe um mercado específico em que você olharia (energia, taxas, ações)?

Por fim, o GARCH é usado apenas para prever volatilidade? O professor que mencionei parecia sugerir que eu deveria me voltar para os modelos GARCH ou ARIMA-GARCH para modelar o retorno das ações. Li alguns artigos que pareciam sugerir que também poderia ser usado para retornos reais ... Talvez eu tenha entendido errado. Os componentes AR e MA em um modelo ARIMA-GARCH diferem daqueles em um modelo ARMA? Pelo que eu vagamente entendi, ARIMA e GARCH são duas coisas completamente separadas (com a primeira sendo usada para prever as séries temporais reais e a outra para prever sua volatilidade).

Espero que não sejam muitas perguntas, mas não sei mais aonde recorrer, estou pesquisando isso sozinho há tanto tempo. Muito obrigado!

time-series forecasting econometrics arima garch Ninja7777
fonte
3
Se você acredita em mercados eficientes, não é de surpreender que seja muito difícil prever o retorno das ações. Se você pudesse, teria encontrado uma maneira de imprimir dinheiro. Pode haver padrões previsíveis que se pode explorar para ganhar dinheiro, mas pelo que ouvi, você precisa ser capaz de reagir (negociar) em milissegundos hoje em dia - portanto, não é para você e para mim.
precisa saber é o seguinte
1
E sim, GARCH é usado para modelagem de volatilidade, não níveis.
precisa saber é o seguinte
1
Retornos de longo prazo são previsíveis, de certa forma. Para os graduandos, é mais divertido observar as coisas modernas sobre finanças comportamentais. Pesquisa de papel sobre este assunto, há uma tonelada. Geralmente está no portfólio, não em ações individuais.
Aksakal
Muito obrigado pela informação! Vou ver se há outros tópicos do tipo comportamental que eu também poderia incluir no meu artigo (talvez a ação do preço em cada dia da semana).
Ninja7777

Respostas:

5

Meu objetivo é simplesmente ... encontrar resultados preditivos estatisticamente significativos. Além disso, existe um mercado específico em que você olharia (energia, taxas, ações)?

A maioria, se não todos os mercados financeiros estabelecidos e líquidos, será muito difícil de prever qualquer modelo que você usar. Se os mercados fossem relativamente fáceis de prever, o participante do mercado tentaria explorar isso para ganhar dinheiro. Ao fazer isso, eles eliminariam a previsibilidade. Isso traz uma contradição e, portanto, os mercados não são fáceis de prever.

Por fim, o GARCH é usado apenas para prever a volatilidade? O professor que mencionei parecia sugerir que eu deveria me voltar para os modelos GARCH ou ARIMA-GARCH para modelar o retorno das ações. Li alguns artigos que pareciam sugerir que também poderia ser usado para retornos reais ...

ytyt=α+ϵtϵtyt=ϵtyt

Mesmo se você estiver interessado principalmente no modelo de média condicional (por exemplo, você deseja prever o retorno das ações usando um modelo ARMA), um modelo GARCH combinado com um modelo para a média condicional pode ser útil. Se a variação condicional da variável dependente varia no tempo, isso deve ser considerado e um modelo GARCH faz exatamente isso. Se uma variação condicional variável no tempo for negligenciada, o modelo médio condicional pode (e provavelmente será) ser inválido.

Os componentes AR e MA em um modelo ARIMA-GARCH diferem daqueles em um modelo ARMA?

Sim. Isso também ilustra minha última observação acima.

Pelo que eu vagamente entendi, ARIMA e GARCH são duas coisas completamente separadas (com a primeira sendo usada para prever as séries temporais reais e a outra para prever sua volatilidade).

Isso é verdade. Mas, como já expliquei, os dois modelos podem funcionar bem juntos.

Richard Hardy
fonte
Muito obrigado, agora entendi. Portanto, os coeficientes GARCH dependem do seu modelo de média condicional presumido, que você pode modelar como um processo ARIMA (que fará com que você não assuma mais uma média de 0).
Ninja7777
1
Sim. Além disso, os coeficientes do modelo de média condicional dependem de GARCH, porque GARCH produz que observações diferentes obtêm pesos diferentes na estimativa da condição. modelo médio (aqueles com alta variação condicional obtêm pesos baixos, aqueles com baixa variação condicional obtêm pesos altos - similarmente aos mínimos quadrados ponderados (WLS) em oposição ao OLS).
Richard Hardy
Olá Richard, eu só queria acompanhar esse ponto, se estiver tudo bem, pois encontrei um pequeno problema no meu relatório. Você poderia explicar como uma variação do modelo GARCH causa pesos diferentes em nossas observações de séries temporais? Inicialmente, pensei que a média condicional tivesse sido impactada de alguma forma por causa de como GARCH afeta o termo de erro e o componente MA no modelo ARMA, mas suspeito que estou completamente desligado. Você conhece algum lugar onde eu possa encontrar uma breve explicação matemática, talvez? Ainda não consigo encontrar nenhuma documentação em lugar algum. Muito obrigado por toda sua ajuda.
precisa saber é o seguinte
1
y=β0 0+β1x+ε
σ12σT2βas verdadeiras variações subjacentes, mas você tem suas estimativas e as usa de maneira semelhante ao uso das variações reais na estimativa dos mínimos quadrados ponderados.
Richard Hardy
1
Então, o que você escreveu acima está focando na mecânica do processo de geração de dados (se você acredita que o ARMA-GARCH é o processo subjacente exato e verdadeiro). Enquanto isso, o que eu disse é sobre a estimativa desse processo. Mas até onde eu sei, você entendeu a idéia de qualquer maneira.
Richard Hardy
1

Aplaudo o seu entusiasmo pelo assunto. Existem muitos aplicativos e métodos para ajudar na previsão, mas é claro que não há uma bala de prata. Assim como não há um modelo climático que preveja todas as condições meteorológicas em todos os locais com a mesma precisão, não há um modelo que possa prever séries temporais financeiras.

Gostaria de encorajá-lo a analisar um único sub-comportamento dos mercados para ver se você consegue entender. Alguns exemplos rápidos são

  • Ação de preço final do mês
  • Movimentos de preços em torno de resultados / dados econômicos
  • influências das tempestades de inverno nos mercados de gás natural dos EUA
  • rolos de contratos futuros

Quanto às técnicas, um novo método clássico é a cointegração:

Não estou de forma alguma endossando a análise e os resultados nos links acima. Eles são simplesmente alguns dos principais resultados do Google para você entrar no caminho para saber mais sobre a co-integração.

circuito fechado
fonte
Obrigado, é isso que eu estava procurando. A cointegração parece muito interessante, vou ver se posso escrever algo sobre isso nas próximas semanas, juntamente com o material ARIMA-GARCH.
Ninja7777