1989 - os modelos arima e a abordagem de box-jenkins
TRANSCRIPT
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
1/8
LJNOTAS E COMENTRIOS
O s M ode lo s A rim a e a A bo rdagem
d e B o x -J e n k in s
U m a A p l ic a o n a P r e v i s o d o IB O V E S P A a C u r t ls s i m o P r a z o
RESUMO:
E ste trabalho analisa os m odelos auto-regressivo-m dias-m 6veis e os com para com os m -
to dos tradiciona is de nom inad os de an lise tcn ica .
A abordagem de Box-Jenkins apresentada em seguida e suas quatro etapas - indentificaCfo, esti-
m ao, validalo e previsilo - silo analisadas.
F inalmente, m ostra com o esta tcnica pode ser im plem entada com excelentes resultados na m odela-
gem e preoiso do ndice da Bolsa de V alores de Silo P aulo (BO VESPA ).
PALAVRAS-CHAVE: AR IMA , Box -I en kin s, p re pis , mode la gem , p ro ce ss os e sto c stic os .
INTRODUAO
F ra n cis c o c a r to s G o m e s
No passado, anlise tcnica foi sinnimo de
anlise grfica. Se analisarmos.os pressupostos a
ela sub~acentes,. identificados por Edwards e
Magee ,observaremos a presuno de que os
D o uto ra n do e P r o fe s s o r n o D e pa rta m e n to d e
In fo rm tic a e d e M to d os Q ua ntita tiv os a plic ad o s
A d m in is tr a o d a E AE S PIF G V .
1. EDWARDS , R .D . e MAGEE JR., [ohn, Technical
Anal]/sis of Stock Trends Springneld, Stock Trend
Servce, 1958(edio revisada).
R e vis ta d e A dm in is tra o d e E m pre sa s
810
P a u l o , 2 9 2 ) 6 3 - 7 0
A b r . / J u n . 1 9 8 9
6
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
2/8
o
NOTAS E COMENTRIOS
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . , 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 i l l l l l l l l l l
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 . l l l l l l , ~ I I I I I I I I I I I I I ~ 1 1 1 1 1 : : l l l l l l l l l l l l l l l
1 I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I f I I I I I I I I I I . 1 1 1 1 1 1 1 1 1 1 1 1 ~ I I I I I I I I I 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
,I .
~ l l I J , t 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 , ~ l l l l l l r I 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
I I I I I I I I I I J .
1 1 1 1 1 1 1 1 1 1 j l l l l l l l ~ . 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ,
~ I
i l l l l l l l l l l l l l l l l l l l l l l l l l l l
1 1 1 1 1 1 1 . ~ l l l ~ ~ 1 1 1 j l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l ~ j l l l l l l l l l l l l l l l l l l l l l l l l l l l l
I I I I J . ~ l l l l l l l l l , . j l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l . 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 , ~ l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l l 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
, , . ( 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
padres de comportamento passado se reprodu-
ziro no futuro e, portanto, podem ser empre-
gados com propsitos preditivos (este o pres-
suposto da constncia, subjacente maioria das
tcnicas quantitativas de previso).
Embora o termo anlise tcnica abranja atu-
almente algumas ferramentas quantitativas, po-
demos caracteriz-la como um conjunto de m-
todos heursticos, semi quantitativos, que
permitem ao analista introduzir as suas ava-
liaes subjetivas acerca do padro de comporta-
mento dos preos e seus pontos de inflexo (a
antecipao dos
turning points
um aspecto
fundamental dos problemas de previso).
Esta ltima 'caracterstica, a simplicidade e a
facilidade de aprendizado e de implementao
so os principais responsveis pela grande po-
pularidade desses mtodos.
Contudo, a anlise tcnica, enquanto um
conjunto de mtodos de anlise de sries tempo-
rais e/ou tcnicas qualitativas de previso, pode
ser objeto das seguintes restries:
a) possui pouca fundamentao terica e es-
tatstica;
b) vrios de seus mtodos no proporcionam
previses numricas;
c)no estabelece o grau de incerteza associado s
respectivas previses, determinando um inter-
valo de confiana e respectiva probabilidade de
ocorrncia;
d) no sistematiza nem calibra as avaliaes sub-
jetivas, de sorte a corrigir os vieses associados
aos diferentes perfis cognitivos.
64
Tendo em vista as trs primeiras restries ci-
tadas, apresentaremos um mtodo alternativo,
que deve ser encarado como uma abordagem
complementar em lugar de substitutiva da
anlise tcnica.
Os modelos ARIMA foram sistematizados
por Box e Jenkins
2.
Esses modelos so robustos
do ponto de vista conceitual e estatstico, pro-
porcionam previses probabilsticas e so de
fcil implementao ( desde que tenhamos os
recursos computacionais adequados). De fato,
representm uma generalizao dos diversos
mtodos de anlise de sries temporais.
OS MODELOS ARIMA E A ABORDAGEM
DE BOX-JENKINS
1. Os modelos ARIMA
Tendo em vista os limites desde texto, pode-
mos apresentar sumariamente a forma geral de
um modelo ARIMA (p.d.q) como segue:
=
+
e (B)
c j >
(B)
1
2. BOX, George E. P. e JENKINS, Gwilym. Time
Series Analysis: t orecasting and Controlo Oakland,
Holden-Day, 1976 ( edio revisada). Ver tambm:
MAKRIDAKIS, Spyros e STEVEN, C. Wheelwright.
Forecasting: Metliods and Applications New York,
Wiley, 1978.
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
3/8
RAE
F IG . 1 - D la gn na d e B lo co s d O s M o d elo s A rtm a
4 1 8
e-
1
8
R u f d o S r i e
.BIW1CO
T em p
- -
F l l I r o d e
F I r o
F l l I r o d e
M d I a s - M 6 v e l 8
AIJto.fagrIssIv
I n t e g r a l o
t
E s I a c I o n r 1 o )
N I o - E s t a c . )
lt
It
onde:
t - ndice do tempo
Wt -
d'sima diferena da varivel de inte-resse z,
Jl -
ponto de referncia do nvel do
processo
8 (B) - operador de mdias-mveis :
8 (B)
=
(1- 8tBl - ~B2 - ..- 8
q
J 3 C 1 )
I
B) - operador auto-regressivo:
t(B) = (1- JBl-i2B2- ...- ~BP)
BP -
operador de retrocesso:
l3 PZ t - ,
Zt.p
tt -
rudo branco ou erro aleatrio
Para maior clareza, o modelo ARI~A (p, d,
q) - diz-se modelo auto-regressivo .mdias-
m6veis integrado de ordem (p, d, q) - acima es-
tabelecido de forma sinttica pode ser expandi-
do, como segue:
2
w
t
=
8
0
+
lh
Wt_l + ...+ f
p
W
t
_
p
+a
t
-8
1
lt_i- -
8cft.q
onde:
De uma forma geral, os modelos ARIMA
postulam que
as
sries temporais
(Zt)
podem ser
representadas por uma seqncia de choques
aleatrios
(lt)
submetidos a trs operaes de
filtragem ( mdias-mveis, auto-regressiva e
integrao), como exemplificado na figura 1.
Intuitivamente, podemos afirmar que os
modelos ARIMA representam as sries tempo-
rais como uma ponderao dos prprios valores
e/ou erros passados da srie.
Um modelo ARIMA (p, d, q) possui p+q+2
parmetros desconhecidos, que devem ser esti-
mados a partir dos dados, a saber:
a)
Jl,
.e. o ponto de referncia do nvel do
processo;
b) p, parmetros au~regressiyos
1 1 ' ~ , . . .,
f~
c)q, parmetros mdas-mves
81' 8
2
, ,
8
q
;
d)
(,2,
a varincia do rudo branco
lt.
2 . A A b o rd ag e m d e B o x-J e nk ln s e o P rin cIp io d a
P a c I m O n I a
Para a construo dos modelos ARIMA,Box-
JenJdns I sugeriram as seguintes etapas ite-
rativas, como ilustrado na figura 2.
a) Identifica~o
A identificao de um modelo AroMA cor-
responde determinao:
do nfvelde diferenciao (d), a partir do qual
a srie se torna estacionria;
da ordem (mxima) dos termos auto-
regressivos (p);
da ordem (mxima) dos termos mdias-
m6veis (q).
Essas determinaes so obtidas a partir- do
exame da funo de autocorrelao e da funto
de autocorrelao parcial, que avaliam o padro
de dependncia temporal da srie. Para tanto,
basta compararmos as funes de autocorrelao
amostrais com os correspondentes paradigmas
ou funes de autocorrelao tercas .
b) EstimaSo
Uma vez determinada a ordem (p. d, q) do
modelo so estimados os seguintes parmetros:
u, o nvel do processo;
3. B OX , George, E. P . e ]EN I< IN S, Gw ilym . O p. c lt.
65
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
4/8
o
NOTAS E COMENTRIOS
FIG. 2 - Etapas Heratlvas da ConstruAo de ModeloS de PrevlsAo (AbOrdagem de Box-Jenklns)
ldentHlcar
Estimar os
Validar o
o modelo a
Parmetros do
modelo
ser
1 _ _ _ _
modelo
--
estimado
adequa
tentatlvamente
identificado
considerado
Postular
umaclassa
geral de
modelos
os parmetros auto-regressivos
~1' ~2'' ~
os parmetros mdias-mveis e
v
9
2
, , ~ c f
C J2,
a varincia do rudo branco.
Escapa ao escopo deste texto o exame dos
complexos algortmos de estimao. De qual-
quer forma, existem programas em abundncia
para executar essa tarefa.
c Val idao
A verificao da adequao do modelo efe-
tuada em duas dimenses inter-relacionadas, a
saber:
o exame do grau de ajustamento ou aderncia
do modelo - expresso em estatsticas como a
varincia do erro, o MSE (Mean Square Error)
ou o MAPE ( Mean Absolute Percentage Error):
o exame da aleatoriedade dos resduos (erros)
do modelo - expresso nas suas funes de auto-
correlao.
d) Previsa
Validado o modelo, podemos construir uma
funo de previso, que alm de proporcionar as
previses mais verossmeis dentro do horizonte
de planejamento especificado, proporciona tam-
bm os limites inferior e superior do intervalo
de confiana associado a um nvel de confidn-
cia (probabilidade) estabelecido pelo analista.
Finalmente, Box e [enkins
4
sugerem o em-
prego parcimonioso desses modelos, i.e., a sua
utilizao com um nmero mnimo de par-
metros, possvel em virtude do teorema da
dualidade.
66
Utilizar o modelo
para fazer pre-
vises
no
Tendo em vista que a maioria das sries se
torna estacionria aps a segunda diferenciao,
podemos dizer que, usualmente:
p, d, q s 2 (3)
UM EXEMPLO: PREVISO DO IBOVESPA
A ttulo de exemplo, empregamos uma
amostra de 650 observaes do Indice de Fecha-
mento da BOVESPA, abrangendo o perodo de
02/01/85 a 31/00/87.
A figura 3 mostra graficamente que a srie
considerada foi objeto de vrias mudanas na
sua estrutura temporal, tanto no que diz respei-
to a suas tendncias quanto no que concerne a
sua volatilidade, tornando particularmente
difcil a construo de um modelo de previso.
Empregando-se a abordagem de Box-jenkins,
podemos modelar o IBOVESPA, como segue:
1. IdentlficaAo
As figuras 4a e 4b mostram as funes de au-
tocorrelao do lBOVESPA aps a sua diferen-
ciao de primeira ordem, cujo exame permite
concluir que:
a) a srie se toma estacionria aps a primeira
diferenciao, portanto d=l.
b) pe l e q=O,embora no haja uma aderncia
muito clara aos paradigmas (esses valores foram
confirmados atravs do exame dos modelos al-
ternativos).
4. Idem, ibidem.
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
5/8
RA E
FIG . 3 -IB OV ESP A Fe cha m ento
FECHAMENTO
0
o
. .
I
.
.
i
.
. .
. . .
I
s o o
F IG . 4 a - F unA o d e A uto co rre la A o - P rim e ira D ife re n a IB O VE SP A
COEHCIENTE
I
o
. .
. . . - . ~ .. . :.- .. . . :. o . . .. : .. . . . , . : . .. . . .
.
.
.
.
.
.
.
.
. .
O
3 0
DEFASAGEM
F IG . 4b - FunA o d e A uto co rre la lo P arc ia l- IB OVE SPA P rim e ira D ife re na
COEHCIENTE t
o
.
. .
. o : f : ~: ~ :
o
DEFASAGEM
67
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
6/8
o
NOTAS E COMENTRIOS
Logo, o IBOVESPApode ser representado por
um modelo ARIMA (1, 1,
O )
ou, mais sumaria-
mente, por um modelo auto-regressivo de
primeira ordem com um nvel' de integrao
[AR (1,1)
l,
como segue:
4
00
onde:
Zt - ndice Bovespa (Fechamento)
w
t
-
Primeira Diferena de Zt, i. e,
Wt = Zt-
Zt-l
J l . -
Ponto de Referncia do Nvel do Processo
80 -
Constante, i.e.,
80
=
Jl .
(1- ~)
a
t
- Rudo Branco
S - Operador de Integrao
2 . E s t lm a A o
As estimativas obtidas dos parmetros do
modelo identificado foram as seguintes:
IB OVESPA F EC H AM ENTO M O DEL O AR IMA 1, 1,
O
P a r metr o
Notao
Estimativa
E rr o P a dr o
P r o b .
Auto-regressivo
t
0,2;3584
0,0384
0,0000
N iv e l d o p ro c e s so
J. L
15 ,234 13
0,87854 0,3800
C o n s t a n t e
~
11,fJ3700
V a r i nci a
c P -
114 .64 8
A tabela acima mostra que obtivemos uma
estimativa extremamente confivel do terino
auto-regressivo de primeira ordem
< 1 > 1 )
j que o
seu erro padro bastante pequeno (notem que
esse termo se mostra estatisticamente diferente
de zero a um nvel de probabilidade de aproxi-
madamente 100 ). .
Por outro lado, a estimativa do nvel do
processo
(Jl.)
no to confivel, pois possui um
erro padro mais elevado (notem que esse ter-
mo se mostra estatisticamente diferente de zero
a um nvel de probabilidade de apenas 62 ) 5.
Finalmente, a estimativa da varincia do erro
aleatrio
0 2)
relativamente pequena, mostran-
do - como veremos - a excelente aderncia do
modelo (notem que a estimativa do desvio
padro
a),
i.e., o erro-padro, extremamente
pequena, J =338,60).
68
Portanto, o modelo estimado para o ndice
Bovespa (Fechamento) foi o seguinte:
1\
w
t
= 11,88789+ 0,23584w
t
_
1
5
00
1\ ~
~ =
L w
t-
o J
J-
A figura 5 apresenta os valores estimados do
ndice Bovespa (Fechamento) pelo modelo ARI-
MA (1,1,0) acima.
3 . V a l id a o
A figura 6 apresenta os resduos (erros) do
modelo estimado.
a)
derncia
Um sumrio das estatsticas bsicas dos
resduos (erros) do modelo apresentado
abaixo:
Mdia: 0,14
Desvio-Padro: 338,60
Mnimo: -1.264,69(7,10 ; 16/04/86)
Mxim.p: 1.997,81(19,67 ;04/03/86)
MAPE : 2,67
Constatamos, portanto, que o modelo apre-
sentou uma excelente aderncia, com um erro
percentual mdio da ordem de apenas 2,67 .
b le ato rie dade dos Resd uo s
A figura 7 mostra a funo de autocorrelao
dos resduos (erros).
Alguns poucos coeficientes se encontram
alm da regio de aceitao, embora apresentem
uma magnitude relativamente pequena. Prova-
velmente, a crescente volatilidade (varincia) da
srie tenha provocado alguns vieses de esti-
mao, indicando uma provvel necessidade de
transformao (logartmica ou raiz quadrada)
5. Neste caso, o procedimento mais adequado seria
a estimao de um modelo sem constante; entretan-
to, manteremos o modelo inalterado, tendo em vista
os propsitos ilustrativos deste artigo.
6. O MAPE ( Mean Absolute Percentage Error), ou
erro percentual mdio, definido como:
1
1\
~ I Zt - 4 I 100
Zt
APE
n
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
7/8
R A E
F IG . 5 - IB O V E S P A : e s tim ativ a s d o M o d e lo A rtm a 1 ,1 , O)
ESTIMATIVA
................
.
~ - 'o '.'
.
.
. .
.................. : 0
.
.
. .
I I
F IO . 6 - IB O V E S P A : E n o e d o M o d e lo A rIm a 1 ,1 ,
O)
a x > 400 600
T
ERRO (X100)
...................
I
,o ,
60 0
80 0
T
F IG . 7 - F un A o d e A u to c o rre la a o d o s E rro s d o M od e lo A rlm a 1 ,1 ,
O)
COEFICIENTE
1
0 . 5
O
- O . ,
-1
O
.
. .
. . .
00 o e 00 00
0
. . .
.
.
;
.
.
.
. .
- .
.
. . . . . . . .
~ ;
: :. ; - :
.
.
.
.
. .
. . .
.
.
.
. .
.
. . .
50
DEfASAGEM
69
-
7/24/2019 1989 - Os Modelos Arima e a Abordagem de Box-Jenkins
8/8
C J
NOTAS E COMENTRIOS
dos dados para lhes estabilizar a varincia. En-
tretanto, dado o escopo deste texto, a tima ade-
rncia do modelo e a pequena magnitude desses
coeficientes, no estimaremos o modelotrans-
formado e consideraremos os resduos como ra-
zovelmente aleatrios. .
4. Prevls6es
Na figura 8, encontramos a seguinte funo
de previso do ndice Bovespa:
'
W 650+m
= 11,88789
+
0,23584
W U9+m
m
Z 650+m
=
11.476,76 +
LW
650+j
l I
onde:
m - horizonte de planejamento (m
= =
1, 2, 3~...)
Ao lado, apresentamos as previses do
IBOVESPA para os cinco dias teis subseqentes
ltima observao, bem como os respectivos
intervalos de confiana associados a um nvel
de probabilidade de 95% (por simplicidade
deixamos de apresentar a expresso descritiva
desses limites probabilsticos).
t
lt
l im i t e i n f e r io r
l im i t e s u p e ri o r
651
11.288,3
10.622,8
11.949,9
652
11.253,0
10.197,9
12.308,0
653 11.256,7 9.897,4 12.616,0
654
11.269,3
9.657,7
12.880,9
655 11.283,9
9.453,4
13.114,3
6
importante notar que essas previses so e-
fetuadas no instante t = 650; Tendo em vista o
carter auto-ajustvel do mtodo, obteramos
uma maior preciso se essas previses fossem
efetuadas passo a passo (i.e., previso para o
prxiinO perodo -+ observao -+ previso
para o perodo subseqente -+ etc.).
CONCLUSOES
Apresentamos uma abordagem alternativa e
complementar aos mtodos tradicionais de
~se tcnica, que proporciona previses quan-
titativas e probabilsticas robustas do ponto de
vista conceitual e estatstico.
No experimento efetuado, constatamos que
essa abordagem. apresentou resultados extrema-
mente satisfatrios, em que pese
instabilidade
e
volatilidade da srie empregada.
Q .
FECHAMENTO
FIG.
8
-IBOVESPA : Funlode Prevlslo do Modelo Arlma(1,1,O)
T
ABSTRACT: This paper review s the Autorregressive - M oving Average M odels and com pares ihem
w ith the traditional m ethods know n by the term tech nica l a na ly sis .
The Box-lenkins approach is presented next and its four steps - ldentification, Estim ation, Check-
ing and Forecasting - are review ed.
Finally, it is shown how this technique is easily implem ented with satisfactory results in the mo-
elling and forecasting of ihe lnex of the Bolsa de Valores de Silo Paulo (BO VESPA).
KEY WORDS: Arima , Box- Je nk in s, p re dic ti on , mode lli ng , s to cf :a sti c p ro ce ss es .
7