σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyRoadmapsRoteiros
Ctrl K
AO
+1,2 mil alunos
EntrarParticipar ↗
RoadmapsRoteiros
AO
+1,2 mil alunos
Entrar
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Roteiro de statsmodels›Módulo 2 · Modelos de séries temporais›Tópico 2.5·~55 minAvançado

Uma autorregressão vetorial de retornos, volatilidade e taxas

Posição no roteiroMódulo 2 de 3 · Tópico 5 de 9
2.5 Uma autorregressão vetorial de retornos, volatilidade e taxas
—Nota do lab— / 100XP total—Sequência—

Várias séries, cada uma explicando as outras

Uma autorregressão vetorial de ordem p regride o vetor yₜ de k variáveis sobre suas próprias p defasagens: yₜ=c+A₁yₜ₋₁+…+Aₚyₜ₋ₚ+eₜ. Cada equação tem os mesmos regressores, então cada uma se estima por mínimos quadrados ordinários, e o elemento (A₁)ⱼᵢ da matriz diz quanto a variável i do período anterior move agora a variável j. VAR(data).select_order(6) compara as defasagens 1 a 6 pelo AIC, pelo BIC e outros (o BIC prefere menos defasagens porque cobra mais por parâmetro); VAR(data).fit(p) estima o modelo; res.is_stable() verifica que todas as raízes do polinômio de defasagens ficam fora do círculo unitário, o que faz os choques se dissiparem. Com o retorno mensal do SPY, a log-volatilidade e a variação da taxa de 10 anos em 258 meses, o AIC escolhe 2 defasagens e o BIC 1.

A causalidade de Granger é um enunciado de previsão, não de causalidade: x causa y no sentido de Granger se as defasagens de x acrescentam poder preditivo a y além das defasagens do próprio y, o que se testa com um teste F de que os coeficientes de x na equação de y são todos zero. res.test_causality('lvol', ['ret'], kind='f') dá a estatística e o valor p. Nos dados, os retornos das ações lideram a volatilidade (p=0,005) e as taxas (0,006); a volatilidade (0,95) e as variações de taxa (0,74) não lideram os retornos. Uma resposta ao impulso segue um choque pelo sistema: é o elemento (j,i) de A₁^s após s passos (para um VAR(1)). Um choque unitário no retorno mensal (100 %) reduz a log-volatilidade em 1,82 no mês seguinte, depois 0,87, 0,49, 0,27, apagando-se porque o sistema é estável; para uma queda de 5 % multiplique por -0,05: a volatilidade sobe cerca de 9 %, o efeito alavancagem. res.forecast(last_obs, steps) itera o modelo a partir das últimas p observações e dá previsões conjuntas: a log-volatilidade deriva de -2,12 rumo à média.

  • Escolha a defasagem com AIC e BIC (o BIC prefere menos) e verifique se o sistema é estável.
  • A causalidade de Granger é preditiva, não causal: um teste F nas defasagens de uma variável na equação de outra.
  • Respostas ao impulso mostram como um choque se dissipa; reduza um choque unitário a um tamanho realista antes de lê-lo.

Lab: o que é avaliado

  • Escolher a defasagem10 pts
  • Ajustar o VAR10 pts
  • Um teste de Granger15 pts
  • A tabela de Granger10 pts
  • A resposta ao impulso15 pts
  • A previsão conjunta10 pts
  • O estudo do VAR30 pts
Explorador · lab-sx-17
▾ lab-sx-17
▾ data
…
bash · no navegador
learner@quantcraft:~/lab-sx-17$
Python ainda não carregadoPythonLn 1, Col 1Spaces: 4UTF-8

Redefinir este tópico?

Tudo em lab-sx-17 volta aos arquivos iniciais e o terminal é limpo. Sua solução atual será perdida — isso não pode ser desfeito.

Será redefinido
  • main.py → código inicial
  • Histórico do terminal e saída dos testes
  • Alterações não enviadas
Será mantido
  • Melhor nota do lab
  • Seu XP e sua sequência
  • Progresso da aula e anotações

Entre para executar o seu código.

Todas as aulas são gratuitas para ler. Crie uma conta ou entre para executar código, rodar os testes e enviar este lab.

  • IDE no navegador com terminal bash — nada para instalar
  • Correção instantânea, XP e o seu lugar no roteiro
Criar uma contaEntrar
OU
Continuar com o GitHub