Estudo de volatilidade aplicado ao Índice NASDAQ com dados de alta frequência

Abstract

Tradicionalmente, o cálculo das estimativas da volatilidade dos retornos financeiros é realizado usando dados diários. Todavia, verificamos uma crescente disponibilidade de dados registados em intervalos de tempo cada vez mais curtos. Para além disso, a emergência da importância da ciência dos dados nas ciências sociais, aliada aos avanços tecnológicos na área da computação, abriram espaço para a investigação empírica voltada para a análise e aplicação dos dados de alta frequência. Esta aplicação dá-se numa cada vez mais crescente diversidade de aspetos dos mercados financeiros. Adicionalmente, a possibilidade de se obterem estimativas mais precisas de volatilidade tem despertado o interesse de muitos pesquisadores na análise deste tipo de dados. Esta dissertação pretende analisar a volatilidade dos retornos de ações individuais, utilizando para o efeito dados caracterizados por uma frequência superior à diária, neste caso, dados correspondentes ao minuto. Para o efeito, e contrariamente a estudos prévios que por usarem elevados volumes de dados, analisam a volatilidade utilizando apenas um número limitado de ativos, como um índice de mercado, nesta dissertação recolheram-se dados ao minuto para 104 empresas pertencentes ao índice NASDAQ e ao próprio índice. A volatilidade de um ativo é uma das informações mais importantes para os investidores do mercado financeiro. Esta refere-se às oscilações de uma determinada variável ao longo do tempo. A sua correta previsão é essencial para determinar estratégias de cobertura de risco e ainda permite captar momentos de grande incerteza no mercado. O objetivo passa por verificar a adequação dos modelos GARCH e EGARCH tradicionais, mas para análise do comportamento da volatilidade utilizando-se dados de retornos de alta frequência. Os resultados permitiram concluir que o Índice NASDAQ e as empresas que o compõem são, na sua generalidade, altamente voláteis e que o período estudado apresenta sinais de assimetria, o que nos permite afirmar que a volatilidade do mercado é maior após “más notícias” do que após “boas notícias”, deixando os investidores mais instáveis e atentos a noticias negativas do que a positivas.

Traditionally, the calculation of volatility estimates of financial returns is performed using daily data. However, we found an increasing availability of data recorded in increasingly short time intervals. In addition, the emergence of the importance of data science in the social sciences, coupled with technological advances in the field of computing, opened up space for empirical research aimed at the analysis and application of high frequency data. This application takes place in an increasingly growing diversity of aspects of the financial markets. In addition, the possibility of obtaining more accurate volatility estimates has aroused the interest of many researchers in the analysis of this type of data. This dissertation intends to analyze the volatility of the returns of individual shares, using data characterized by a frequency higher than the daily, in this case, data corresponding to the minute. For this purpose, and contrary to previous studies that use high volumes of data, they analyze volatility using only a limited number of assets, such as a market index, in this dissertation data was collected per minute for 104 companies belonging to the NASDAQ index and to the index itself. An asset's volatility is one of the most important information for financial market investors. This refers to the oscillations of a given variable over time. Its correct forecast is essential to determine risk hedging strategies and allows to capture moments of great uncertainty in the market. The objective is to verify the adequacy of the traditional GARCH and EGARCH models, but to analyze the behavior of volatility using high frequency returns data. The results allowed us to conclude that the NASDAQ Index and the companies that compose it are, in general, highly volatile and that in the period studied there is evidence of signs of asymmetry, which allows us to affirm that the market volatility is greater after “bad news” then after “good news”, leaving investors more unstable and aware to negative news than positive ones.