0029656

UNIVERSIDADE FEDERAL DE ITAJUB
Mayra Moutinho Cardoso
SIMULAO DE MODELOS GARCH PARA

SRIES TEMPORAIS UNIVARIADAS DE
DEMANDA DE ENERGIA ELTRICA PARA
CONSUMIDORES LIVRES EM REGIME DE
CURTO PRAZO
Dissertao submetida ao Programa de Ps-

Graduao em Engenharia de Produo como
requisito parcial obteno do ttulo de Mestre
em Engenharia de Produo
Orientador: Prof. Pedro Paulo Balestrassi, Dr.
Itajub
2005
UNIVERSIDADE FEDERAL DE ITAJUB
Mayra Moutinho Cardoso
SIMULAO DE MODELOS GARCH PARA

SRIES TEMPORAIS UNIVARIADAS DE
DEMANDA DE ENERGIA ELTRICA PARA
CONSUMIDORES LIVRES EM REGIME DE
CURTO PRAZO
Dissertao aprovada por banca examinadora em 29 de julho de 2005, conferindo ao

autor o ttulo de Mestre em Engenharia de Produo
Banca Examinadora:
Prof. Pedro Paulo Balestrassi, Dr. (Orientador)

Prof. Joo Batista Turrioni, Dr. (UNIFEI)
Kevin Theodore Fitzgibbon, PhD
Itajub
2005
Ficha catalogrfica elaborada pela Biblioteca Mau
Bibliotecria Jacqueline R. Oliveira Balducci - CRB_6/1698
C268s
Cardoso, Mayra Moutinho.

Simulao de Modelos GARCH para Sries Temporais Univariadas
de Demanda de Energia Eltrica para Consumidores Livres em Regime de
Curto Prazo / por Mayra Moutinho Cardoso. -- Itajub (MG) : [s.n.],
2005.
173 p. : il.
Orientador : Prof. Dr. Pedro Paulo Balestrassi

Dissertao (Mestrado) Departamento de Engenharia Produo
Universidade Federal de Itajub
1. GARCH. 2. Volatilidade. 3. Simulao. 4. Energia Eltrica

I. Balestrassi, Pedro Paulo, orient. II. Universidade Federal de Itajub. IV.
Ttulo.
CDU 658:620(043.2)
AGRADECIMENTOS
Agradeo a meu orientador e amigo, professor Pedro Paulo Balestrassi pelo incentivo dado,
pela confiana, pela pacincia, pela amizade e pela dedicao em estar sempre pronto a me
ajudar.
Ao meu marido Levindo, que sempre esteve ao meu lado, agradeo pela grande ajuda,
carinho, incentivo, companhia, compreeenso e principalmente pacincia pela minha falta de
tempo.
Aos meus pais, Marilio e Diva, e a meu irmo Fabiano, agradeo de corao, pela ajuda,
carinho, incentivo, pacincia e apoio.
Aos meus familiares com os quais no pude conviver muito este ltimo ano por causa deste
trabalho.
Aos meus amigos que torceram por mim e compreenderam minha ausncia, em especial Isa,
B e L.
Agradeo tambm a todas aquelas pessoas que, direta ou indiretamente, contriburam para a
realizao deste projeto.
Agradeo a Deus por colocar no meu caminho estas pessoas maravilhosas.
Muito obrigada a todos vocs que me ajudaram a vencer este desafio!

RESUMO
O presente trabalho tem como proposta determinar um modelo quantitativo consistente
e representativo para a previso da volatilidade da demanda de energia eltrica para
consumidores livres em regime de curto prazo, atravs da simulao de modelos GARCH
para sries temporais univariadas, no qual ser avaliado o comportamento das cargas
industriais presentes nos dados utilizados, objetivando a previso da volatilidade de curto
prazo (uma semana). O trabalho apresenta uma reviso da literatura sobre alguns modelos
estatsticos de previso e principalmente sobre o modelo GARCH, utilizado neste trabalho,
apresentando suas particularidades e aplicabilidades. A simulao realizada fundamenta-se na
construo de modelos no lineares univariados de previso da volatilidade associada
demanda com base em dados de sries temporais. Para tal foi criado um programa baseado na
toolbox GARCH do Software MATLAB 7.0.1
Por fim, o trabalho faz anlises dos resultados obtidos da simulao e previso
realizada e prope sugestes para trabalhos futuros, objetivando sempre resultados cada vez
mais precisos para uma previso.
Palavras-Chaves: GARCH, Volatilidade, Simulao, Energia Eltrica.

ABSTRACT
This work proposes to determine a consistent and representative quantitative model for
the volatility forecast of electric power demand, for independent consumers, in short-term
regimen, through the simulation of GARCH models for temporary univariate series, in which
the behavior of present industrial loads will be evaluated using actual data, aiming at the
forecast of the volatility of short-term (one week). This study presents a revision of the
literature on some statistical models of forecast and mainly on the GARCH model used in this
work, presenting its particularities and applicability. The accomplished simulation is based in
the construction of non-linear univariate models in order to forecast the volatility associated
with the demand, and is based on data of power demand time series. A software program was
developed, based on the toolbox GARCH of the Software MATLAB 7.0.1 , to support the
study.
Finally, the work makes analyses of the obtained results from the simulation and
accomplished forecast and it proposes suggestions for future works, looking for a continued
improvement in results for a better volatility forecast.
Key-Words: GARCH, Volatility, Simulation, Electric Energy.

SUMRIO
1 INTRODUO 14
1.1 Consideraes Iniciais 14
1.2 Justificativa 17
1.3 Descrio do Problema 21
1.4 Objetivo Principal 22
1.5 Objetivos Secundrios 23
1.6 Resultados Esperados 23
1.7 Limitaes do Trabalho 24
1.8 Estrutura do Trabalho 25
1.9 Metodologia de Trabalho 26
1.9.1 Elaborao de um modelo de previso 27
2 REVISO BIBLIOGRFICA 31
2.1 Introduo 31
2.2 Srie Temporal 33
2.3 Mtodos de Regresso 37
2.4 Anlise de Regresso 38
2.5 Rudo Branco 41
2.6 Processo Estacionrio 42
2.7 Funo de Autocorrelao 43
2.8 Modelos de Previso 45
2.8.1 Suavizao Exponencial 45
2.8.2 Modelo Auto Regressivo (AR) 45
2.8.3 Modelo de Mdias Mveis (MA) 46
2.8.4 Modelo Auto-Regressivo de Mdia Mvel (ARMA) 48
2.8.5 Modelo Auto-Regressivo Integrado e de Mdia Mvel (ARIMA) 49
2.8.6 Modelo Sazonal Auto-Regressivo Integrado de Mdia Mvel (SARIMA) 53
2.8.7 Redes Neurais (RNA) 54
2.8.8 Mixture Density Network (MDN) 57
2.9 Mtodo dos Mnimos Quadrados 59
2.10 Mtodo da Mxima Verossimilhana 61
2.11 Critrio de Validao 61
3 Modelos GARCH 63
3.2 Modelo ARCH (Autoregressive Conditional Heteroscedasticity) 67
3.3 Modelo GARCH (Generalized Autoregressive Conditional Heteroscedasticity) 69
3.4 A Utilizao de GARCH 71
3.5 Limitaes do Modelo GARCH 75
3.6 Princpio do Modelo GARCH 76
3.7 O Modelo Padro 76
3.8 Mdia e Varincias Condicionais 78
3.9 Modelo Geral GARCH (P,Q) 79
3.10 Variaes do GARCH 80
3.10.1 EGARCH Exponential GARCH 80
3.10.2 Modelo GJR Glosten, Jagannathan and Runkle 81
3.10.3 IGARCH Integrated GARCH 82
3.10.4 TGARCH Threshold GARCH 83
3.10.5 ARCH-M ARCH em Mdia 83
3.11 Estimao de Coeficientes 84
3.12 Predio da Volatilidade 84
3.13 Previso de Sries Temporais Utilizando o Modelo GARCH 85
3.14 Pr Estimao 85
3.14.1 Srie Original x Srie Transformada 86
3.14.2 Correlao e Previso de Sries Temporais de Retornos 87
3.14.3 Grficos de Autocorrelao e de Autocorrelao Parcial 88
3.14.4 Testes de Hiptese na Correlao-Teste Q de Ljung-Box-Pierce e o Teste de
Engle 90
3.15 Estimao Paramtrica 92
3.15.1 Estimao dos Parmetros do Modelo 92
3.15.2 Exame do Modelo GARCH calculado 92
3.16 Ps-Estimao 93
3.16.1 Anlise das Inovaes, Desvios Condicionais e Retornos Estimados. 93
3.16.2 Correlao das Inovaes. 93
3.16.3 Simulao 94
4 SIMULAO E ANLISE DOS DADOS 95
4.2 Caracterizao da Srie Histrica de Demanda 95
4.3 Metodologia 98
4.4 Pr-Estimao 102
4.4.1 Anlise da Srie Original 102
4.4.2 Srie Transformada 103
4.4.3 Anlise de Correlao 105
4.4.4 Correlao Quadrtica 110
4.4.5 Ljung-Box-Pierce Q-Test 111
4.4.6 Engles ARCH Test 113
4.5 Estimao dos Parmetros do Modelo 115
4.6 Ps-Estimao 117
4.6.1 Anlise das Inovaes, Desvios Condicionais e Diferenas 118
4.6.2 Correlao das Inovaes (Grficos, Comparaes e Quantificao) 119
4.6.3 Simulao 121
4.7 Previso da Volatilidade da Srie de Cargas 123
4.8 Validao do Modelo 128
4.8.1 Anlise do Erro da Volatilidade 128
5 CONCLUSO 135
5.1 Aplicao de um Modelo GARCH Previso da Volatilidade 135
5.2 Sugestes para Trabalhos Futuros 137
5.3 Comentrios Finais 139
BIBLIOGRAFIA 141
ANEXO A FLUXOGRAMA DAS FUNES 150
ANEXO B CDIGO DO PROGRAMA 151
GLOSSRIO
ACF Autocorrelation Function
ACL Ambiente de Contratao Livre
AGARCH Asymmetric GARCH
AR Auto-Regressive
ARCH Auto-Regressive Conditional Heteroscedasticity
ARCH-M ARCH-em-Mdia
ARIMA Auto-Regressive Integrated Moving Average
ARMA Auto-Regressive Moving Average
ARMAX Auto-Regressive Moving Average Extended
CCEE Cmara de Comercializao de Energia Eltrica
DEI Duke Energy International
DMAIC (Six Sigma) Definio, Medio, Anlise, Melhoria, Teste
EGARCH Exponential GARCH
EWV Exponentially Weighted Volatility
EWMA Exponentially Weighted Moving Average
GARCH Generalized ARCH (modelos de previso que consideram a
volatilidade)
GJR Glosten, Jagannathan and Runkle
IBOVESPA ndice da Bolsa de Valores do Estado de So Paulo
GUI Graphical User Interface
IGARCH Integrated GARCH
I.I.D Independente e identicamente distribudo
LLF Log-Likelihood Function
LEAD TIME Perdo entre a deciso de se comear um projeto e sua finalizao
MA Moving Average
MAE Mercado Atacadista de Energia (Eltrica)
MAPE Mean Absolute Percentile Error
MDN Mixture Density Network
MMSE Minimum mean square error
PACF Partial Autocorrelation Function
PCCP Previso de Carga a Curto Prazo
PDP Parallel Distributed Process
PE Processo Estocstico
PGARCH Power GARCH
QGARCH Quadratic GARCH
RMSE Root mean square error
RNA Redes Neurais Artificiais
SARIMA Seasonal Auto Regressive Integrated Moving Average
SPOT Referncia dos preos para os contratos de compra e venda entre os
diferentes agentes do mercado
TGARCH Threshold GARCH
VaR Value-at-Risk
VARINCIA Desvio quadrtico mdio da mdia
VOLATILIDADE Varincia varivel no tempo
LISTA DE FIGURAS
Figura 1-1 Consumo Mensal de um Consumidor Livre 20

Figura 1-2 Etapas do modelo de previso (TUBINO, 2000) 27
Figura 2-1 Srie Temporal e Caractersticas de Distribuio de Probabilidade Tpica 34
Figura 2-2 Evoluo Mensal do IBOVESPA (BOVESPA 2005) 35
Figura 2-3 Erro com Disperso 42
Figura 2-4 ACF e PACF para um Modelo AR(1) 51
Figura 2-5 ACF e PACF para um modelo MA (1) 52
Figura 2-6 Fluxograma do Modelo ARIMA de Box e Jenkins 53
Figura 2-7 Representao Grfica de uma RNA 56
Figura 2-8 Estrutura MDN 58
Figura 2-9 Estrutura MDN de Dimenso 5 59
Figura 2-10 Mtodo dos Mnimos Quadrados 60
Figura 3-1 Volatilidade Mensal Anualizada do ndice IBOVESPA. (BOVESPA, 2005) 65
Figura 3-2 Excesso de Curtose de Sries Temporais Financeiras 72
Figura 3-3 Representao esquemtica da curtose 73
Figura 3-4 Agrupamento (Clustering) 73
Figura 3-5 Exemplo de um Modelo GARCH para Mdia e Varincia Condicional 77
Figura 3-6 Comportamento no estacionrio de uma srie de valores 86
Figura 3-7 Srie de Retornos 87
Figura 3-8 Grfico da Funo de Autocorrelao (ACF) 89
Figura 3-9: Grfico de Autocorrelao para os Retornos Quadrticos 90
Figura 3-10 Avaliao do Erro de Deciso e Representao das Probabilidades e 91
Figura 3-11 Regies de Rejeio e Aceitao de Ho para uma distribuio Qui-Quadrado 91
Figura 4-1 Grfico Comparativo da Demanda pelos Dias da Semana 96
Figura 4-2 Grfico Comparativo da Demanda dos Dias da Semana x Domingo e Feriados 97
Figura 4-3 Grfico comparativo do Comportamento das Mdias dos Patamares 97
Figura 4-4 Grfico comparativo do Comportamento das Mdias dos Patamares 98
Figura 4-5 Estratgia de Investigao da Aplicabilidade dos Modelos GARCH Previso de
Volatilidade 99
Figura 4-6 Pgina Principal do Programa MATLAB 7.0.1 101
Figura 4-7 Grfico da Srie Univariada Original de Cargas, em Base Horria (Dez/2002 a
Jun/2003) 103
Figura 4-8 Srie de Retornos Transformada a Partir da Srie Original 104
Figura 4-9 Grfico de Autocorrelao da Srie dos Retornos 105
Figura 4-10 Grfico de Autocorrelao Parcial da Srie de Retornos 106
Figura 4-11 Grfico de Autocorrelao Quadrtica dos Retornos 110
Figura 4-12 Resultados da Estimao do Modelo GARCH 116
Figura 4-13 Grfico das Inovaes, Desvios Condicionais e Retornos Estimados 118
Figura 4-14 Coeficientes de Variao das Inovaes 119
Figura 4-15 Grfico da Funo de Autocorrelao Quadrtica das Inovaes 120
Figura 4-16 Volatilidade Simulada e Prevista usando o Modelo GARCH 125
Figura 4-17 - Volatilidade Simulada e Prevista usando o Modelo GARCH (intervalo de 80 a
150 horas) 126
Figura 4-18 Estatstica Descritiva do Erro de Volatilidade 129
Figura 4-19 Histograma do Erro de Volatilidade 129
Figura 4-20 Erro de Volatilidade Caso 1 131
LISTA DE TABELAS
Tabela 4.1 Resultados do Teste de Hiptese Ljung-Box-Pierce Q-Test para Correlao de
Retornos 111
Tabela 4.2 Estatsticas do Teste de Hiptese de Engle para a Srie de Retornos 113
Tabela 4.3 Resultados da Estimao do Modelo GARCH 115
Tabela 4.4 Resultados do Teste Ljung-Box para as Inovaes 121
Tabela 4.5 Comparaes de Simulaes e Previses para o Erro da Volatilidade 130
Tabela 4.6 Parmetros calculados do Modelo 130
LISTA DE QUADROS
Quadro 4.1 Fluxograma do Mtodo de Desenvolvimento de Modelos GARCH 100
Quadro 4.2 Funo PRICE2RET 104
Quadro 4.3 Funo AUTOCORR 107
Quadro 4.4 Funo PARCORR 109
Quadro 4.5 Funo LBQTEST 113
Quadro 4.6 Funo ARCHTEST 114
Quadro 4.7 Funo GARCHFIT 117
Quadro 4.8 Funo UGARCHSIM 122
Quadro 4.9 Funo UGARCH 124
Quadro 4.10 Funo UGARCHPRED 127
Captulo 1 - INTRODUO 14
1 INTRODUO
Este captulo retrata algumas particularidades do mercado de energia eltrica bem
como as teorias associadas ao tema, e descreve a proposta do trabalho para previso da
volatilidade associada demanda para consumidores livres, considerando o objetivo
proposto, resultados esperados e metodologia utilizada.
1.1 Consideraes Iniciais

Segundo Makridakis et al. (1983), comumente existe um atraso de tempo entre um
evento futuro (que desconhecido) e a ocorrncia efetiva daquele evento. Esta diferena de
tempo a principal razo para planejar e prever. Se o lead time (perdo entre a deciso de se
comear um projeto e sua finalizao) zero ou muito pequeno, no h necessidade para
planejamento. Porm se o lead time longo e o resultado do evento final condicional na
identificao dos fatores, o planejamento pode executar um importante papel. Nestas
situaes a previso necessria para determinar quando um evento ir ocorrer ou quando
uma necessidade surge, possibilitando que aes apropriadas possam ser tomadas, ou seja, a
previso um suporte importante para um planejamento efetivo e eficiente.
Martins e Laugeni (1999) consideram a previso como um processo metodolgico

para a determinao de dados futuros baseados em modelos estatsticos, matemticos ou
economtricos, ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho
clara e previamente definida.
Morettin e Toloi (1987) afirmam que a previso no constitui um fim em si, mas
apenas um meio de fornecer informaes para uma conseqente tomada de deciso, visando
determinados objetivos.
Segundo Arnold (1999), as previses possuem quatro princpios fundamentais:
1. as previses geralmente apresentam erros e, sendo assim, os erros so inevitveis e

devem ser esperados;
2. cada previso deve conter uma estimativa de erro, que freqentemente expressa
em uma porcentagem da previso ou como uma mdia entre os valores mximo e mnimo;
3. as previses so mais precisas para famlias ou grupos de dados;

4. as previses so mais precisas para perodos de tempo mais prximos, isto , o

futuro prximo impe menos incertezas que o futuro distante.
Corra et al. (2000) tambm salientam que previses para horizontes maiores possuem
um grau de incerteza maior. Isto , o erro crescente com o tempo.
Igualmente, vlido considerar a declarao de George Box (1976) na qual diz que
todos os modelos esto errados, mas alguns so teis. Para Angkaw (2005), tal afirmao
importante como um princpio que servir como um guia para formulao e interpretao de
modelos de previso, porm literalmente a citao de Box est realmente errada. Por
definio, todos os modelos de previso esto errados no sentido de serem representaes
simplificadas da realidade. Porm, dado que os modelos pretendem ser somente
representativos, alguns modelos realmente podem ser mais representativos que outros, ou
seja, podem estar mais corretos que outros. Para avaliar a utilidade de um modelo, devem ser
examinadas as expectativas do modelo, ou seja, a utilizao da resposta deste modelo. Dentro
do escopo de que um modelo certo deve cumprir com o propsito especfico em seu
contexto original, tambm provvel que seja um modelo til.
As previses de demanda, em especial, exercem um importante papel em diversas

reas na gesto de organizaes; por exemplo, na rea financeira (no planejamento da
necessidade de recursos), na rea de recursos humanos (no planejamento de modificaes no
nvel da fora de trabalho) entre outros. Tais previses so tambm essenciais na
operacionalizao de diversos aspectos do gerenciamento da produo, como no
desenvolvimento de planos agregados de produo (PELLEGRINI e FOGLIATTO, 2001).
No mercado de energia eltrica a previso de preos vem se tornando particularmente

cada vez mais relevante para produtores e consumidores no mercado competitivo de energia.
Tanto para o mercado spot (referncia dos preos para os contratos de compra e venda entre
os diferentes agentes do mercado) quanto para os contratos de longo prazo, a previso de
preos necessria para desenvolver estratgias de licitao ou habilidade de negociao para
maximizar lucros (GARCIA et al., 2005).
A indstria de energia requer previses em intervalos de curto prazo (alguns minutos,

horas ou dias frente) e de longo prazo (at 20 anos frente) (ZAGRAJEK e WERON,
2002).
As previses de curto prazo, especificamente, tm-se tornado mais importante desde o

aumento da competitividade no mercado de energia (ZAGRAJEK e WERON, 2002). Para
Topalli e Erkmen (2003), as previses de carga em curto perodo so definidas como
previses que variam no intervalo de uma hora a uma semana. E devem ser feitas de modo a
adaptar a demanda de energia com a sua gerao.
A preciso de previses de demanda em curto prazo tem efeitos significativos nas

operaes de energia. Erros nesta previso resultam em aumento dos custos operacionais.
Portanto, extremamente importante prever a carga eltrica para perodos curtos, com baixa
incerteza (TOPALLI e ERKMEN, 2003).
Zagrajek e Weron (2002) apontam algumas consideraes:
o Durante a ltima dcada muitos pases privatizaram e desregularam o mercado de

energia e a eletricidade tornou-se uma commodity que pode ser vendida e
comprada a preo de mercado.
o Porm, em relao ao mercado de energia preciso ter em mente que a

eletricidade no pode ser simplesmente fabricada, transportada ou entregue. E
como ela no estocvel (pelo menos no economicamente), a oferta e demanda
caracterizam uma situao tensa e incerta. Mudanas relativamente pequenas na
carga ou na gerao de energia podem causar grandes mudanas no preo e tudo
isto em questes de horas, seno de minutos. A este respeito, no h nenhum outro
mercado como este.
o A previso de demanda vital para a indstria de energia, entretanto uma difcil

tarefa. Em primeiro lugar porque a srie temporal de carga eltrica exibe
sazonalidade diria, semanal e anual. Segundo, porque existem muitas variveis
exgenas que devem ser consideradas, como as condies climticas, que so as
maiores influncias.
Vrios modelos e mtodos de previses j tm sido experimentados, com graus

variados de sucesso. Eles podem ser classificados em duas grandes categorias: clssica (ou
estatstica) e tcnicas baseadas em inteligncia artificial (ZAGRAJEK e WERON, 2002)
Os modelos estatsticos podem ser exemplificados pelos modelos AR (Auto

Regressive), MA (Moving Average), ARMA (Auto Regressive - Moving Average), ARIMA
(Auto Regressive Integrated Moving Average), SARIMA (Seasonal Auto Regressive
Integrated Moving Average), ARCH (Autoregressive Conditional Heteroscedasticity),

GARCH (Generalized Autoregressive Conditional Heteroscedasticity). Modelos baseados em
inteligncia artificial podem ser exemplificados por Redes Neurais (RNA), e MDN (Mixture
Density Network).
Estas tcnicas de previso auxiliam a tomada de decises em atividades que

necessitam de planejamento e reduo da incerteza, tornando assim os possveis e futuros
riscos mais visveis e conseqentemente mais gerenciveis (MAKRIDAKIS et al., 1983).
Baseados na anlise somente da varivel em si, tais modelos so construdos a partir

de processos estocsticos especiais, que buscam estimar o valor futuro da varivel em questo
com base somente em seus valores passados (BOX e JENKINS, 1994).
De uma forma geral, entre as vantagens de uma boa previso, temos: menor estoque
em processos de manufatura, custo financeiro e tempo de entrega, maior previsibilidade e
satisfao do cliente, melhor atendimento da demanda entre outros (MAKRIDAKIS et al.,
1983).
1.2 Justificativa
A reestruturao do setor eltrico no mundo teve incio na dcada passada, com a
desverticalizao das empresas e alterao em suas atividades. Esta reestruturao consistiu,
principalmente, na mudana de um ambiente de monoplio baseado no custo para um
ambiente de competio baseado no preo (DEKRAJANGPETCH e SHEBL, 2000).
Anteriormente a este novo cenrio as empresas eltricas tinham que abastecer uma
demanda atravs da disponibilidade de usinas de gerao e redes de transmisso e
distribuio. No sistema eltrico regulado todas as relaes comerciais que se estabeleciam,
da produo at venda da eletricidade, eram contratadas e aprovadas pela entidade
reguladora. Os preos de venda aos clientes finais eram fixados de modo a obter o volume
monetrio global que satisfizesse as obrigaes decorrentes da regulao (PINTO, 2001).
Por volta da dcada de 80, o mercado de energia eltrica passou a ter seu alicerce
conceitual modificado, passando a considerar a existncia de concorrncia na gerao de
energia eltrica, com base em preos spot e em uma nova estrutura do mercado a fim de
proporcionar um funcionamento mais eficiente do setor eltrico (DEKRAJANGPETCH e
SHEBL, 2000).
O setor eltrico brasileiro foi um dos primeiros setores a incorporar as reformas de

Estado trazidas pelas experincias da Nova Zelndia, Inglaterra e Estados Unidos.
Especificamente, os servios pblicos de distribuio de energia eltrica brasileira que eram
realizados por empresas estaduais e controlada por rgo federal, passaram ento a serem
exercidos por empresas ou grupos privados e controlados por agncias reguladoras federais ou
estaduais (SANTOS, 2003).
Com a abertura do mercado, a produo e a comercializao (venda) de eletricidade

tornaram-se segmentos de grande concorrncia, passando de monoplio regulado ao mercado
de concorrncia. Com isto, empresas produtoras de energia eltrica concorrem para colocar a
sua energia no mercado atacadista de eletricidade que fornece energia ao sistema eltrico. A
conseqncia dessa concorrncia a obteno de um preo de equilbrio de mercado, que
representa o menor custo de gerao para cada hora do dia (DUKE ENERGY BRASIL,
2004).
J que os clientes industriais possuem a opo de escolha de seu fornecedor de energia

eltrica, essa escolha acaba sendo, invariavelmente, baseada em um critrio dominante: o
preo (ANEEL, 2004).
Os clientes industriais, chamados de consumidores livres, onde podem ser

enquadrados fbricas, shoppings, indstrias, podem escolher sua empresa fornecedora de
energia e gerenciar suas necessidades da maneira mais conveniente, levando em conta preos,
produtos e qualidade de servios, conforme as condies previstas nos artigos 15 e 16 da Lei
n 9.074, de 7 de julho de 1995 e Decreto n 5.163 (ENERTRADE, 2004).
Desde 2000, todos os consumidores com demanda superior a 3 MW e tenso maior

que 69 KV so considerados consumidores (clientes) livres, mantidos os pr-requisitos dos
contratos bilaterais vigentes. Porm, invariavelmente, estes valores estipulados podem ser
modificados (ENERTRADE, 2004).
Por isto a preocupao do comercializador conseguir comprar energia ao melhor

preo no mercado de atacado e conseguir clientes para vender esta energia. As empresas
produtoras do mercado vendem sua produo no mercado de atacado, ao preo spot de
eletricidade (DUKE ENERGY BRASIL, 2004).
O mercado atacadista exerce um papel extremamente importante no funcionamento do

mercado eltrico, pois nele onde acontece a formao do preo de eletricidade. A idia
central do Mercado Eltrico Desregulado que os produtores concorram pela colocao da

sua energia gerada nas transaes dirias realizadas no mercado de atacado, enquanto os
comercializadores concorrem para conseguir maior quantidade de contratos de venda de
energia oferecendo o menor preo possvel (DUKE ENERGY BRASIL, 2004).
Novas formas de negociao no mercado atacadista foram estabelecidas. Entre elas:
Contratos bilaterais previamente fixados com vigncia, preo e quantidade

comercializada.
Vendas no mercado spot, cujo preo varia de acordo com a relao entre oferta e
procura.
Mercados futuros de energia, que funcionam como hedges, buscando minimizar

os riscos associados variao de preos (ANEEL, 2004).
A maior parcela do mercado de energia com consumo mais significativo (caracterizada

pelas grandes cargas industriais), negociada pelas empresas geradoras e as de servio
pblico de distribuio e varejo, atravs dos contratos bilaterais que especificaro o valor e o
montante acordado durante sua vigncia. O objetivo desses contratos proteger as partes
contra a exposio ao risco representado pela potencial volatilidade (medida da intensidade
das variaes no tempo quase sempre imprevisveis) do preo spot de energia da Cmara de
Comercializao de Energia Eltrica (CCEE), antigo MAE Mercado Atacadista de Energia
Eltrica (CAIO e BERMANN, 1998).
O cenrio atual do mercado de energia eltrica pode ser exemplificado atravs da

Figura 1-1, que representa o contrato bilateral estabelecido entre um cliente e a empresa
geradora de energia, assim como a influncia do preo spot de energia da CCEE na compra de
energia eltrica pelo consumidor livre.
Figura 1-1 Consumo Mensal de um Consumidor Livre
O consumidor livre pode ter a opo de compra e venda de energia eltrica, tanto pelas
empresas geradoras quanto pelo mercado atacadista. Pela Figura 1-1 observa-se que a linha
preta representa a quantidade de energia eltrica contratada entre a empresa geradora de
energia e o consumidor livre. A linha verde representa a quantidade mxima que a empresa
geradora disponibiliza alm do valor contratado, caso ele tenha uma necessidade maior de
demanda. E mesmo que o consumidor livre no utilize a energia eltrica contratada ele deve
pagar por uma quantidade mnima de energia eltrica para a empresa geradora, representada
pela linha azul. A linha vermelha representa a energia eltrica realizada (ou seja, utilizada)
pelo consumidor livre. Pode se observar pelo grfico que em Jan05 a CCEE possua um preo
spot da energia mais atrativo que o preo contratado entre o consumidor livre e a empresa
geradora. Assim o consumidor livre passou a comprar o mnimo obrigatrio de energia da
empresa geradora e o restante da energia necessria passou a comprar no mercado atacadista
atrves da CCEE (representado pela linha roxa).
Este cenrio atual exemplifica claramente que os valores mximo e mnimo de energia
contratada, assim como a comparao entre a demanda de energia contratada e a demanda real
de energia so valores bastante distintos, caracterizando uma dificuldade de planejamento em
decorrncia da grande variao na demanda da energia eltrica (volatilidade), que cada vez
mais se torna muito semelhante a um mercado de aes, j que os preos spot so negociados
como aes.
A srie de demanda da eletricidade caracteriza-se por uma dinmica no linear,

sobressaindo uma forte dependncia da variabilidade instantnea da srie em relao ao seu
prprio passado. Do ponto de vista da teoria estatstica, os modelos do tipo GARCH podem
ser considerados como modelos no lineares especficos de sries temporais, que permitem
um estudo aprofundado das dinmicas subjacentes (PONG et al., 2003).
A principal justificativa para este trabalho consiste na preocupao do aumento

da eficincia do mercado de eletricidade brasileiro considerando aspectos como
planejamento, operao, superviso, otimizao e principalmente previso, utilizando
modelos GARCH.
1.3 Descrio do Problema

Dada a nova configurao do setor eltrico com a possibilidade de realizao de
contratos bilaterais livres, torna-se necessrio avaliar os riscos associados aos portiflios de
contratos.
Apesar do redesenho estabelecido pela Lei 10848/20041 e do Decreto 5163/20042,

existe ainda o Ambiente de Contratao Livre (ACL) que possibilita as transaes livres, de
compra e venda de energia eltrica, conforme regras e procedimentos de comercializao
especficos (ANEEL, 2004).
importante lembrar que a poltica energtica no deve se limitar a tratar apenas da

oferta, mas buscar adequ-la demanda (CAIO e BERMANN, 1998).
Por isto no mercado de energia eltrica a administrao do risco relativo volatilidade

da demanda de energia essencial para o desenvolvimento de previses consistentes, que
um importante instrumento para tomada de deciso. Porm h dificuldade em se encontrar um
modelo de previso especfico que atenda as particularidades do mercado de energia, que
envolve demanda de energia e sua volatilidade associada.
1
LEI 10.848, DE 15 DE MARO DE 2004. - Dispe sobre a comercializao de energia eltrica, altera as Leis nos 5.655, de 20 de maio de
1971, 8.631, de 4 de maro de 1993, 9.074, de 7 de julho de 1995, 9.427, de 26 de dezembro de 1996, 9.478, de 6 de agosto de 1997, 9.648,
de 27 de maio de 1998, 9.991, de 24 de julho de 2000, 10.438, de 26 de abril de 2002, e d outras providncias.
2
Decreto N 5163, de 30 de julho de2004 Regulamenta a comercializao de energia eltrica, o processo de outorga de concesses e de
autorizaes de gerao de energia eltrica, e d outras providncias.
Vrios so os fatores susceptveis de explicar a elevada volatilidade patente na

demanda da eletricidade, fator intrinsecamente associado ao preo da eletricidade. Dentre
eles, o carter no armazenvel da eletricidade , com grande probabilidade, o mais
importante de todos, aliado ao fato de ainda serem escassos os seus bens substitutos ( notria
uma dependncia mundial cada vez maior da energia eltrica). No sendo a eletricidade
armazenvel de modo economicamente eficiente, torna-se imprescindvel um encontro
continuado entre produo e consumo, o que implica que os choques de procura e oferta no
sejam facilmente alisados, com um inevitvel efeito direto sobre os preos de equilbrio.
As caractersticas da procura e da oferta ocupam um papel relevante na volatilidade

(Pong et al., 2003). A procura altamente inelstica, pois a eletricidade um bem de primeira
necessidade, fortemente dependente das condies meteorolgicas. As caractersticas da curva
da oferta de cada mercado, conhecida por supply stack neste contexto, tambm contribuem
para a volatilidade de uma procura especfica.
O problema enfocado neste estudo previso da volatilidade associada

demanda para consumidores livres de energia eltrica considerando os riscos associados
aos portiflios de contratos estabelecidos.
1.4 Objetivo Principal

Neste trabalho ser desenvolvido um modelo quantitativo utilizando como referncias
os dados coletados pela DEI (Duke Energy International) do perodo de 01 de dezembro de
2002 a 16 de junho de 2003 presentes no portiflio de consumidores livres da Duke Energy
Brasil, uma das maiores empresas de gerao e comercializao de energia do Brasil. Os
dados so tomados em base horria e correspondem s medies de potncia ativa em MW,
totalizando 4.752 medies.
Com o presente trabalho pretende-se analisar e verificar a aplicabilidade do mtodo de

volatilidade da varincia condicional autorregressiva GARCH - na modelagem da srie de
retorno (srie de demanda transformada) at ento considerada.
O princpio bsico dos modelos GARCH que, em geral, grandes mudanas tendem a
ser seguidas por grandes mudanas e pequenas mudanas tendem a ser seguidas por pequenas
mudanas. Sob esta tica, a previso da variabilidade torna-se to importante quanto a
previso dos valores da srie original (ENGLE, 1982).
Um modelo ser determinado atravs da simulao de modelos GARCH para sries

temporais univariadas, no qual ser avaliado o comportamento das cargas industriais
presentes nos dados utilizados, objetivando a previso da volatilidade de curto prazo (neste
estudo considerado uma semana frente).
O objetivo principal deste trabalho determinar um modelo quantitativo que

seja consistente e representativo para a previso da volatilidade associada demanda de
energia eltrica para consumidores livres em regime de curto prazo.
1.5 Objetivos Secundrios

Para alcanar o objetivo principal do trabalho devem-se atingir alguns objetivos
secundrios.
Definir o modelo a ser utilizado com base nas caractersticas da srie considerada.
Aplicar o modelo GARCH em situaes no financeiras.
Medir e quantificar a correlao dos dados da srie.
Estimar os parmetros do Modelo.
Obter a previso da volatilidade da demanda com base nos parmetros estimados.
Analisar as inovaes, desvios condicionais e diferenas.
Analisar a correlao das inovaes.
Analisar os recursos do modelo GARCH para situaes no financeiras.
Avaliar a coerncia dos resultados obtidos, comparando os valores utilizados e os

valores encontrados pelo modelo GARCH.
Sugestes para utilizao de outros possveis modelos de simulao.
Fazer a validao dos dados, atravs da anlise da volatilidade simulada x

volatilidade prevista.
1.6 Resultados Esperados

Como resultados deste trabalho espera-se:
Analisar a srie de retornos para verificar a aplicabilidade do modelo GARCH;

Analisar as correlaes; Testar as hipteses das correlaes; Calcular os
parmetros do modelo GARCH; Estimar inovaes para o modelo; Analisar as
correlaes das inovaes e testar hipteses de validade das correlaes; e
finalmente fazer a previso de volatilidade usando o modelo estimado.
Melhor adequao entre a previso de demanda e a demanda real, possibilitando

um melhor planejamento por parte das empresas comercializadoras de energia,
evitando custos desnecessrios devido a no utilizao da energia por parte dos
clientes e a possibilidade de buscar alternativas emergenciais frente s situaes
adversas que o mercado de energia possa vir a enfrentar.
De forma geral, espera-se que este estudo possa servir como base de auxlio para
estudos similares em outros setores que necessitem de previses na qual possuam uma
srie temporal com comportamentos semelhantes srie utilizada neste estudo, como
a volatilidade condicional (implica que as observaes atuais dependem das
observaes imediatamente anteriores) existente entre os dados da srie e a
estacionariedade (mdia e varincia so constantes) do processo.
A concluso esperada que o modelo GARCH, largamente utilizado para

cenrios financeiros, possa ser tambm utilizado, trazendo resultados satisfatrios e
consistentes, em cenrios no financeiros, no caso no setor de energia eltrica.
1.7 Limitaes do Trabalho

As limitaes do trabalho consideradas so:
A srie temporal de dados no-linear e univariada.
As previses de demanda so realizadas de forma quantitativa, atravs da

utilizao de modelos matemticos para a determinao de valores futuros.
Os dados descrevem o perodo de Dezembro de 2002 a Junho de 2003 (4752

pontos), onde cada ponto representa uma hora medida. Assim as previses
futuras (de Julho a Novembro, em relao aos dados utilizados) seriam feitas
sem ter uma amostra nos dados destes perodos.
Os dados no refletem uma srie financeira e sim uma srie de demanda de

energia eltrica medida em Mega Watts
O modelo utilizado para a previso (GARCH) foi construda, originalmente,

para aplicaes financeiras.
Utilizao do modelo GARCH que faz parte do Software MATLAB 7.0.1
Ser feita a previso da volatilidade associada demanda de energia eltrica e

no a previso da demanda propriamente.
1.8 Estrutura do Trabalho

Quanto estrutura da dissertao, esto inclusos cinco captulos:
1 Introduo: Este captulo retrata algumas particularidades do mercado de energia

eltrica bem como as teorias associadas ao tema, e descreve a proposta do trabalho para
previso da volatilidade associada demanda para consumidores livres, considerando o
objetivo proposto, resultados esperados e metodologia utilizada.
2 Reviso Bibliogrfica: Este captulo apresenta alguns conceitos fundamentais tais

como mtodos de previso, sries temporais, anlise de regresso, erros de previso,
autocorrelao e a definio de alguns modelos estatsticos de previso, como AR, MA,
ARMA, ARIMA, SARIMA e modelos no lineares como Redes Neurais e MDNs.
3 Modelos GARCH: Este captulo aborda os conceitos de modelos de previso

ARCH/GARCH bem como suas particularidades, variaes e aplicabilidades e faz a previso
da volatilidade associada demanda de energia eltrica utilizando o modelo GARCH.
4 Simulao e Anlise dos Dados: Neste captulo ser apresentado um mtodo de

previso da volatilidade de demanda de eletricidade utilizando a ferramenta computacional
MATLAB 7.0.1, empregando os conceitos do modelo GARCH. Este mtodo foi dividido em
trs etapas: pr-estimao, estimao, e ps-estimao. Com a realizao destas fases, que
sero discutidas em detalhes neste captulo, pode-se avaliar a previso da volatilidade.
5 Concluso: Este captulo traz as comparaes entre o objetivo proposto e os

resultados alcanados. Aborda as principais vantagens e desvantagens encontradas na
simulao realizada. Traz ainda sugestes para trabalhos futuros.
1.9 Metodologia de Trabalho

A escolha da simulao como metodologia a ser empregada nesta dissertao
fundamenta-se na construo de modelos no lineares univariados de previso da volatilidade
associada demanda com base em dados de sries temporais. H uma grande variedade de
modelos aplicveis a estudos desta natureza, mas devido s particularidades da srie estudada
ser utilizado o modelo GARCH para a simulao dos dados, utilizando toolboxes do
Software MATLAB 7.0.1 .
O processo de modelagem e simulao pode ser definido como sendo uma

experimentao computacional, onde so usados modelos de um sistema real ou idealizado
para o estudo de problemas reais de natureza complexa, com o objetivo de testar diferentes
alternativas operacionais a fim de encontrar e propor melhores formas de operao que visem
otimizao do sistema como um todo (CARVALHO, 2003).
Segundo Naylor (1971), Pegden et al (1995), Simon (1996), Berto e Nakano (2000), a
simulao uma tcnica numrica que realiza experincias computacionais, utilizando certos
tipos de modelos lgicos que descrevem o comportamento de um sistema econmico ou de
negcios (ou um aspecto parcial de um deles) sobre extensos intervalos de tempo.
A simulao permite que se verifique o funcionamento de um sistema real em um

ambiente virtual, gerando modelos que se comportem como aquele considerando a
variabilidade do sistema e demonstrando o que acontecer na realidade de forma dinmica.
Isto permite que se tenha uma melhor visualizao e um melhor entendimento do sistema real,
compreendendo as inter-relaes existentes no mesmo (CASSEL e MLLER, 1996).
Vrios autores, como Naylor (1971) e Law e Kelton (2000), citam algumas atividades
onde a simulao pode ser utilizada:
Experimentao e avaliao, ou seja, com o intuito de prever as conseqncias das

mudanas sem a necessidade de implement-las no sistema real, evitando gastos
excessivos sem a garantia de obter os resultados almejados.
Anlise das conseqncias de variaes do meio ambiente na operao de um

sistema
Verificao ou comprovao de uma nova idia, sistema ou maneira de resoluo

de um problema.
Comparao as diferentes abordagens de resoluo de problemas obtidas em

outras simulaes, avaliando a capacidade de anlise e tomada de decises por
parte dos pesquisadores.
Obteno de conhecimento atravs das etapas de uma simulao: na formulao

do problema, na construo do modelo e na anlise dos resultados.
Estudo dos modelos em tempo real, reduzido ou aumentado.
Previso e planejamento quantitativo para o futuro.
Devido a sua grande versatilidade e flexibilidade, a simulao largamente utilizada

em operaes tcnicas e atividades de pesquisa, mostrando-se tambm, cada vez mais, uma
poderosa metodologia a ser utilizada pelas empresas na busca por uma melhor
competitividade. Algumas das muitas reas de aplicao da simulao so: sistemas de
computao, sistemas de manufatura, negcios, entidades governamentais, biocincias, etc.
(LOBO e PORTO, 1999).
1.9.1 Elaborao de um modelo de previso

Tubino (2000), em se tratando da elaborao de um modelo de previso, sugere um
modelo composto por cinco etapas, apresentadas na Figura 1-2.
Figura 1-2 Etapas do modelo de previso (TUBINO, 2000)

A primeira etapa refere-se importncia em se definir a razo para se elaborar as

previses, ou seja, que produto ser previsto, qual o grau de acurcia e que recursos estaro
disponveis. Posteriormente, faz-se necessrio coletar e analisar os dados histricos do
produto em questo. Em relao ao processo de anlise e coleta de dados, destaca que quanto
mais dados histricos, mais confivel torna-se a previso.
Aps a coleta e anlise dos dados passados, faz-se necessrio, decidir pela utilizao
da tcnica de previso mais apropriada. Existem tcnicas qualitativas e quantitativas que
podem ser utilizadas no processo de previso. As mesmas, ao seu tempo, sero descritas,
respectivamente, nos tpicos 2.2 e 2.3. Em relao ao processo de deciso supracitado, isto ,
escolha da tcnica de previso, Tubino (2000), destaca os seguintes fatores:
1. Disponibilidade dos dados histricos;
2. Disponibilidade de recursos computacionais;
3. Experincia passada com a aplicao de determinada tcnica;
4. Perodo de planejamento para o qual necessita-se da previso.
A quarta etapa do processo consiste na obteno das previses. A mesma acontece

aps a definio da tcnica de previso a ser utilizada e a aplicao dos dados passados para a
obteno dos parmetros necessrios. Por fim, a quinta e ltima etapa caracteriza-se pela
monitorao do erro entre a demanda real e a prevista. Esse procedimento imprescindvel
para verificar se a tcnica e os parmetros empregados ainda so vlidos.
Por fim, faz-se necessrio salientar que a definio da tcnica de previso mais
apropriada aos dados a etapa mais importante do modelo de previso descrito anteriormente.
Segundo Tubino (2000), as tcnicas de previso possuem as seguintes caractersticas gerais:
1. supe-se que as causas que influenciaram a demanda passada continuaro a agir no

futuro;
2. as previses no so perfeitas, dado a incapacidade de prever em todas as variaes

aleatrias que ocorrero;
3. a acurcia das previses diminui com perodo de tempo auscultado;
Seguindo uma linha de raciocnio semelhante Corra et al. (2000), relacionam alguns
requisitos que devem ser observados para efetuar previses eficazes:
1. Conhecer os mercados, suas necessidades e comportamentos.
2. Conhecer os produtos e seus usos.
3. Saber analisar os dados histricos.
5. Formar uma base de dados relevantes para a previso.
6. Documentar todas as hipteses feitas na elaborao da previso.
7. Trabalhar com fatos e no apenas com opinies.
As atividades do processo de modelagem e simulao iniciam-se pela construo do

modelo, passando pela transformao de modelo conceitual em modelo computacional e
chegando aos testes experimentais (simulao propriamente dita) para a busca das melhores
ou da melhor alternativa (CARVALHO, 2003).
A metodologia de simulao empregada neste trabalho dividiu-se em:
1. Construo do Modelo: Construir um modelo que melhor represente o

funcionamento do problema em estudo sem dvida uma das principais etapas do
processo de simulao, pois exige, necessariamente, um conhecimento minucioso
do cenrio (CARVALHO, 2003). Em relao ao estudo apresentado, a construo
do modelo j foi definida e ser utilizado o modelo de regresso GARCH, que
ser descrito matematicamente e justificado no Captulo 3.
2. Modelagem computacional: Via de regra geral, segundo Carvalho, (2003) na

modelagem computacional so utilizadas:
A coleta de dados e sua modelagem estatstica;
A programao, utilizando um software apropriado natureza do

problema;
A verificao e a validao para transformar o modelo lgico em um

modelo operacional.
Em relao ao estudo apresentado, o modelo computacional criado foi uma rotina

(macro) usando a ferramenta GARCH do MATLAB 7.0.1 , que ser apresentada no
Captulo 4. A validao ser feita atravs da anlise dos erros da simulao.
3. Simulao: Aps a construo e validao do modelo computacional, volta-se

fase de simulao, onde vrias alternativas propostas sero consideradas e
testadas. nessa fase que ocorrem as simulaes, onde possvel fazer anlises a
fim de avaliar o efeito de possveis alteraes antes que elas ocorram de fato. Ou
seja, testar vrias solues para um determinado problema antes que as mesmas
sejam implementadas (CARVALHO, 2003).
Em relao ao estudo apresentado, ser feita uma simulao em ambiente

MATLAB 7.0.1 para um modelo de Previso de Carga a Curto Prazo utilizando
modelos GARCH que pode ser dividida em quatro etapas:
1. Caracterizao da srie histrica de carga;
2. Modelagem da srie usando modelos GARCH;
3. Testes preliminares;
4. Consideraes finais.
As anlises da simulao realizada podem ser encontradas nos Captulos 4 e 5.

Captulo 2 - REVISO BIBLIOGRFICA 31
2 REVISO BIBLIOGRFICA
Este captulo apresenta alguns conceitos fundamentais tais como mtodos de
previso, sries temporais, anlise de regresso, erros de previso, autocorrelao e a
definio de alguns modelos estatsticos de previso, como AR, MA, ARMA, ARIMA, SARIMA
e modelos no lineares como Redes Neurais e MDNs.
2.1 Introduo
Para Tubino (2000) e Moreira (1996) devem ser assumidas algumas pressuposies
em relao aos mtodos de previso. A primeira que as causas que estiveram presentes no
passado, configurando a demanda, tero a mesma influncia no futuro. A segunda que
quanto maior o horizonte previsto maior a chance de erro.
Como a necessidade de previso vem de diferentes reas como vendas, produo,

planejamento, necessrio que uma empresa desenvolva mltiplos enfoques para prever
eventos incertos e criar um sistema para previso. Isto, por sua vez, requer que a organizao
possua conhecimento e habilidades que abranjam pelo menos: (MAKRIDAKIS et al, 1983)
Identificao e definio do problema a ser previsto.
Aplicao de mtodos de previso.
Procedimentos para seleo do mtodo apropriado para uma especifica situao.
Suporte organizacional para a aplicao e utilizao formal de mtodos de

previso.
Quanto realizao de previses de demanda elas podem ser realizadas utilizando

mtodos quantitativos, qualitativos ou combinaes de ambos (PELLEGRINI e
FOGLIATTO, 2001).
Para Arnold (1999), os mtodos qualitativos so projees subjetivas baseadas no

discernimento, na intuio e em opinies informadas. A abordagem para o processo de
previso, de modo geral, no explcita, mas baseada na experincia.
Segundo Tubino (2000), as tcnicas quantitativas de previso so aquelas que utilizam

como procedimento a anlise dos dados passados de maneira objetiva.
Para Levine et al. (2000), os mtodos de previso quantitativa utilizam dados

histricos com o objetivo de estudar acontecimentos do passado para melhor entender a
estrutura bsica dos dados, e da, prover os meios necessrios para se prever ocorrncias
futuras.
Makridakis et al. (1998), observa que as tcnicas quantitativas de previso podem ser
aplicadas sob trs condies:
1. quando h disponibilidade de informaes referentes aos dados passados;
2. quando as informaes referentes aos dados passados esto na forma de dados

numricos;
3. quando se pressupem que os padres que influenciaram os dados no passado

continuam influenciando no futuro.
Conforme Corra (2000), os mtodos quantitativos proporcionam uma boa

aproximao da realidade a curto prazo desde que devidamente empregados. Entretanto, as
incertezas sempre existiro e, geralmente, so de duas fontes distintas: a primeira delas o
prprio mercado, que pode ser bastante instvel; a segunda corresponde ao prprio mtodo de
previso.
O conceito de previso, ou seja, de curto ou de longo prazo, est relacionado com a

varivel independente dos dados. Ou seja, para uma previso de longo prazo (um ano, por
exemplo) os dados utilizados no sero em horas ou em dias, mas em meses. Do mesmo
modo que, utilizando dados horrios ou dirios, a inteno termos previses de curto prazo
com, por exemplo, previso para uma semana.
As tcnicas de previso quantitativa variam consideravelmente, tendo sido

desenvolvidas com vrios propsitos distintos. Cada tcnica possui caractersticas prprias,
grau de preciso e custo de utilizao, os quais devem ser considerados na escolha de um
mtodo especfico (Makridakis et al., 1998).
Para Moreira (1996), os mtodos quantitativos utilizam modelos matemticos para a

determinao de valores futuros e podem ser subdivididos em:
Relacionamentos causais a demanda est correlacionada com variveis internas ou

externas empresa;
Sries temporais avaliao do comportamento de valores tomados em instantes

especficos de tempo.
De acordo com Davis et al. (2001), as anlises das sries temporais, de modo geral,
devem ser utilizadas para o curto prazo. As previses causais, ao seu tempo, devem ser
utilizadas em situaes de longo prazo.
Segundo Tubino (2000), as tcnicas baseadas em sries temporais procuram modelar

matematicamente a demanda futura relacionando os dados passados do prprio produto com o
tempo, ou seja, partem do princpio de que a demanda futura ser uma projeo do passado.
Segundo Moreira (1996), os mtodos que utilizam sries temporais procuram

identificar uma tendncia nas observaes da demanda ao longo do tempo. Via de regra, as
observaes levantadas tem um espaamento constante (dias, semanas, meses, anos, etc.). Um
dos pressupostos desses mtodos que os valores projetados podem ser estimados com base
nos valores passados.
2.2 Srie Temporal

Para Milone e Angelini (1995) chama-se srie temporal a todo conjunto de valores
passveis de ordenao cronolgica.
O estudo de sries temporais trabalha com o comportamento dos dados no passado e

presente, para que estes forneam a idia de com possveis variaes dos dados no futuro. A
previso o principal objetivo do uso de sries temporais (SAFADI e NOGUEIRA, 2004).
Para Ribeiro e Paula (2000), uma srie temporal definida como um conjunto de
observaes de uma dada varivel, geralmente distribudas de maneira eqidistante no tempo,
e que possuem como caracterstica central a presena de uma dependncia serial entre elas. A
srie denotada por Zt, onde t = {1, 2, 3, 4, ..., n} so os intervalos de amostragem e com
funo densidade de probabilidade p(Zt) para cada t, conforme mostrado na Figura 2-1.
Zt
t
1 2 3
Figura 2-1 Srie Temporal e Caractersticas de Distribuio de Probabilidade Tpica
Neste grfico observa-se que a variao no pontual, mas sim segue uma curva de
probabilidade para cada tempo, sendo que para cada tempo t existe uma distribuio de
probabilidade que pode no ser necessariamente a mesma para os demais.
So denominadas sries temporais um conjunto de observaes ordenadas no tempo,

como, por exemplo, pedidos, demandas, valores dirios dos preos de aes de uma empresa
na bolsa de valores, etc. A Figura 2-2 a seguir exemplifica uma srie temporal da evoluo
mensal do IBOVESPA, considerando os fechamentos deste ndice.
Neste grfico pode-se observar a evoluo mensal do ndice IBOVESPA (indicador do

desempenho mdio das cotaes do mercado de aes brasileiro) em relao aos pontos (onde
1 ponto corresponde a 0,01% de lucratividade). Dessa forma, o grfico reflete as variaes
dos preos das aes no decorrer do tempo, assim como o retorno associado a elas.
Figura 2-2 Evoluo Mensal do IBOVESPA (BOVESPA 2005)
A srie temporal tambm pode ser vista como a realizao de um processo estocstico,
que definido como uma seqncia de observaes regidas por leis probabilsticas. Isto
significa que uma srie temporal pode ser considerada como uma amostra de um determinado
processo estocstico (RIBEIRO e PAULA, 2000).
Morettin e Toloi (1987) mostram que, quando se analisa uma srie temporal os
objetivos bsicos so:
i) Modelagem do fenmeno sob considerao;
ii) Obteno de concluses em termos estatsticos;
iii) Avaliao da adequao do modelo em termos de previso.
Deste modo, a aplicao de sries temporais utiliza a avaliao dos dados histricos
para obter modelos de previso.
O objeto fundamental da anlise de uma srie temporal determinar suas componentes

bsicas buscando identificar um padro de comportamento da srie que possibilite fazer
previses (Makridakis et al., 1998).
Para a anlise de qualquer srie temporal, essencial que, primeiramente, seja feito
um grfico, a fim de obter uma viso qualitativa geral do seu comportamento (FONSECA et
al., 1995). Entretanto, a inspeo visual do comportamento da srie apenas um direcionador
sendo necessrias anlises estatsticas para uma concluso mais verdadeira sobre o
comportamento da srie.
Segundo Tubino (2000), as curvas obtidas pelas sries temporais podem conter
tendncias, sazonalidades, variaes irregulares e variaes randmicas.
Tendncia: indica a direo geral dos valores estudados. A principal caracterstica

deste componente o movimento suave registrado num perodo longo de tempo,
direcionando os dados de modo constante, crescente ou decrescente. Makridakis et
al. (1998), asseguram que um padro de tendncia existe quando h um aumento
ou diminuio do valor mdio dos dados a longo prazo.
As variaes sazonais so flutuaes que se repetem periodicamente,

acompanhando um padro temporal (relacionadas ao fator tempo), como por
exemplo, influncias climticas ou a demanda por algum produto ocorrem
somente em determinado perodo do ano, onde se pode verificar a tendncia de
picos de vendas. A sazonalidade refere-se s mudanas ou variaes cclicas de
curto prazo. So bastante parecidos com os cclicos, com a diferena de que os
fenmenos cclicos so caracterizados por variaes que oscilam em torno da
tendncia a intervalos aproximadamente regulares de tempo e em longo prazo.
Porm, alguns autores preferem no fazer diferena entre os ciclos e a
sazonalidade (ex.: MORETIN e TOLOI, 1995). luz de Levine et al. (2000), o
ciclo demonstram oscilaes ou movimentos para cima e para baixo ao longo da
srie.
As variaes irregulares, para Tubino (2000), so alteraes na demanda passada

resultante de fatores excepcionais, como greves ou catstrofes climticas, que no
podem ser previstos e, portanto, includos no modelo.
Aleatoriedade (ou Erro): Tambm chamado de erro residual possui uma seqncia
de variveis aleatrias independentes e identicamente distribudas (i.i.d)3,
3
O pressuposto de aleatoriedade e independncia refere-se diferena entre cada valor observado e a mdia aritmtica do seu prprio grupo,
onde estas diferenas deveriam ser independentes para cada valor observado. Isso significa que a diferena (ou erro) para uma observao
no deve correponder diferena (ou erro) de qualquer outra observao (Levine et al., 2000).
freqentemente com mdia zero e varincia constante igual a 2 So

caracterizados por sua durao curta e intensidade varivel. Para Mentzer e
Bienstock (1998) esta componente da srie temporal denominada rudo. Neste
caso, os dados passados apresentam variaes aleatrias ou randmicas. Estas
variaes, por sua vez, no podem ser modeladas pelas tcnicas de previso e so,
de modo geral, tratadas pelas mdias e desvios padro ou varincias.
Um outro tipo de classificao das sries temporais pode ser feito baseando-se no
nmero de sries temporais envolvidas na modelagem. Esta classificao divide-se segundo
Makridakis et al. (1998) em:
Modelos Univariados: grupo de dados que inclui todos os mtodos que se baseiam em
uma nica srie histrica, ou seja, a srie temporal explicada (prevista) apenas por seus
valores passados. Este ser o modelo utilizado no presente trabalho.
Modelos Multivariados ou Causais: grupo de dados que modela simultaneamente duas

ou mais sries temporais permitindo, assim, relaes de interdependncia e causalidade, mas
sem qualquer exigncia com relao direo da causalidade entre elas. A srie temporal
explicada (prevista) pelos seus valores passados e tambm pelos valores passados de outras
variveis.
Para descrever sries temporais so utilizados modelos estatsticos que podem ser
classificados em duas classes, segundo o nmero de parmetros envolvidos. (MORETTIN e
TOLOI, 2004).

Modelos paramtricos: possuem um nmero de parmetros finito. Os modelos
mais comumente usados so os modelos AR, ARMA, ARIMA e modelos no
lineares.

Modelos no-paramtricos: possuem um nmero infinito de parmetros. Podem
ser exemplificados pela funo de auto-covarincia (ou autocorrelao) e modelos
de redes neurais.
2.3 Mtodos de Regresso

Os mtodos de regresso possuem trs aspectos em especial: o primeiro, quanto
estrutura (ou modelo); o segundo, quanto classificao; e terceiro quanto s qualidades
desejveis do modelo (MAKRIDAKIS et al. ,1998).
Quanto classificao dos modelos de regresso, estes podem ser lineares,

representados por funes algbricas de primeiro grau; e no-lineares, que assumem formas
exponenciais ou quadrticas.
Para a qualidade desejvel ao modelo de regresso, pode-se avali-lo segundo sua

plausibilidade, exatido, simplicidade das previses, etc.
Quanto estrutura, os modelos de regresso sero apresentados na seo 2.8 e

envolvem quatro elementos bsicos:
variveis envolvidas (dependentes e independentes);
relaes ou equaes que expressam o modelo;
parmetros ou coeficientes das variveis;
erro ou perturbao estocstica.
O objetivo dos modelos de regresso explicar uma ou vrias variveis de interesse

(objetivo) em funo de outras variveis (explicativas) (CHATTERJEE e BERTRAM, 1991).
Os modelos de regresso clssicos tem um forte apelo por sua difuso, sendo
disponveis em vrios softwares e de fcil utilizao (SALLES, 1996).
2.4 Anlise de Regresso

A anlise de regresso uma das tcnicas estatsticas mais utilizadas para analisar
dados (CHATTERJEE e BERTRAM, 1991).
Segundo Montgomery e Runger (1999), a anlise de regresso uma tcnica para

modelar e investigar a relao entre duas ou mais variveis.
Para Davis et al. (2001), a regresso um mtodo que consiste na determinao de um

padro de comportamento, podendo chegar a uma funo linear ou no linear, que melhor
representa a tendncia dos dados. O relacionamento, normalmente, desenvolvido a partir do
comportamento de uma varivel independente para predizer o comportamento da varivel
dependente.
Segundo Pellegrini e Fogliatto (2001):

qualquer previso baseada em um modelo de regresso uma previso

condicional, pois a previso da varivel dependente est sujeita ao valor da
varivel independente;
a regresso estimada utilizando-se dados passados, mas no poder predizer

dados futuros se a relao entre as variveis se modificar;
muitas previses de regresso procuram prever valores da varivel dependente em

situaes em que o valor da varivel independente est fora do intervalo de
valores observados anteriormente. Tais previses, conhecidas como extrapolaes,
so muito menos confiveis do que previses baseadas em valores da varivel
independente contidos no intervalo de valores previamente observados;
o simples fato de existir uma forte associao entre duas variveis no significa
que haja entre elas uma relao de causa e efeito. Se for obtida uma funo linear
de regresso, que se ajuste bem relao entre a varivel independente X e a
varivel dependente Y, ento haver quatro possibilidades:

os valores de Y podem realmente depender dos valores de X;

a relao observada pode ser completamente casual;

pode haver uma terceira varivel afetando X e Y;

pode haver, efetivamente, uma ligao casual entre X e Y, mas
importante que X esteja causando Y; preciso saber corretamente qual a
varivel dependente e qual a varivel independente.
Quando esto em jogo somente duas variveis, o modelo desenvolvido em

funo de uma estrutura de uma correlao e regresso simples e, quando se trata
de duas ou mais variveis, o modelo desenvolvido em funo de uma estrutura
de correlao e regresso mltipla. Uma vez que as relaes entre as variveis
econmicas so geralmente inexatas, uma perturbao ou erro (com propriedades
probabilsticas bem definidas) deve ser includo (MONTGOMERY et al., 1990).
Em formas gerais um modelo de regresso pode ser representado por:

(MONTGOMERY et al., 1990)
Y = f(x) (1)
De forma determinstica especfica um modelo linear pode ser representado por:
Y = + .x (2)
De forma estocstica um modelo estocstico pode ser representado por:
Y = + .x + (3)
onde:
x a varivel independente;
+ .x a componente determinstica;
o termo estocstico ou randmico, tambm chamado de erro;
e so os coeficientes de regresso.
No caso de regresso linear simples a varivel independente considerada como nico

regressor ou preditor X, e uma varivel dependente ou varivel de resposta Y. Sendo suposta
que a relao verdadeira entre Y e X seja uma funo linear e que a observao Y em cada
nvel de X seja uma varivel aleatria, o valor esperado de Y para cada valor de X
representado pela equao de uma reta: (MONTGOMERY e RUNGER, 1999).
E(Y | X) = B0 + B1.X (4)
onde : B0 e B1 so os parmetros do modelo estimado a partir de mtodos de estimao

paramtrica, mostrados graficamente pela Figura 2-10 na seo 2.9.
Atravs do mtodo de regresso linear pode-se verificar quo bem o modelo (a reta de
regresso) se ajusta aos dados amostrais. Para isto pode ser realizado o clculo do coeficiente
de determinano R2, o qual fornece a porcentagem de variao em uma varivel que
explicada estatisticamente pela variao de outra varivel.
_
( y i y) 2 SQE
R2 = _
= (5)
SQT
( y i y) 2
Onde: SQE soma de quadrados da variao explicada
SQT soma de quadrados da variao total

2.5 Rudo Branco

O termo erro chamado de rudo branco se ele possui mdia zero, varincia
constante 2, e no autocorrelacionado. Ao definir-se um modelo de regresso,
conveniente assumir que o erro seja um rudo branco (BRYSON e HO, 1975).
A incluso de uma perturbao (aleatria) ou termo-erro (com propriedades

probabilsticas bem definidas) no modelo de regresso necessria na anlise de regresso
por trs importantes razes: (STENGEL, 1986).
1. desde que o propsito do modelo de regresso seja o de generalizar e simplificar.

Processos econmicos geralmente incluem somente os termos determinsticos de
primeira ordem para o estudo. Isto significa que outras variveis com efeitos de
segunda ordem ou superiores no includas acabam por serem includas no termo-
erro, que pode ser visto como representante do efeito dos termos de segunda
ordem e de ordens superiores;
2. a fim de levar em considerao o efeito de possveis erros de medida da varivel

dependente ou da varivel a ser explicada;
3. desde que o fator humano difira de uma forma aleatria sob circunstncias
idnticas, o termo-erro pode ser usado para captar este fator humano
inerentemente aleatrio.
Para um bom ajuste dos modelos necessrio utilizar tcnicas em que a estrutura
residual seja um rudo branco, isto , que o erro seja uma varivel aleatria independente e
identicamente distribuda, com distribuio normal, mdia zero e desvio padro N(0;)
(SFADI, 2003).
Caso contrrio, se o erro tem um comportamento disperso, os modelos de previso no

conseguem modelar somente os dados e acabam por modelar tambm o erro e assim gerando
instabilidades nas estimaes, conforme exemplificado na Figura 2-3.
Figura 2-3 Erro com Disperso
Nakamura e Mendona (2004) sugerem um teste para verificar se o resduo

independente e identicamente distribudo, isto , se o resduo um rudo branco, o teste de
Box-Pierce-Priestley, o qual baseado nas primeiras autocorrelaes dos erros residuais.
2.6 Processo Estacionrio

Processo Estocstico (PE): uma seqncia de variveis aleatrias xt definidas em um
espao de probabilidades (STENGEL, 1986).
Processo Estacionrio: se as caractersticas estatsticas de um PE no se alteram no

decorrer do tempo, os dados flutuam ao redor de uma mdia constante diz-se que o processo
estacionrio (MAKRIDAKIS et al., 1998).

Um processo estocstico estacionrio se ele atingiu o equilbrio. Em termos formais,
em um processo estacionrio a distribuio de probabilidade conjunta nos instantes t1,
t2, ... , tm mesma que a distribuio nos instantes t1+k , t2+k , ... , tm+k para qualquer k,
ou seja, um deslocamento de k unidades de tempo no afeta a distribuio de
probabilidade conjunta. Se a distribuio marginal de Zt a mesma que a distribuio
marginal de Zt+k. logo, a distribuio marginal de Zt no depende do instante de tempo
escolhido e, em particular, a mdia e varincia de Zt so constantes para qualquer t.
Ento a covarincia entre Zt e Zt+k depende apenas do atraso (lag) k. (BOX et al.,
1994).
Assim:
E(xt) = (mdia do processo constante) (6)
Var(xt) = 0 (varincia do processo constante) (7)
Cov(xt, xt-k) = k (covarincia entre Zt e Zt+k depende apenas do atraso k) (8)
Ou seja, so constantes para qualquer t.
Um das suposies bsicas feitas na anlise de sries temporais que o processo

estocstico gerador dos dados seja um processo estacionrio (MORETTIN, 2004).
Um processo dito fracamente estacionrio (ou estacionrio de 2 ordem, referem-se

aos dois primeiros momentos da distribuio de probabilidade dos Zts) se as trs condies
acima so satisfeitas. A definio de estacionariedade mais geral envolve momentos de todas
as ordens (MORETTIN, 2004).
2.7 Funo de Autocorrelao

Por definio, autocorrelao a correlao existente entre dois valores da mesma
varivel nos instantes xi e xi+k. Onde k chamado de atraso (lag). (BOX e JENKINS, 1976).
Dada uma srie temporal Zt esta pode ser representada estatisticamente pelas seguintes
equaes: (RIBEIRO e PAULA, 2000).
a) Mdia ou valor esperado: z = E[Zt] (9)
b) Varincia: 2 = E[Zt - z]2 (10)
c) Autocovarincia: a medida de dependncia entre duas observaes separadas por

k intervalos de tempo.
k = Cov[Zt + Zt+k ] = E[{[Zt - z].[Zt+k - z]} (11)
d) Autocorrelao: possui a finalidade de medir a intensidade com que um valor

observado no tempo t influenciado por aquele observado no tempo t k.
Cov[Z t , Z t +k ]
k = (12)
Var (Z t ),Var (Z t + k )
onde: Cov[Zt,Zt+k] = k
0 = Var (Z t ),Var (Z t + k ) (13)
O valor de k varia de 1 a 1 e quanto mais prximo de 1 ou de 1 r estiver, maior ser

a correlao existente entre a reta e os dados (TUBINO, 2000).
Segundo Box e Jenkins (1976), o coeficiente de autocorrelao Rh a razo entre a

funo de autocovarincia e a funo de varincia, tal que:
(Y Y )(Y )
N h
1
l l +h Y
C N
Rh = h = l =1
(14)
(Y Y )
N
Co 1 2
l
N l =1
A funo de autocorrelao (Autocorrelation Function ACF) usada para identificar

a ordem de um modelo autoregressivo. Note que necessrio usar outra funo, alm de
ACF, para identificar a ordem de um modelo autoregressivo, pois todos os modelos
autoregressivos tm uma ACF que decresce exponencialmente e, portanto apenas o
correlograma no traz informao sobre o grau do polinmio autorregressivo na representao
autorregressiva com mdia mvel.
Em dados de sries temporais, o valor de uma varivel em um perodo est

normalmente correlacionado com seu valor no perodo seguinte. A correlao de uma srie
com seus prprios valores defasados chamada de autocorrelao ou correlao serial.
(STOCK e WATSON, 2004).
A forma da funo de autocorrelao define o modelo a ser utilizado para o ajuste

atravs da modelagem Box- Jenkins, alm de determinar sazonalidade na srie temporal e o
perodo de ocorrncia (Morettin e Toloi, 1985).
A funo de autocorrelao parcial (Partial Autocorrelation Function PACF) mede

a correlao entre duas amostras xt e xt+k, separadas por um intervalo de tempo k, excluindo a
dependncia dos valores intermedirios wt+1, wt+2, ... , wt+k-1.
2.8 Modelos de Previso

A previso de demanda utilizando mtodos quantitativos pode ser feita atravs de
vrios modelos de regresso. O emprego de cada modelo depende basicamente do
comportamento da srie temporal que se deseja analisar (PELLEGRINI e FOGLIATTO,
2001).
2.8.1 Suavizao Exponencial
Suavizao (ou alisamento) exponencial ou volatilidade exponencialmente ponderada

ou Exponentially Weighted Volatility (EWV) uma tcnica de tratamento de dados histricos
(srie temporal) que busca valorizar as ocorrncias mais recentes para o clculo do desvio
padro (ou volatilidade para ativos financeiros). Esta tcnica tambm conhecida como
Exponentially Weighted Moving Average (EWMA) (MORETTIN e TOLOI, 1995).
Modelos com diversos graus de dificuldade de implementao tm sido utilizados na

extrao da volatilidade. O mais simples o desvio padro histrico, que atribui peso
uniforme para todas as observaes, onde todos os desvios ou erros (quadrticos) das
observaes em relao mdia tm o mesmo peso. Em contraste, o alisamento exponencial
atribui peso maior para as observaes mais recentes. Assim, os pesos formam um conjunto
que decai exponencialmente a partir de valores mais recentes. Porm, apresenta o
inconveniente da escolha arbitrria do peso utilizado. Os modelos da famlia GARCH e de
volatilidade estocstica no sofrem destes problemas, de modo que so bastante utilizados na
literatura (MOTA e FERNANDES, 2004).
2.8.2 Modelo Auto Regressivo (AR)
Uma varivel dependente xt segue um processo auto-regressivo de primeira ordem

quando o seu valor em um dado momento t depende apenas do seu prprio valor no perodo
anterior (t-1) e de um termo aleatrio (rudo branco), t, no correlacionado com xt, com
mdia zero e varincia constante (STENGEL, 1986).
Se uma observao xt gerada pela mdia ponderada de somente as p primeiras

observaes prximas anteriores da varivel acrescida de um erro aleatrio t, ento ela pode
ser modelada por um processo AR(p), dado por: (STENGEL, 1986)
xt = 1.xt-1 + 2.xt-2 + ... + p.xt-p + + t (15)

Onde:

t = xt x t o erro aleatrio ou rudo branco

x t a estimativa de xt
um valor constante
i so os coeficientes constantes autorregressivos que descrevem como um valor

corrente xt com relaciona-se com valores passados xt-1, xt-2, ... , xt-p
Segundo Stengel (1986), a mdia de um AR(p) dada pelo valor estimado E(xt):

E ( xt ) =
(1 1 2 ... p ) = (16)
Se o processo estacionrio, a mdia constante.
A condio necessria (no suficiente) de estacionariedade representada por:
1 + 2 + ... + p < 1
A verso mais simples de um modelo AR aquela em que xt depende somente de xt-1,

de t e de uma constante . Diz-se, nesse caso, que o modelo auto-regressivo de ordem 1,
indicado por AR(1). A representao algbrica desse modelo segundo Vasconcellos (2000)
a seguinte:
yt = .yt-1 + + t (17)
onde um parmetro a ser estimado e E(t) = 0; E(2t) =2; e E(t s) = 0; para t s.
Por se tratar de um modelo fracamente estacionrio, a varincia de yt(0) deve ser

constante e as autocovarincias (k) devem ser aproximadamente independentes de t
(VASCONCELLOS, 2000).
2.8.3 Modelo de Mdias Mveis (MA)
Para Makridakis et al. (1998), o mtodo consiste em calcular a mdia das ltimas n
observaes mais recentes. O valor encontrado, ao seu tempo, considerado a previso para o
prximo perodo.
Para Stengel (1986) a representao em mdia mvel ocorre quando a observao

atual de uma varivel possa ser explicada atravs de uma soma ponderada de rudos anteriores
e de um rudo atual.
Se uma observao xt gerada pela mdia ponderada do valor presente e dos q

primeiros valores passados de um processo de rudo branco t mais a mdia , ento ela pode
ser modelada por um processo MA (Moving Average) (q), dado por: (STENGEL, 1986)
xt = + t - 1.t-1 2.t-2 - - q.t-q (18)
onde:

t = xt x t o erro aleatrio ou rudo branco

x t a estimativa de xt
i so os coeficientes de mdia mvel que descrevem como um valor corrente xt

relaciona-se com valores passados xt-1, xt-2, ... , xt-q
A condio necessria (no suficiente) de estacionariedade representada por:

(STENGEL, 1986)
i < 1
Um MA(q) com q finito ser sempre estacionrio. Para Vasconcellos (2000), o modelo
de mdias mveis de primeira ordem, MA(1), dado por:
xt = + t 1t-1 (19)
Em geral, a mdia mvel MA(q) usa dados passados estimados de um nmero q

predeterminado de perodos, normalmente os mais recentes, para gerar sua previso. A cada
novo perodo de previso o dado mais antigo substitudo pelo mais recente (TUBINO,
2000).
As mdias mveis so indicadores chamados seguidores de tendncias. Esses

indicadores possuem uma inrcia natural, ou seja, no foram projetados para apontar
reverses rapidamente (STENGEL, 1986).
Entretanto, como aspecto negativo, Mentzer e Bienstock (1998) salientam que o

problema com o modelo de mdias mveis que ele se relaciona com a escolha do nmero de
perodos que sero utilizados na previso. E Tubino (2000) observa que o nmero de perodos
utilizados no clculo da mdia mvel que determina sua sensibilidade com relao aos
dados mais recentes.
No existe uma regra exata para dimensionar o perodo do modelo de mdia mvel,
mas preciso buscar o equilbrio, ou seja, qual o tamanho mais adequado do perodo a ser
considerado, pois quanto maior o perodo mais suave o comportamento da mdia e mais
imune a rudos e movimentos curtos ela estar. No entanto, se for grande demais, pode
responder de maneira muito lenta s mudanas significativas no mercado. Quanto menor o
perodo, a mdia seguir os valores de maneira mais prxima. Contudo, se o perodo for
pequeno demais a mdia estar excessivamente exposta s variaes dos valores, perdendo
sua utilidade como seguidora de tendncias (STENGEL, 1986).
2.8.4 Modelo Auto-Regressivo de Mdia Mvel (ARMA)

Se o processo estacionrio apresenta caractersticas simultaneamente de um processo
AR e de um processo MA, ento ele pode ser modelado por um processo misto ARMA,
descrito por seus p valores passados e pelos q rudos brancos correntes e passados, dados por:
(VASCONCELLOS, 2000). O modelo dado por:
xt = 1.xt-1 + ... + p.xt-p + + t 1.t-1 - - q.t-q (20)
A mdia dada pela parcela do processo AR.
As condies de estacionariedade tambm so dadas pela parcela do processo AR.
Segundo Stengel 91986), o modelo ARMA (1,1) a especificao mais simples que
um processo dessa natureza pode apresentar:
xt = 1.xt-1 + + t 1.t-1 (21)
Na prtica, os valores de p e q so geralmente menores que 2 para sries temporais

estacionrias (BOX et al., 1994).
Box e Jenkins propem que um processo estocstico estacionrio, por possuir mdia,
varincia e autocorrelao invariantes em relao ao tempo, pode ser otimamente
representado por um modelo auto-regressivo e/ou mdias mveis ARMA(p,q) obtido por
intermdio da passagem de uma srie rudo branco por um filtro linear, o que significa que a
srie resultante poder ser vista como uma combinao linear dos termos da srie original. O
processo resultante dessa passagem, considerando-se este filtro como estvel, tambm ser
estacionrio (RIBEIRO e PAULA, 2000).
2.8.5 Modelo Auto-Regressivo Integrado e de Mdia Mvel (ARIMA)

So conhecidos tambm como Modelos Box-Jenkins univariados, em homenagem aos
dois pesquisadores que mais contribuies fizeram a suas construes e aplicaes: (BOX et
al., 1994).
Os modelos ARIMAs compreendem:
modelo Auto-Regressivo de ordem p: AR(p): usando quando h autocorrelao entre

as observaes;
modelo de Mdia Mvel de ordem q: MA(q): usado quando h autocorrelao entre os

resduos;
modelo Auto-Regressivo de Mdia Mvel: ARMA(p,q); usado quando h

autocorrelao entre as observaes e autocorrelao entre os resduos;
modelo Auto-Regressivo Integrado e de Mdia Mvel: ARIMA(p,d,q): usado em

sries no estacionrias.
O modelo ARIMA um caso geral dos modelos propostos por Box e Jenkins
(1976), o qual apropriado para descrever sries no estacionrias, ou seja, sries que no
possuem mdia constante no perodo de anlise, nas quais os parmetros quase sempre so
pequenos. Na prtica, geralmente as sries encontradas apresentam tendncia e (ou)
sazonalidade (SFADI, 2003).
Os modelos ARIMA podem possuir termos auto-regressivos (a varivel dependente e

os termos defasados no tempo) e podem ser integrados quando seus dados originais no so
estacionrios. Ser necessrio diferenciar a srie original dos dados d vezes at obter uma
srie estacionria (sua mdia e varincia sejam constantes no tempo). Posteriormente, a srie
obtida pode ser modelada por um processo ARMA(p,q) (STENGEL, 1986).
Para Sfadi (2003), o modelo ARIMA considera a tendncia da srie temporal, tem
ordem (p,d,q) e pode ser representado por:
(B)d.xt = (B).t (22)

onde: d = (1-B)d
sendo: (B) = 1 - 1B - 2B2 - ... - pBp o polinmio autorregressivo de ordem p;
(B) = 1 - 1B - 2B2 - ... - pBp o polinmio de mdias mveis de ordem q;
B o operador de retardo, tal que Bj.xt = xt=j e d o nmero de diferenas

necessrias para retirar a tendncia da srie e transform-la em estacionria.
A importncia desses modelos reside na sua natureza extrapolativa ou de carter

preditivo. Sua vantagem no caso de previses, em relao aos modelos estruturais, que nos
modelos ARIMA as extrapolaes no acumulam os erros de outras variveis explicativas.
Assim, quando se faz uma previso com um modelo estrutural do tipo y = f(x, z) estimam-se
valores no futuro para x e z no intuito de prever o valor de y, o que faz a previso acumular os
erros associados s variveis x e z. No caso dos modelos Box-Jenkins, do tipo: y = f(yt-1, yt-2,
... , yt-n, t-1, t-2, ... , t-n, t) no ocorre o j mencionado acmulo dos erros (STENGEL, 1986).
Para um bom ajuste do modelo ARIMA, necessrio utilizar tcnicas em que a

estrutura residual seja um rudo branco, isto , que o resduo seja uma varivel aleatria
independente e identicamente distribuda (SFADI, 2003).
O modelo ARIMA transforma uma srie no-estacionria em srie estacionria, ou

seja, necessrio que a srie no apresente tendncia e sazonalidade. Para verificar a presena
desses fatores, necessrio aplicar alguns testes apropriados. Um teste proposto para analisar
o efeito da tendncia o de Cox-Stuart, conhecido como teste da tendncia ou do sinal
(Morettin e Toloi, 1985) e para verificar a existncia de sazonalidade na srie, pode se
considerar a utilizao da funo de autocorrelao e uma anlise do periodograma (SFADI,
2003).
Em seguida feita a regresso linear tendo como variveis independentes a prpria

srie defasada no tempo. Tambm, a sazonalidade eliminada atravs da aplicao de mdias
mveis. Os coeficientes podem ser estimados pelos mtodos de Mxima Verossimilhana.
Atravs de uma anlise das autocorrelaes absolutas e parciais, define-se o modelo mais
adequado (MAKRIDAKIS et al. 1998).
A metodologia para se prever uma srie temporal atravs dos modelos ARIMA
consiste de quatro etapas (GUJARATI, 2004):
Etapa 1 - Identificao: ou seja, descobrir os valores apropriados de p, d e q dentre as

vrias verses dos modelos de Box-Jenkins, sejam eles sazonais ou no, que melhor
descrevem o comportamento da srie.
O primeiro parmetro a ser identificado o grau de diferenciao d necessrio

estabilizao dos dados. Isto feito atravs do diagrama da funo de autocorrelao (ACF),
no qual so apresentados os valores das autocorrelaes em relao aos atrasos (ou lags, so
intervalos de tempo em que ocorrem mximas correlaes) k. Se as autocorrelaes
decrescerem de forma exponencial, realizam-se diferenciaes na srie, at que o diagrama
apresente um corte abrupto para um valor qualquer de autocorrelao, quando a srie ser
considerada estacionria (MAKRIDAKIS et al. 1998).
Em geral, o nmero de diferenciaes d no mximo igual a 2. Necessita-se de d = 1

quando a srie no estacionria em relao ao processo, isto , quando a mdia durante um
perodo uma e depois desse perodo ocorre uma mudana na mdia. E necessita-se de d = 2
quando a srie no estacionria tambm quanto inclinao, isto , quando a srie oscila em
uma direo em um certo perodo e depois muda de direo (MAKRIDAKIS et al. 1998).
A identificao do modelo a ser estimado ocorre pelo comportamento das ACFs e

PACFs e seus respectivos correlogramas.A ordem autorregressiva p determinada pela
verificao da funo de autocorrelao parcial (PACP) da srie estudada. Se a srie for
unicamente autorregressiva ARIMA (p,d,0), sua funo de autocorrelao k sofrer uma
queda exponencial gradativa, conforme pode ser visto na Figura 2-4 e sua funo de
autocorrelao parcial kk sofrer uma queda repentina aps o lag k, conforme pode ser visto
na Figura 2-4. Se no, efetua-se uma anlise dos estimadores para verificar at que ordem de
defasagem do correlograma desta funo estatisticamente significante. Essa ser sua ordem
autorregressiva (RIBEIRO e PAULA, 2000).
Figura 2-4 ACF e PACF para um Modelo AR(1)

Se a srie for unicamente de mdia mvel ARIMA (0,d,q), sua funo de

autocorrelao k sofrer uma queda repentina aps o lag k, conforme pode ser visto na
Figura 2-5 e sua funo de autocorrelao parcial kk sofrer uma queda exponencial
gradativa, conforme pode ser visto na Figura 2-5. (RIBEIRO e PAULA, 2000).
Figura 2-5 ACF e PACF para um modelo MA (1)
Etapa 2 - Estimativa: depois de identificar os valores apropriados de p e q, o prximo

passo estimar os parmetros dos termos auto-regressivo e de mdia mvel includos no
modelo, que pode ser feito pelo mtodo dos mnimos quadrados.
Etapa 3 - Checagem de diagnstico: depois de escolher um modelo ARIMA em

particular, e estimar seus parmetros, verifica-se se o modelo escolhido se ajusta aos dados
razoavelmente bem, pois possvel que um outro modelo ARIMA possa desempenhar o
mesmo papel. Um teste simples do modelo escolhido ver se os resduos estimados desse
modelo so rudos brancos; se so, podemos aceitar o ajuste especfico; se no so, devemos
repetir processo. Assim, a metodologia de Box e Jenkins um processo iterativo.
Etapa 4 - Previso: em muitos casos, as previses obtidas com esse mtodo so mais
confiveis do que as obtidas com a modelagem economtrica tradicional, especialmente para
previses a curto prazo. Naturalmente, preciso checar cada caso.
Box e Jenkins (1976) formalizaram a teoria da utilizao de componentes

autorregressivos e de mdias mveis na modelagem de sries temporais utilizando-se de duas
idias bsicas na criao de sua metodologia de construo de modelos:
1. Parcimnia, que consiste na utilizao do menor nmero possvel de parmetros

para obter uma representao adequada no fenmeno em estudo.
2. Construo iterativa do modelo em que a informao emprica analisada

teoricamente sendo, o resultado deste estgio confrontado com a prtica e assim
sucessivamente at a obteno de um modelo satisfatrio.
O ciclo iterativo utilizado para a anlise de uma srie temporal atravs da metodologia
de Box e Jenkins est representado na Figura 2-6
1- Obteno de estacionaridade
da srie
2- Identificao do modelo a ser

otimizado
3- Estimao dos parmetros do

modelo
4- O modelo adequado?
No
Sim
5- Previso
Figura 2-6 Fluxograma do Modelo ARIMA de Box e Jenkins
Caso o modelo no seja adequado, o ciclo repetido, voltando-se fase de

identificao Figura 2-6. Quando se obtm um modelo satisfatrio, passa-se para a ltima
etapa da metodologia de Box-Jenkins, que trata da realizao de previses.
2.8.6 Modelo Sazonal Auto-Regressivo Integrado de Mdia Mvel

(SARIMA)
Quando a srie apresenta o componente sazonal, o modelo ARIMA tem ordem (p,d,q)
e pode ser representado por SARIMA.
Quando uma srie temporal apresenta comportamento peridico dentro de um

intervalo de tempo significativo, necessrio acrescentar uma componente sazonal no
modelo. Esse intervalo peridico chamado sazonalidade e a identificao de um modelo
sazonal se d atravs da ACF e PACF (SFADI, 2003).
Box e Jenkins (1976) propem o modelo sazonal multiplicativo, representado pela

expresso:
p (B ) P (B S )(1 B )d (1 B S ) Yt = q (B )Q (B S )at
D
(23)
denotado por SARIMA (p,d,q) x (P,D,Q)S, em que P(B) e Q(B) so polinmios sazonais
autorregressivos e de mdias mveis de ordens p e q, respectivamente, e d o nmero de
diferenas de lags necessrias para retirar a sazonalidade da srie (SFADI, 2003).
As sries temporais apresentam freqentemente padres de comportamento peridico,

ou seja, que se repete a cada s perodos de tempo (s > 1). Um dos casos mais comuns de dados
peridicos a srie sazonal, ou seja, aquela em que existe o perodo de repetio. As sries
temporais sazonais, comumente, exibem intervalos de tempo de 1 ms e perodo s = 12 meses.
Ocorrem casos, todavia, onde o perodo s = 4 meses como em dados trimestrais (BOX et al.,
1994).
O tratamento das sries temporais sazonais normalmente feito usando-se o

componente sazonal como fator de ajustamento. Alguns dos mtodos de ajustamento sazonal,
no entanto, no so adequados para fazer previso com modelos de sries temporais, pois o
ajustamento sazonal provoca a perda de informaes cruciais para o processo de previso com
os modelos de sries temporais (GRANGER, 1989).
A sazonalidade ocorre geralmente em conjunto com outras caractersticas nas sries

temporais. Assim, normalmente no se diz que uma srie puramente sazonal ou
complemente no-sazonal. Sazonalidades ocorrem com maior ou menor intensidade em uma
srie temporal (FARIAS et al., 2000).
2.8.7 Redes Neurais (RNA)

A rede neural artificial (RNA) uma classe de modelos de regresso no linear que
pode ser flexivelmente utilizada como um mtodo paramtrico, semi ou no paramtrico. A
principal vantagem est na habilidade de modelar processos complexos, no lineares
(BARTLMAE e RAUSCHER, 2000).
Para Hecht-Nielsen (1988), as RNAs ou sistemas de processamento paralelo

distribudo (ou Parallel Distributed Process - PDP), podem ser consideradas como uma
estrutura de processamento de informao distribuda e paralela. Ela formada por unidades
de processamento, usualmente chamadas de ns, neurnios ou clulas, interconectadas por

caminhos unidirecionais, tambm denominadas ligaes, conexes ou sinapses. Os ns
possuem memria local e podem desempenhar operaes de processamento de informao
localizada. Cada clula possui uma nica sada (axnio), a qual pode se ramificar em muitas
ligaes colaterais (cada ramificao possuindo o mesmo sinal de sada do neurnio). Todo o
processamento que se realiza em cada unidade deve ser completamente local, ou seja, deve
apenas depender dos valores correntes dos sinais de entrada que chegam dos neurnios
atravs das conexes. Estes valores atuam sobre os valores armazenados na memria local da
clula.
Embora biologicamente inspiradas, as RNAs encontraram aplicaes em diferentes

reas cientficas (FERNANDES et al., 1995). E ao contrrio do que possa parecer primeira
vista, as RNAs tm vrios pontos em comum com os modelos estatsticos e economtricos
tradicionais.
Segundo Fernandes et al. (1995), as RNAs funcionam conceitualmente de forma

similar ao crebro humano, tentando reconhecer regularidades e padres de dados. Elas so
capazes de aprender com a experincia (atravs de exemplos) e fazer generalizaes baseadas
no seu conhecimento previamente acumulado.
As RNAs esto compostas de elementos simples que operam em paralelo e em srie.

O modelo deste elemento inspirado em sistemas nervosos biolgicos. Como na natureza, a
funo de rede em grande parte determinada pelas conexes entre elementos. Uma rede
neural pode ser treinada para executar uma funo particular ajustando os valores das
conexes (pesos) entre elementos (MATHWORKS, 2002).
Usando uma linguagem mais usual do ponto de vista estatstico, uma RNA pode ser
definida como uma forma de mapear um nmero de entradas (x1, x2, x3, ... , xr) em um grupo
de sadas (o1, o2, o3, ... ,op). A Figura 2-7 apresenta um modelo com p = 1, isto , existe
apenas um neurnio na camada de sada (MATHWORKS, 2002).
Figura 2-7 Representao Grfica de uma RNA
Uma rede neural usualmente treinada de duas maneiras distintas: supervisionada e

no-supervisionada. No treinamento supervisionado muitas amostras, que vo servir como
exemplares, so coletadas, definindo entradas e sadas que devem ser obtidas quando essas
entradas forem apresentadas rede. Os pesos que conectam cada neurnio na rede so
ajustados para minimizar o erro entre a sada desejada e a sada obtida na rede. No
treinamento no supervisionado assume-se que cada entrada se origina de uma classe
pertencente a um conjunto de classes e que a sada da rede identifica a que classe pertence o
exemplar de entrada. Existe um terceiro tipo de treinamento, denominado reforo de
aprendizagem que no supervisionado na medida em que as sadas desejadas no so
especificadas a priori. Ao mesmo tempo supervisionada, na medida em que a rede
informada se a resposta que forneceu a um determinado padro de entrada boa ou m
(FAUSETT, 1994).
Depois que a rede neural tiver sido treinada, ela deve ser testada com novos dados no
utilizados no treinamento. O procedimento usual o de se separar casos conhecidos em dois
conjuntos distintos. Usa-se o primeiro como conjunto de treinamento e o segundo como
conjunto de validao (SHAW e SIMES 1999).
Segundo Bishop (1994):

A meta central no treinamento de redes no memorizar os dados de treinamento mas
sim modelar o gerador principal dos dados de forma que as melhores predies
possveis para o vetor t de sada possam ser feitas quando a rede treinada
posteriormente apresentada com um novo valor de entrada.

De forma geral, quando se utiliza uma rede neural, no se sabe a natureza exata da
relao entre dados de entrada e sada, se fosse conhecida esta relao ento poderia
ser modelada deterministicamente.

A principal dificuldade na utilizao de redes neurais artificiais na previso de sries
temporais, ainda a determinao da arquitetura tima da rede (nmero de ns).
Ainda no se possui uma metodologia consistente que apresente a melhor
configurao da rede para cada srie proposta.
2.8.8 Mixture Density Network (MDN)

A tcnica de rede neural convencional de minimizar a soma do quadrados dos erros
conduz para funes de rede no qual aproximam a mdia condicional dos dados designados.
Para problemas que envolvam a predio de variveis contnuas a mdia condicional
representa uma descrio muito limitada das propriedades estatsticas dos dados designados e
por isto em muitas aplicaes so completamente inadequadas (BISHOP. 1994).
As redes de densidade mista MDN (Mixture Density Networks) superam estas

limitaes e provem uma completa estrutura para modelar as funes de densidade
condicional. Estas redes so obtidas pela combinao de uma rede neural convencional com
um modelo misto de densidade e podem representar distribuies de probabilidade
condicionais arbitrrias da mesma forma que uma rede de neural convencional pode
representar funes arbitrrias. Sem dvida, a implementao de MDNs representa uma
simples modificao nos modelos de redes neural padro (BISHOP. 1994).
MDNs representam um mtodo para modelar funes de densidade de probabilidade

das variveis. Isto alcanado atravs do modelamento da distribuio condicional para cada
vetor designado com um modelo Gaussiano (RICHMOND, 2001).
Para qualquer dado valor de x, o modelo misto pelo prov um modelamento de funo
de densidade condicional arbitrrio p(t|x). Com os vrios parmetros do modelo misto (os
coeficientes mistos, a mdia e a varincia) tem-se uma funo contnua de x. Isto alcanado
modelando estes parmetros atravs da utilizao das sadas de uma rede neural convencional
que tem x como sua sada. A esta estrutura combinada de uma rede neural que alimenta um
modelo misto referido como MDN e sua estrutura bsica est representada na Figura 2-8
(BISHOP, 1994)
Funo de Densidade
de probabilidade
conditional
Modelo Misto
Vetor Parmetro
Rede Neural
Vetor de Entrada
Figura 2-8 Estrutura MDN
A Figura 2-8 representa um MDN que consiste em uma rede neural alimentada cujas
sadas determinam os parmetros em um modelo misto de densidade. O modelo misto
representa a funo de densidade de probabilidade condicional das variveis designadas
condicionadas no vetor de sada da rede neural (BISHOP, 1994).
Uma rede de densidade mista obtida pela combinao de uma rede neural
convencional com um modelo de densidade misto. Um exemplo de MDN mostrado na
Figura 2-9. Neste exemplo, o MDN leva um vetor de sada de dimenso 5 e d a densidade
de probabilidade condicional de um vetor de dimenso 1 no domnio designado. Esta funo
de densidade modelada por um modelo misto Gaussiano com 3 componentes, que segundo
Richmond (2001), determinado por:
M
p(t x) = i ( x) j (t x)
j =1
onde M o nmero de componentes misto (neste exemplo so 3), j(t|x) a densidade

de probabilidade condicional dada pelo termo j e i(x) o coeficiente misto para o termo j.
Qualquer nmero de diferentes funes pode ser usado no modelo de misto, porm apenas
funes Gaussianas so consideradas aqui.
Funo de Densidade
de probabilidade
conditional
Modelo Misto
Rede Neural
Vetor de Entrada
Figura 2-9 Estrutura MDN de Dimenso 5
Conforme a Figura 2-9, o MDN uma combinao de um modelo misto e uma rede
neural. Em um MDN treinado, a rede neural traa do vetor de contribuio para os parmetros
de controle do modelo misto, que neste caso usa componentes Gaussianas ( , , 2) mas
teoricamente poderia ser qualquer nmero de funes (RICHMOND, 2001).
2.9 Mtodo dos Mnimos Quadrados

Gauss props estimar os parmetros 0 e 1 na equao de modo a minimizar a soma
dos quadrados dos desvios entre valores estimados e valores observados na amostra (ou seja,
os desvios residuais). Este critrio para estimar os coeficientes de regresso chamado de
mtodo dos Mnimos Quadrados (MONTGOMERY e RUNGER, 1999).
Para observaes (Xi , Yi), temos o modelo:
Yi = 0 + 1.Y + i i = 1,...,n (24)
onde: i o rudo branco
0 a interseo a ser estimada
1 a inclinao do modelo a ser estimada
Deseja-se ajustar o modelo, estimando os parmetros 0 e 1.

O mtodo dos Mnimos Quadrados considera os desvios de Yi em relao ao seu valor

esperado (E(Yi)):
Yi ( 0 + 1.Xi )
Elevando-se ao quadrado esses desvios e aplicando-se o somatrio, temos o critrio Q
Q=(Yi - 0 + 1.Xi )2
De acordo com o mtodo de Mnimos Quadrados, os coeficientes 0 e 1 so os

valores estimados de b0 e b1, respectivamente, que minimizam o critrio Q para a amostra
(X1,Y1),..,(Xn,Yn) (MONTGOMERY e RUNGER, 1999).
A Figura 2-10 mostra um diagrama tpico de disperso dos dados observados e uma
candidata para a linha estimada de regresso. As estimativas de 0 e 1 devem resultar em
uma linha que seja o melhor ajustepara os dados (MONTGOMERY e RUNGER, 1999).
A linha estimada ou ajustada de regresso conseqentemente:

y i = 0 + 1 xi + i i = 1,..., n (25)

sendo i = yi y i chamado de resduo. O resduo descreve o erro no ajuste do modelo
para a i-sima observao yi
y 6,5
5,5
4,5
Linha estimada de regresso
3,5 Valores observados (y)
2,5
1,5
2 6 10 14 18 22
Figura 2-10 Mtodo dos Mnimos Quadrados x

2.10 Mtodo da Mxima Verossimilhana

A estimao dos parmetros de modelos pode ser feita a partir da maximizao de uma
funo de verossimilhana. Devido a isso, muitos autores trabalharam com a hiptese de
normalidade dos erros aleatrios (SILVA, 2002).
O mtodo de mxima verossimilhana consiste em maximizar a funo de densidade

de probabilidade, em relao aos efeitos fixos e aos componentes de varincias dos efeitos
aleatrios do modelo. Existem alguns problemas no uso deste estimador devido ao fato deste
no considerar a perda de graus de liberdade resultante da estimao dos efeitos fixos do
modelo (OLIVEIRA, 2003).
Esse mtodo fornece estimativas para os parmetros que maximizam a probabilidade

de obter o conjunto observado de dados. Assim, tomando uma amostra aleatria composta de
n pares de observaes (Xi,Yi) com i = 1, 2,..., n, onde os Ys representam os valores
observados de uma varivel dicotmica e os Xs representam os valores observados de p
variveis independentes (MORETTIN, 2004).
2.11 Critrio de Validao

Um dos critrios muito utilizados para se escolher o melhor modelo o critrio do
Erro Percentual Absoluto Mdio de Previso (Mean Absolute Percentile Error - MAPE). O
MAPE calculado a partir das previses um passo frente gerado por cada modelo estimado
(STOCK e WATSON, 2004), onde as medidas de capacidade preditiva esto baseadas no erro
de previso: et = Yt Yt .

A frmula para encontrar o valor do MAPE :

y yt

y (26)
MAPE (%) = *100
n
onde:
y o valor atual da srie

yt o valor previsto
n a quantidade de amostras utilizadas na previso.
O MAPE indica o valor mdio do erro percentual das previses sobre todo o conjunto
de teste.
A raiz do erro quadrtico mdio (Root Mean Square Error - RMSE) definida da
seguinte forma: (STOCK e WATSON, 2004)

_ 2

N
yk y k

yk

(27)
k =1
RMSE =
n
onde:
yk o valor atual da srie
_
y k o valor previsto
n a quantidade de amostras utilizadas na previso.
Esta mtrica penaliza muito mais os erros maiores devido ao termo quadrtico. Desta
forma, uma tcnica que apresente timos resultados na maioria das previses, porm tenha
erros elevados em uma previso especfica, ir fornecer um alto RMSE.
Captulo 3 MODELOS GARCH 63
3 MODELOS GARCH
Este captulo aborda os conceitos de modelos de previso ARCH/GARCH bem como
suas particularidades, variaes e aplicabilidades e faz a previso da volatilidade associada
demanda de energia eltrica utilizando o modelo GARCH.

Segundo Morettin (2004) a maioria das tcnicas de anlise de sries temporais, de
fato, so aplicveis em diversas reas. Contudo, uma caracterstica presente em sries de
ativos financeiros a volatilidade, que pode ser definida de vrias maneiras, mas no
diretamente observvel. Para levar em conta a presena de grupos (clusters) de volatilidade
em uma srie financeira necessrio recorrer a modelos ditos heteroscedsticos (modelos que
implicam em varincia flutuante ao longo do tempo) condicionais. Nestes modelos, a
varincia (volatilidade) de um retorno num dado instante de tempo, depende de retornos
passados e de outras informaes disponveis at aquele instante, de modo que temos que
definir uma varincia condicional que, no sendo constante, no coincide com a varincia
global (incondicional) da srie observada. Do mesmo modo, possvel que a mdia varie com
o tempo, ou outros momentos da distribuio dos retornos variem com o tempo.
Na prtica prefervel modelar retornos, que so livres de escala, do que com preos,
pois os primeiros tm propriedades estatsticas mais significativas tais como estacionariedade.
E diversas classes de modelos podem ser utilizadas para anlise e simulao das sries de
retornos tais como ARIMA, ARCH, GARCH, etc. (MORETTIN 2004).
Uma das maneiras de definir o retorno Rt pode ser como a variao relativa de preo
ou retorno lquido simples de um ativo Pt entre os mesmos instantes:
Pt Pt 1 Pt
Rt = = (28)
Pt 1 Pt 1
onde : Pt o preo de um ativo no instante t
Pt = Pt - Pt-1 a variao de preos entre os instantes t-1 e t
Uma suposio muitas vezes utilizada que os retornos sejam independentes,

identicamente distribudos e normais (Gaussianos). Contudo h argumentos contrrios a essa
suposio Campbell et al. (1997), o que sustenta a aplicao de modelos GARCH, j que a
srie de retornos caracterstica deste trabalho no i.i.d..
A volatilidade constitui uma caracterstica fundamental de um grande nmero de

aplicaes em economia e finanas, como, por exemplo, a anlise das taxas de rendimento dos
mercados financeiros, a gesto do risco de ativos financeiros, a procura e oferta de moeda, a
anlise da taxas de cmbio, a anlise das taxas de juros, etc. Da o interesse de muitos
investigadores em encontrar bons modelos para captar e prever o seu comportamento
(CAIADO, 2003).
A volatilidade pode ser definida como uma medida da intensidade das variaes quase
sempre imprevisveis dos rendimentos de ativos. Por isso a volatilidade uma varivel
aleatria condicionada pela variabilidade verificada nos momentos passados que seguem um
processo estocstico. Qualquer modelo de volatilidade tem como finalidade descrever o
comportamento da volatilidade passada e, atravs deste, prever a volatilidade futura. Outra
caracterstica importante dos mercados financeiros a existncia de um comportamento
assimtrico na volatilidade, no sentido de que os perodos de elevada volatilidade tendem a
ser mais persistentes do que os perodos de baixa volatilidade (CAIADO, 2003).
As sries econmicas e financeiras apresentam algumas caractersticas que so

comuns a outras sries temporais, como: (MORETTIN 2004).

Tendncia

Sazonalidade

Pontos atpicos e influentes

Heteroscedasticidade condicional

No -linearidade
De um modo bastante geral, pode-se dizer que uma srie econmica ou financeira
no-linear quando responde de maneira diferente a choques grandes ou pequenos, ou ainda a
choques negativos ou positivos (MORETTIN 2004).
A maneira padro e mais simples de se medir a volatilidade de um ativo atravs da

estimao do desvio-padro de seus retornos. Esta medida usualmente definida como a
volatilidade histrica. Entretanto, o importante para o mercado financeiro, no o valor
histrico da varincia, mas sim aquele que se espera prevalea no futuro, o qual no pode ser
estimado apropriadamente simplesmente atravs do conhecimento do valor histrico. Desta
forma, a varincia em um instante t pode estar ou no condicionada s informaes passadas.
Em outras palavras, a varincia no condicional pode ser constante, mas para certos perodos
de grande incerteza a varincia condicional pode apresentar grandes alteraes por curtos
perodos de tempo (MORETTIN 2004).
Figura 3-1 apresenta a volatilidade tpica mensal anualizada do ndice IBOVESPA,

onde a volatilidade representa o desvio padro da variao diria anualizada para o total de
preges anual.
Figura 3-1 Volatilidade Mensal Anualizada do ndice IBOVESPA. (BOVESPA, 2005)
Segundo Morettin (2004):

H diferentes mtodos paramtricos para estimar a varincia dos retornos, com o
objetivo de substituir a hiptese de que esta seja constante ao longo do tempo. Tm-se,
por exemplo, os modelos de volatilidade determinstica e os modelos de volatilidade
estocstica. Um terceiro mtodo, no paramtrico, seria a determinao da volatilidade
com o uso de redes neurais.

A abordagem determinstica assume que as variaes no retorno dos ativos so
determinadas por variveis conhecidas pelos participantes do mercado, como por
exemplo, seu nvel de preos. No caso da abordagem estocstica, o conhecimento do

preo no passado dos ativos no suficiente para determinar a volatilidade.

Nos modelos de volatilidade estocstica tanto o retorno dos ativos quanto a sua
varincia so variveis no tempo. Nestes modelos, a hiptese da distribuio normal
dos retornos tambm pode ser relaxada, sendo tambm possvel fazer testes para a
verificao da influncia dos fatos estilizados.

Os principais fatos estilizados relativos a retornos financeiros esto relacionados com
a volatilidade e podem ser resumidos como:
1. retornos so em geral no auto-correlacionados;
2. os quadrados dos retornos so auto-correlacionados;
3. retornos apresentam agrupamentos de volatilidade ao longo do tempo;
4. a distribuio (incondicional) dos retornos apresenta curtose e a

distribuio, embora aproximadamente simtrica, em geral leptocrtica;
5. algumas sries de retornos so no-lineares.

A principal diferena em ter os modelos de volatilidade estocstica e os modelos
determinsticos est relacionada ao desconhecimento da informao passada, de
forma que a volatilidade vista como um componente no observvel.
A volatilidade tambm pode sofrer influncia de variveis exgenas onde seus valores
podem ser includos em modelos de volatilidade. Para o cenrio financeiro as variveis
exgenas podem ser exemplificadas pelas taxas de inflao, juros, etc. (ALEXANDER,
2001). No caso de demanda de energia podemos considerar as ondas de calor, frentes frias,
nvel dos reservatrios como alguns exemplos de variveis exgenas.
Modelos de volatilidade, como ARCH e GARCH incorporam a caracterstica de

caudas longas (ou pesadas) para retornos, implicando em estimativas de curtose
significativamente maiores do que 3 e indicando a no-normalidade dos retornos
(MORETTIN, 2004).
3.2 Modelo ARCH (Autoregressive Conditional

Heteroscedasticity)
At o incio dos anos 80 a maior parte dos estudos de sries financeiras utilizava
modelos lineares com mdia condicionada, do tipo auto-regressivo com mdia mvel
(ARMA), cuja metodologia, proposta por Box-Jenkins, procura modelar a dependncia linear
existente nos rendimentos de sries financeiras (BOLLERSLEV et al., 1992).
Todavia, esta hiptese de modelar a dependncia linear existente nos rendimentos de

sries financeiras raramente se verifica na prtica, pois os perodos de instabilidade sucedem-
se entre si, isto , um perodo de variao elevada de rendimentos tende a ser seguido por um
perodo de amplitude idntica, mas no sentido contrrio. Por conseguinte o risco est
correlacionado ao longo do tempo. Alm disto, a maioria das sries econmica e financeira
caracteriza-se pela no estacionariedade da mdia e, sobretudo, por exibir movimentos de
baixa e elevada volatilidade, o que dificulta a previso do comportamento futuro
(BOLLERSLEV et al., 1992).
Em 1982, Engle, ganhador do prmio Nobel de 2003, considerou que era possvel
construir um modelo paramtrico no qual a varincia seria condicionada por uma equao
algbrica, modelando no s a mdia, como tambm, a varincia condicionada. Estes modelos
procuram captar a volatilidade de autocorrelaes, onde o risco de hoje dependente do risco
observado no passado, contrariamente aos modelos auto-regressivos de mdia mvel
(ARMA). A este modelo se designou Autoregressive Conditional Heteroscedasticity (ARCH),
uma nova forma de modelar o comportamento dos rendimentos dos ativos financeiros, que se
baseava na existncia de heteroscedasticidade condicional verificada no passado imediato
(CAIADO, 2003).
A heteroscedasticidade a varincia flutuante de uma srie ao longo do tempo, ou

seja, a volatilidade de uma srie. Se, ao contrrio, a varincia de um conjunto de dados
permanece constante ao longo do tempo, a srie considerada homoscedstica
(BOLLERSLEV et al., 1992).
Os modelos da famlia ARCH so modelos no lineares utilizados na determinao da

volatilidade de sries temporais principalmente financeiras - onde modelos lineares se
provaram incompletos em funo da incapacidade de explicar algumas caractersticas destas
sries (ENGLE, 1982).
Os modelos ARCH assumem que a varincia condicional no constante, embora a

varincia incondicional o seja. No estudo das sries financeiras as inovaes de uma mesma
magnitude tendem a aparecer concentradas, sugerindo que a varincia de uma inovao pode
depender do tamanho da inovao anterior. Isso formalizado descrevendo a varincia de t
condicional a t-1 como uma funo linear do quadrado de t-1 conforme descrito por Silva
(2002):
t = f ( t21 ) = K + t21
Os modelos ARCH assumem que, em uma srie, a varincia da inovao se

correlaciona com a varivel independente. Desta forma, a varincia dita condicional e seu
valor depende da observao do prprio erro. Ou seja, heteroscedasticidade condicional
(ENGLE, 1982).
Os modelos ARCH estimam o fato empiricamente observado de que em sries de

variao de preos, a volatilidade condicional (medida pela varincia) tende a ser
correlacionada incrementalmente no tempo, apresentando perodos de volatilidade mais alta e
perodos de volatilidade mais baixa (BOLLERSLEV et al., 1992).
Para o modelo ARCH, considerando a srie temporal, a inovao e uma ordem q

para o modelo, sendo t um instante no tempo, tem-se para a varincia condicional 2 do erro,
segundo Bollerslev et al.(1992).
( )
q
ARCH (q ) t2 = 0 + i t21 (29)
i =1
q
Onde: i > 0
i < 1 so os coeficientes
i =1
t ~ N(0, 2); erro com distribuio normal, mdia nula e varincia 2
q>0
Assim, a varincia condicional 2 depende do quadrado dos erros da regresso

segundo uma ordem q. possvel provar que, no modelo ARCH acima, a varincia
condicional tem uma tendncia para convergir para uma constante. Esta constante representa a
varincia incondicional e que segundo Bollerslev et al.(1992), dada por:
0
2 = q
varincia incondicional (30)
1 i
i =1
A restrio do somatrio dos coeficientes ser menor do que 1 para garantir que o
modelo tenha covarincia estacionria.
Uma desvantagem do modelo que trata retornos positivos e negativos de forma

similar, j que quadrados dos retornos entram na frmula da volatilidade. Na prtica, sabe-se
que a volatilidade reage de modo diferente a retornos positivos e negativos (MORETTIN,
2004).
Para a srie de demanda em estudo no haver retornos negativos j que a demanda

no possui valores inferiores a zero.
Na classe dos modelos de especificao da volatilidade determinstica, que utiliza a

informao de preos passados para atualizar seu valor para o ativo corrente, pode-se
enumerar os modelos da famlia ARCH. No modelo ARCH vrias hipteses podem ser feitas
em relao aos retornos. Pode-se assumir que a distribuio normal ou no-normal,
introduzir a influncia de variveis exgenas e ainda verificar a interferncia da volatilidade
na determinao dos retornos (MORETTIN, 2004).
3.3 Modelo GARCH (Generalized Autoregressive Conditional

Heteroscedasticity)
Um modelo mais abrangente, no qual a varincia condicional depende no s do
passado da inovao como tambm do prprio passado desta, denominado de GARCH
(Generalized Autoregressive Conditional Heteroscedasticity ou ainda no muito bem
traduzido como Heteroscedasticidade Condicional Autorregressiva Generalizada). Uma
generalizao dos modelos ARCH foi sugerida por Bollerslev (1986) para oferecer um
modelo mais parcimonioso, isto , usando menos parmetros, o que minimiza a carga
computacional.
Devido dificuldade para se estimar os coeficientes do modelo ARCH, resultado da

recorrente necessidade de uma ordem q elevada, o modelo GARCH adiciona a dependncia
da varincia em relao varincia passada (MORETTIN, 2004).
Bollerslev (1986) generaliza o trabalho de Engle (1982), com uma famlia de modelos,
a qual inclui a famlia ARCH como caso particular (ANDRADE, 2004).
Tanto o modelo ARCH quanto o modelo GARCH so processos estocsticos em que a

volatilidade condiciona os rendimentos no futuro prximo. O modelo GARCH permite a
presena de componentes auto-regressivos e de mdias mveis na varincia heteroscedstica
dos ativos financeiros (MATHWORKS, 2002).
Heteroscedasticidade: significa variao (discrepncia) da varincia no tempo (ou

seja, volatilidade). A inovao no tem uma variao constante no decorrer de
toda a escala de valores. A inovao de uma srie de tempo tem sua varincia
variando no decorrer do tempo.
Condicional: implica que as observaes atuais dependem das observaes

imediatamente anteriores.
Auto-regressivo: descreve o mecanismo de retroalimentao que permite a

incorporao das observaes passadas nas observaes do presente.
GARCH, portanto, um mecanismo que inclui as varincias passadas na explicao

das varincias futuras. Mais especificamente, GARCH uma tcnica de sries temporais que
permite utilizar o modelo de dependncia serial da volatilidade (BOLLERSLEV, 1986).
Assim, para o modelo GARCH tem-se:
( ) + ( )
q p
GARCH (q, p) t2 = 0 + i
2
t i i
2
t i
(31)
i =1 i =i
onde p>0 a ordem da dependncia da varincia com a varincia passada, sendo os

coeficientes i > 0.
Para que o modelo tenha covarincia estacionria e, portanto, varincia incondicional

ou uma tendncia de convergncia, os coeficientes das ordens p e q devem satisfazer a
seguinte condio: (BOLLERSLEV, 1986).
q p
i + i < 1
i =1 i =i
Existe uma diferena fundamental entre modelo ARMA e GARCH. Enquanto no

modelo ARMA os rendimentos esto dependentes apenas dos rendimentos de perodos
anteriores, nos modelos ARCH/GARCH, os rendimentos dependem tambm da varincia

(volatilidade) observada no passado bem como dos erros associados ao processo anterior
(BOLLERSLEV, 1986).
Em comum, os modelos ARMA e GARCH assumem que os mercados so eficientes e

os rendimentos das aes seguem processos estocsticos e, portanto, imprevisveis a mdio e
longo prazo. Alm disso, para ambos, os modelos estocsticos simples pressupem que os
rendimentos no esto correlacionados e cuja mdia zero, isto , as autocorrelaes dos
rendimentos so nulas (BOLLERSLEV, 1986).
3.4 A Utilizao de GARCH

Os modelos GARCH permitem previses mais precisas da varincia e da covarincia
de uma srie de retornos de investimentos, por exemplo, atravs da sua habilidade em
modelar a varincia condicional e no-constante ao longo do tempo. Em conseqncia,
GARCH pode ser aplicado em diversas reas como VaR (Value-at-Risk) e outras aplicaes
de gerenciamento de risco e de portiflios que objetivam uma eficiente alocao de capital,
administrao de aes, preos de opes (inclusive preos de eletricidade), taxas de cmbio,
taxas de juros, inflao entre outros segmentos financeiros (WORTHINGTON et al., 2003).
Podemos tambm considerar a aplicabilidade dos modelos GARCH em cenrios onde a
volatilidade pode existir como em efeitos catastrficos (BOLLERSLEV, 1986).
O modelo GARCH um dos mais recentes avanos no entendimento e no

modelamento da volatilidade e excelente caracterstica de previso da varincia. O modelo
leva em considerao trs importantes caractersticas de sries temporais proeminentemente
financeiras: o excesso de curtose, descritas por distribuies de probabilidade mais achatadas
que uma Normal Padronizada, que pode ser visto na Figura 3-2, o agrupamento da
volatilidade (Cluster), representado pela Figura 3-4, e a alavancagem (ou efeito leverage.)
(BOLLERSLEV, 1986).
CURTOSE Normal
Padro
(FAT TAIL)
Leptocrtica
Padro
Figura 3-2 Excesso de Curtose de Sries Temporais Financeiras
A curtose o grau de achatamento de uma distribuio em relao a uma distribuio

padro (curva normal), provocando deformaes na configurao grfica da curva normal,
devido s mudanas no valor do desvio-padro. definida pelo quarto momento estatstico
(m4) dividido pelo desvio-padro da srie elevado quarta potncia (4): (STENGEL, 1986)
m4
C= onde o quarto momento dado por (32):
4 ,
_
( xi x) 4
m4 =
n
_
i
onde x cada elemento do conjunto de dados, x a mdia e n o nmero de
elementos da srie.
A curtose pode ser caracterizada por uma distribuio que apresenta uma curva de
freqncias mais fechada que a normal, denominada leptocrtica (Figura 3-3 A). Quando a
curva de freqncia mais aberta que a normal recebe o nome de platicrtica (Figura 3-3 B)
e a curva normal denominada de mesocrtica (Figura 3-3 C) (STENGEL, 1986).
Figura 3-3 Representao esquemtica da curtose
O agrupamento (clustering) da volatilidade uma caracterstica exibida pelas sries de

retornos nas quais uma grande oscilao tende a seguir grandes oscilaes e pequenas
oscilaes tendem a seguir pequenas oscilaes. Em ambos os casos, as mudanas de um
perodo para o seguinte so tipicamente imprevisveis. Deste modo, uma perturbao grande,
positiva ou negativa, torna-se parte do conjunto de informaes usadas para construir a
previso da varincia para o prximo perodo perturbado (BOLLERSLEV, 1986).
Tambm denominado de persistncia, o agrupamento sugere um modelo de sries

temporais nas quais perturbaes sucessivas, embora no correlacionadas, so, no entanto,
serialmente dependentes (BOLLERSLEV, 1986).
Perodo de volatilidade
Perodo de elevada
volatilidade elevada
Perodo de
volatilidade menor
Clusters
Figura 3-4 Agrupamento (Clustering)

A observao da Figura 3-4 permite constatar que esta srie dos retornos dirios
apresenta caractersticas de estabilidade na mdia, mas exibe uma das particularidades tpicas
das sries financeiras: perodos de variabilidade mais elevada intercalados com perodos de
menor variabilidade.
Quando se trabalha com mercados especulativos tais como taxas de cmbio, de juros
freqente constatar que grandes e pequenos erros ocorrem em grupos (clusters)
(MATHWORKS, 2002).
J a alavancagem capturada por certas classes de modelos GARCH (como os

modelos EGARCH e GJR, apresentados na seo 3.10.1 e 3.10.2). Neste tipo de efeito, os
retornos esto sempre negativamente correlacionados com as mudanas na volatilidade, isto ,
para alguns tipos de variveis (principalmente financeiras), a volatilidade tende a crescer
quando o retorno diminui, e diminui quando o retorno torna-se maior (BOLLERSLEV, 1986).
Para Morettin (2004) os modelos ARCH e GARCH supem que a varincia

condicional no instante t depende dos quadrados das inovaes passadas, ou seja, ela afetada
simetricamente por inovaes positivas ou negativas. Mas h evidncias (BLACK, 1976) que
retornos de aes so afetados de modo assimtrico por choques negativos e positivos. Esta
assimetria pode ser devida ao efeito alavancagem, por exemplo, quando o preo de uma ao
cai, aumenta a volatilidade dos retornos dos acionistas. Outra fonte de assimetria a averso
ao risco. Neste caso, o aumento de volatilidade reduz a demanda por uma ao, como o
conseqente decrscimo de seu valor mais o aumento da volatilidade.
O modelo GARCH um modelo verstil que pode ser aplicado a todo fenmeno fsico
que apresente as caractersticas de volatilidade semelhantes s das sries temporais
financeiras. Todo fenmeno fsico que pode ser observado pode tambm ser caracterizado por
uma srie temporal amostrada. Muitos destes fenmenos possuem comportamento com
caractersticas de variao abrupta numa escala relativa de tempo, em intervalos de
amostragem que variam de alguns milisegundos a vrios dias. Independente da escala relativa
de tempo, todos possuem a mesma caracterstica de volatilidade e, independente de sua
origem, so processos estocsticos e podem ser caracterizados por modelos baseados em
caractersticas representativas de suas propriedades estatsticas ou probabilsticas. Modelos
tais como ARMA e ARIMA so freqentemente utilizados, mas apresentam deficincias por
no cobrirem outros parmetros estatsticos de ordem superior, tais como a variao da
varincia (volatilidade). Embora muitos fenmenos no sejam cclicos, a anlise de um
ciclo amostrado pode empregar metodologias aplicveis a sistemas peridicos

(WORTHINGTON et al., 2003).
Por exemplo, fenmenos tais como a combusto termodinmica um processo

termodinmico que apresenta uma caracterstica de crescimento da presso dentro a cmara
de combusto seguida do surto abrupto de presso (e temperatura) causado pela ignio do
combustvel, tais como a migrao de populaes, sejam na forma migratria dos povos, seja
na procura pela subsistncia tal como amostras da populao de formigas que num intervalo
de horas deslocam-se em massa de seu habitat, com o objetivo de transportar alimentao.
Fenmenos sazonais ionosfricos, causados pela rotao da Terra e por tempestades
magnticas solares ou mesmo anomalias geomagnticas, interferem nos sistemas de
comunicaes e navegao por satlites, gerando erros que, se convenientemente modelados,
podem ser compensados e minimizados. Sistemas de navegao por satlites buscam modelos
ionosfricos que melhor representem as sazonalidades dirias e perturbaes geomagnticas
com o objetivo de oferecer precises milimtricas de posicionamento, viabilizando a
navegao e o posicionamento de preciso. Aplicaes tais como posicionamento geodsico e
sistemas de pouso automtico de preciso para aeronaves comerciais, so exemplos prticos
do uso de modelos baseados em processos estocsticos. Outros fenmenos caracterizados
como catstrofes tais como acidentes em usinas nucleares, ou mesmo fenmenos naturais
tais como abalos ssmicos, caracterizados pela sua variao rpida e nica (fenmeno no-
peridico) podem utilizar os modelos GARCH para simulao e previso.
3.5 Limitaes do Modelo GARCH

Embora os modelos GARCH tenham uma gama extensiva de aplicaes, existem
limitaes: (MATHWORKS, 2002)
GARCH uma tcnica que requer certa experincia, e embora produza

freqentemente resultados satisfatrios, esses resultados dependem do nvel de
expertise do especialista (BAILS e PEPPERS, 1982).
A srie deve se comportar como um processo estacionrio.
A srie deve possuir varincia condicional varivel no tempo.

GARCH apenas parte de uma soluo. Embora os modelos GARCH sejam

geralmente aplicados para sries de retorno, as decises financeiras so baseadas
em outros critrios alm de retornos esperados e volatilidades.
Ainda que os modelos GARCH tenham sido projetados para modelar

discrepncias condicionadas a variaes no tempo, os modelos GARCH
freqentemente falham por no capturar fenmenos altamente irregulares,
incluindo flutuaes ferozes do mercado (como, por exemplo, quedas e
repercusses sucessivas), e outros eventos altamente inesperados que podem
conduzir a uma mudana estrutural significante.
Os modelos GARCH comumente falham em no capturar o comportamento de

curtose observadas em sries de retorno de ativos para pequenas amostras. A
heteroscedasticidade consegue explicar alguns comportamentos de excesso de
curtose, mas no todos. Para compensar esta limitao, as distribuies de cauda
pesadas, como as distribuies de Student vm sendo aplicadas para modelar
GARCH.
Existem poucas ferramentas computacionais para utilizar o GARCH, dentre elas o

Eviews e o MATLAB 7.0.1 (que utiliza o toolbox GARCH).
3.6 Princpio do Modelo GARCH

O princpio bsico dos modelos GARCH que, em geral, grandes mudanas tendem a
ser seguidas por grandes mudanas, e pequenas mudanas tendem a ser seguidas por pequenas
mudanas. Sob esta tica, a previso da variabilidade torna-se to importante quanto a
previso dos valores da srie original (ENGLE, 1982).
3.7 O Modelo Padro

No modelo padro GARCH, a srie de retornos yt representada pelo modelo de
mdia constante C com inovaes gaussianas t, segundo um GARCH (1,1), conforme
descrito nas equaes abaixo: (BOLLERSLEV, 1986).
yt = C + t (33)
A varincia t2 da srie, ou seja, o modelo GARCH (1,1) propriamente dito

representado, em primeira ordem, pela equao:
t2 = K + G1 t21 + A1 t21 (34)
A Figura 3-5 exemplifica modelos ARMA e GARCH que descrevem,

respectivamente, a mdia condicional e a varincia condicional em uma srie de retorno.
Figura 3-5 Exemplo de um Modelo GARCH para Mdia e Varincia Condicional
O modelo de mdia condicional , freqentemente, suficiente para descrever a mdia

condicional em uma srie de retorno financeira (BOLLERSLEV, 1986).
O modelo de varincia condicional, equao (2), um modelo que pode ser usado para
previso (alm da anlise) da varincia t2, que consiste de uma constante K adicionada de
uma mdia ponderada dos ltimos perodos de varincia t 1 e dos ltimos perodos do
2
quadrado das inovaes t21 . Nesse modelo supe-se a inexistncia de efeitos
autorregressivos e de mdia mvel na srie de retornos y t . Trata-se de um modelo simples,

mas bastante comum desde que a srie seja estacionria (BOLLERSLEV, 1986).
O modelo GARCH (1,1), mostrado nas equaes anteriores tem vrios benefcios:
(HAMILTON,1994)
Representa um modelo parcimonioso que requer a estimao de apenas quatro

parmetros (C, K, G1 e A1). De acordo com Box e Jenkins (1976), quanto menor o
nmero de parmetros para estimar, menor ser o erro de estimao. Modelos
elaborados freqentemente falham em relao aos seus benefcios de previso.
GARCH (1,1) consegue capturar a maioria da variabilidade nas sries de retorno.

A utilizao de pequenos atrasos (ou lags) para P e Q comum em aplicaes
empricas. Tipicamente, GARCH (1,1), GARCH (2,1), ou GARCH (1,2) so
modelos adequados para modelar volatilidades igualmente em relao aos
perodos de amostra longos.
Para termos de ordem superior os modelos GARCH so denominados de modelos

GARCH (P,Q) onde: (BOLLERSLEV, 1986).
P Q
t2 = K + i t2i + j t2 j (35)
i =1 j =1
com a condio de estacionariedade:
P Q
i + j <1
i =1 j =1
onde:
P a ordem do modelo que determina o nmero de atrasos da varincia condicional

includa no processo GARCH.
Q a ordem do modelo que determina o nmero de atrasos das inovaes quadrticas

includas no processo GARCH.
3.8 Mdia e Varincias Condicionais

Existem vrios modelos GARCH disponveis, sendo muito comum encontrarem-se os
modelos de mdia e varincia condicionais associados.
Para a mdia condicional, comum utilizar-se um modelo ARMAX (R, M, Nx) para
os retornos, tal que: (MATHWORKS, 2002)
R M Nx
yt = C + i y t i + t + j t j + k X (t , k ) (36)
i =1 j =1 k =1
com coeficientes autorregressivos , coeficientes de mdia mvel j, inovaes t, e os

retornos yt. X uma matriz de regresso na qual cada coluna uma srie temporal e X(t, k)
denota a t-sima linha e a k-sima coluna.
A Varincia Condicional das inovaes, t2, por definio:
Vart 1 ( y t ) = E t 1 ( t2 ) = t2 (37)
onde: Et-1 o valor esperado no instante t-1
A viso de GARCH est relacionada com a distino entre varincia condicional e no

condicional em relao s inovaes (BOLLERSLEV, 1986).
O termo condicional implica em dependncia explcita em relao a uma sucesso

passada de observaes. O termo no condicional se preocupa mais com comportamento em
longo prazo de uma srie de tempo e assume nenhum conhecimento explcito do passado
(ENGLE, 1982).
Os vrios modelos GARCH caracterizam a distribuio condicional de t impondo

parametrizaes alternativas para capturar a dependncia serial da varincia condicional das
inovaes (BOLLERSLEV, 1986).
3.9 Modelo Geral GARCH (P,Q)

O modelo geral GARCH (P, Q) para a varincia condicional das inovaes dado por:
P Q
t2 = k + Gi t2i + A j t2 j (38)
i =1 j =1
com as seguintes restries:
P Q
Gi + A j < 1; k > 0; Gi 0 i = 1,2,..., P; A j 0 j = 1,2,..., Q
i =1 j =1
3.10 Variaes do GARCH

A definio exata de qualquer classe particular dos modelos GARCH ainda polmica
dentro da literatura sobre econometria. Como resultado, h freqentemente discrepncias
entre pesquisadores e referncias sobre a forma funcional exata, ou restrio de parmetro, ou
ambos, de quase todos as variaes dos modelos GARCH (MATHWORKS, 2002).
Embora a forma funcional do modelo GARCH (P, Q) seja totalmente padro, existem
restries alternativas. Porm, estes alternativas envolvem inequaes no lineares adicionais
que so difceis de impor na prtica, e que no afetam o modelo padro GARCH(1,1), que
sem dvida o mais comum (MATHWORKS, 2002).
3.10.1 EGARCH Exponential GARCH

Nelson (1991) props o modelo GARCH exponencial ou EGARCH, como modelo
ARCH alternativo para captar este comportamento assimtrico na volatilidade.
O modelo EGARCH (P, Q) utilizado para varincia condicional das inovaes com
condies de alavancagem (correlao negativa entre os rendimentos presentes e a
volatilidade futura) e uma suposio de distribuio de probabilidade (NELSON,1991).
Neste modelo o efeito de alavancagem exponencial e no mais necessrio impor

restries de no negatividade sobre os parmetros e . O efeito de alavancagem existe se 0
< . O choque assimtrico se 0 e simtrico se 0 = (CAIADO, 2003).
O modelo geral pode ser representado abaixo:

t j t j

P Q

Q
t j

log = K +
2
Gi log 2
t 1 + Aj + Lj
(39)
t j t j t j

T

i =1 j =1 j 1
Onde:
t ~ N (0, t2 )
E{.} o valor esperado da varivel.
Assim sendo, choques positivos ou negativos podem produzir resultados diferentes

(assimtricos) conforme os coeficientes de alavancagem (leverage effect ou correlao
negativa entre retorno e volatilidade). Se o coeficiente for menor do que 0, h a correlao
negativa. Ainda para o EGARCH, choques recentes podem ter um impacto maior ou menor
do que o GARCH curva exponencial versus curva quadrtica do modelo GARCH original
(NELSON,1991).
Modelos EGARCH podem ser difceis de convergir, dependendo do nmero de

parmetros a serem estimados (MATHWORKS, 2002).
3.10.2 Modelo GJR Glosten, Jagannathan and Runkle

O modelo GJR outra variao assimtrica do modelo GARCH, cujo objetivo ,
assim como o EGARCH, permitir a diferenciao entre impactos positivos e negativos da
srie temporal. Para Engle (1986), o modelo GJR tem-se:
P Q Q
=K+
t
2
Gi 2
t 1 + A 2
j t j + L j S t j t2 j (40)
i =1 j =1 j 1
onde:
P Q Q
t2 = K + Gi t21 + A j t2 j + L j St j t2 j
i =1 j =1 j 1
" # 1 t j <0
S t j =
0 t j >0
!
P Q Q
1
Gi + Aj + Lj <1
i =1 j =1 2 j =1
K >0
Gi 0 i=1, 2,...,P
Aj 0 j=1, 2,...,Q
Aj + L j 0 j=1, 2,...,Q
No modelo GJR, se o coeficiente for maior do que 0, h a correlao negativa.
Os modelos EGARCH(P,Q) e GJR(P,Q) so ambos modelos assimtricos projetados

para capturar o efeito alavancagem (correlao negativa), entre retornos (lucros) e
volatilidade. Ambos incluem condies de alavancagem que tanto levam em conta o sinal
como tambm a magnitude da inovao. Embora sejam projetados para capturar o efeito
alavancagem, a maneira na qual eles fazem isto notadamente diferente (ENGLE, 1986).
Para EGARCH (P,Q), os coeficientes de alavancagem Li so aplicados para as

inovaes atuais t-1. Para GJR (P,Q), os coeficientes de alavancagem, entram no modelo por
um indicador Booleano, ou uma varivel dummy. Por esta razo, se o efeito alavancagem
realmente se mantm, os coeficientes de alavancagem Li devem ser negativos para EGARCH
(P,Q) e positivos para GJR (P,Q). Isto est em contraste com os modelos GARCH(P,Q) no
qual o sinal da inovao ignorada (MATHWORKS, 2002).
Embora os modelos GARCH (P,Q) e GJR (P,Q) incluam condies relacionadas s

inovaes do modelo, t = zt.t, EGARCH(P,Q) inclui termos relacionados padronizao
dos inovaes, zt = t/t, tal que zt atua como uma varivel forando para a varincia
condicional e o erro. Neste aspecto, os modelos EGARCH(P,Q) so fundamentalmente nicos
(ENGLE, 1986).
A maneira que o toolbox GARCH parametriza os modelos GARCH(P,Q) e GJR(P,Q)

inclusive em relao s limitaes, permite interpretar o modelo GJR(P,Q) como uma
extenso direta de um modelo GARCH(P,Q). Do mesmo modo possvel interpretar um
modelo GARCH (P,Q) como um modelo GJR(P,Q) restrito com termos nulos de
alavancagem. Esta ltima interpretao conveniente para, entre outras coisas, estimao e
testes de hiptese que testa por relaes de probabilidade (ENGLE, 1986).
Para os modelos GARCH(P,Q) e GJR(P,Q), os tamanhos dos atrasos assim como as

grandezas dos coeficientes determinam at que ponto as perturbaes persistem. Estes valores
determinam a quantia mnima de dados de uma pr-amostra so necessrios para iniciar a
simulao e o processo de estimao (MATHWORKS, 2002).
3.10.3 IGARCH Integrated GARCH
O modelo IGARCH idntico ao modelo GARCH, porm no obedece condio de

covarincia estacionria e utiliza: (BOLLERSLEV, 1986).
q p
i + i = 1 (41)
i =1 i =i
Neste modelo, um choque na varincia (ou na srie temporal) em um instante no

tempo influencia ou permanece importante por um perodo longo de previses. Muitas sries
financeiras apresentam esta caracterstica.
importante observar que se forem consideradas poucas previses (horizonte curto),

no haver grande influncia da condio de covarincia no estacionria. No entanto, se o
horizonte de previses for muito longo, este modelo tender a uma varincia condicional
ilimitada (no estacionria).
3.10.4 TGARCH Threshold GARCH
O modelo GJR e o modelo TGARCH so similares, sendo que o TGARCH se aplica

ao desvio padro condicional ao invs da varincia condicional (HAMILTON, 1994)
(BOLLERSLEV et al.,1994).
3.10.5 ARCH-M ARCH em Mdia

Outra classe de modelos particularmente til em aplicaes na anlise de procura de
ativos financeiros, em que a variabilidade do rendimento dos ativos est relacionada com o
risco esperado, so os modelos ARCH-em-Mdia ou ARCH-M introduzidos por Engle, Lilien
e Robins (1987). Os modelos ARCH-M so um desenvolvimento dos modelos ARCH em que
o nvel da srie em estudo depende da sua prpria varincia condicionada: (BOLLERSLEV,
1992)
Yt = X t' + t + t (42)
t = f ( t )
t2 = + 1 t21 + ... + q t2q
onde a srie Yt funo das variveis exgenas Xt e da sua prpria varincia condicionada t,
sendo o coeficiente g designado por parmetro ARCH em mdia. Segundo estes autores, o
prmio de risco uma funo crescente da varincia condicionada do rendimento esperado.
3.11 Estimao de Coeficientes

Para estimar os coeficientes dos modelos da famlia ARCH, pode-se utilizar a
maximizao da funo de probabilidade (verossimilhana) logartmica LLF (Log-Likelihood
Function) atravs de algoritmos numricos iterativos (BOLLERSLEV, 1986).
Esta funo , para uma srie de tamanho T com distribuio normal dos erros da
regresso (ou retornos) e considerando o conjunto de coeficientes do modelo, dada por:
(HORNBECK, 1975)
, &
T
f ( | i 1; ) f (1; )
( ) -./
LLF = ln
*
' i + $ % (43)
i=2
onde f a funo de probabilidade (i = 1) ou funo de probabilidade conjunta (i > 1)

da distribuio normal:
e2

f ( ) =
1
e 2
0 2
1
~ N (0, 2 )
Reescrevendo a LLF:
4
2
ln ( i2 ) + i2
T
LLF = ln(2 )
T 1 567 2
(44)
i
3
2 2 i =1
Esta funo pode ser maximizada analiticamente ou numericamente. Se a ordem de

dependncia em relao ao passado for maior do que o intervalo de amostragem, pode-se
assumir os valores em falta (observaes anteriores ao incio da srie) como iguais aos valores
de equilbrio (varincia inicial igual varincia incondicional) para modelos estacionrios, ou
iguais mdia dos quadrados da srie para os modelos no estacionrios ou assimtricos
(varincia inicial igual ao erro quadrtico mdio). O erro inicial sempre igual raiz
quadrada da varincia inicial (HORNBECK, 1975).
3.12 Predio da Volatilidade

Tambm possvel projetar a volatilidade (ou varincia) para um perodo futuro. Por
exemplo, para o modelo GARCH(1,1) pode-se deduzir a varincia para d perodos frente de
um instante t:
P Q
t2+ d = K + Gi (2t + d ) i + A j (2t + d ) j (45)
i =1 j =1
com as restries:
P Q
Gi + Aj < 1
i =1 j =1
K >0
Gi 0 i = 1, 2,..., P
Aj 0 j = 1, 2,..., Q
Em sries financeiras, a varincia condicional depende do quadrado dos retornos

passados segundo a ordem Q e depende da varincia condicional passada segunda a ordem P.
Ainda, os retornos (dados da srie temporal) tm distribuio normal com varincia igual a 2
e mdia nula (BOLLERSLEV, 1986).
3.13 Previso de Sries Temporais Utilizando o Modelo GARCH

Com a liberalizao da indstria eltrica a eletricidade transformou-se em uma
commodity, com comportamento similar ao de outras, como o petrleo, carvo ou cobre, isto
, tornando-a particularmente adequada para ser estudada com o auxlio da classe de modelos
no lineares GARCH.
A investigao da utilizao da metodologia GARCH para a previso da volatilidade

associada demanda de eletricidade ser desenvolvida segundo um mtodo definido no
captulo 4. Neste esquema sugerido a previso foi dividida em 3 etapas: a pr-estimao, a
estimao e a ps-estimao, conforme MATHWORKS (2002). Aps a realizao destas
fases pode-se avaliar a previso da srie, utilizando-se uma funo desenvolvida em
MATLAB 7.0.1 a partir do toolbox GARCH.
3.14 Pr Estimao
A etapa de pr-estimao visa analisar os dados originais da srie temporal e verificar
se a srie satisfaz as condies necessrias para a aplicao do modelo GARCH. Nesta etapa
tambm verificada a existncia de caractersticas que so, ou no, cobertas pelo modelo
GARCH, tais como, estacionariedade, sazonalidade, e correlaes (MATHWORKS, 2002).
3.14.1 Srie Original x Srie Transformada
O modelo GARCH pressupe que a srie estudada comporte-se como um processo

estacionrio, ou seja, que o nvel mdio em torno do qual os valores da srie mudam
gradualmente permanea estvel. A Figura 3-6 a seguir demonstra o comportamento no
estacionrio de uma srie.
Embora a anlise da srie de valores mdios oferea uma viso direta da dinmica da varivel,
ela no pode considerar-se estvel em relao varincia, uma vez que a sua variabilidade
no permanece constante no perodo considerado. Deste modo, o estudo da srie temporal ir
se desenvolver com base na srie dos acrscimos relativos que se tornam lineares com a
aplicao de logaritmos. Uma srie transformada, Yt, deve preservar as caractersticas bsicas
da srie original (ENDERS, 1995).
Figura 3-6 Comportamento no estacionrio de uma srie de valores
Denotando observaes sucessivas de uma varivel tomada nos instantes t e t+1 como
Pt e Pt+1, respectivamente, uma transformao da srie de valores em uma srie de diferenas
(ou retornos) dada por:
Pt +1
Yt = log = log( Pt +1 ) log( Pt ) (46)
Pt
Aplicando-se esta transformao aos mesmos dados que geraram a Figura 3-6, tem-se
uma nova srie, conforme demonstra a Figura 3-7.
Figura 3-7 Srie de Retornos
Assim, de acordo com a Figura 3-7, a transformao permite tornar a srie

estacionria. Esta srie transformada chamada de srie dos retornos.
Como o modelo GARCH assume uma srie de retorno, a anlise de pr-estimao

carrega (grava) os dados na forma de uma srie de preo, em seguida converte a srie de
preo em uma srie de retorno e analisa e quantifica a correlao desta srie de retorno
(MATHWORKS, 2002).
Nesta etapa a srie original de preos convertida para uma srie de retorno. Isto
porque no modelo GARCH a varivel dependente o retorno e assim necessrio converter
os preos para retornos (lucros). O GARCH procura modelar a volatilidade (varincia ou
desvio padro) da srie, ao invs do preo (MATHWORKS, 2002).
3.14.2 Correlao e Previso de Sries Temporais de Retornos
Tratando-se uma srie temporal de retornos como um processo estocstico, isto ,

como uma seqncia aleatria, esta poder exibir algum grau de correlao entre duas de suas
observaes. Esta correlao pode ser usada para predizer valores futuros do processo
baseando-se no histrico das observaes passadas. A explorao da estrutura da correlao
permite decompor a srie temporal em dois componentes: um determinstico (a previso) e
um aleatrio (o erro ou a incerteza associados previso). Usando-se estes dois componentes,
pode-se escrever a seguinte equao: (MORETTIN e TOLOI,1987)
yt = f (t 1, X ) + t (47)
onde: X a varivel explicativa

Nesta equao, yt = f(t-1, X) representa a previso dos retornos atuais como funo de
alguma informao conhecida no tempo t-1, incluindo as inovaes (innovations), as
observaes e outras variveis exploratrias relevantes passados. O termo t o componente
aleatrio. Ele representa as inovaes das observaes em relao mdia de yt.
Uma hiptese comumente aceita na modelagem de sries temporais financeiras a de

que o erro de previso tem mdia zero e as observaes so no-correlacionados entre um
perodo e o subseqente. E, embora sucessivos resduos sejam no-correlacionados, eles no
so independentes. Um mecanismo GARCH gerador de resduos dado por t =t.zt, onde t
o desvio padro condicional e zt uma varivel aleatria padronizada, independente e
identicamente distribuda, originria de alguma distribuio de probabilidade.
3.14.3 Grficos de Autocorrelao e de Autocorrelao Parcial

Na estimao dos parmetros de um modelo de mdia e varincia condicional
possvel encontrar, ocasionalmente, problemas de convergncia onde a estimao pode
mostrar pouco ou nenhum progresso. Isto pode terminar prematuramente antes da
convergncia ou pode convergir em uma soluo no esperada. Ou ainda, pode convergir para
uma soluo menos adequada e ineficiente (MATHWORKS, 2002).
possvel evitar muitas destas dificuldades executando uma anlise de pr-ajuste,

utilizando algumas tcnicas como a criao de grfico de srie de retorno e analisando a
autocorrelao (ACF) e autocorrelao parcial (PACF), assim como alguns testes
preliminares, como o teste de Engles ARCH e o Q-teste (MATHWORKS, 2002).
A meta detectar problemas de convergncia, selecionando o modelo mais simples

que descreva os dados mais adequadamente.
Uma maneira de se verificar qualitativamente e quantitativamente a correlao

existente em uma srie bruta de retornos examinar os grficos das funes de ACF e PACF.
O grfico de autocorrelao, representado pela Figura 3-8 formado por um eixo

vertical, que representa o Coeficiente de Autocorrelao (Rh), e por um eixo horizontal que
representa os atrasos (lags) temporais h = 1, 2, 3, ....
Figura 3-8 Grfico da Funo de Autocorrelao (ACF)
As retas horizontais azuis identificadas no grfico da Figura 3-8 representam limites

de um intervalo de confiana de 95%, estabelecidos segundo as expresses:
1 (48)
Limites = z1( / 2 )
N
Nestas equaes, k o atraso, N o tamanho da amostra, z o percentil de uma

distribuio normal padronizada para um dado , e o nvel de significncia escolhido.
(BOX e JENKINS, 1976).
O grfico de autocorrelao de retornos baseia-se na hiptese de que todos os

coeficientes de correlao so iguais a ZERO (ou seja, no existe correlao) para os atrasos
negativos. O grfico de autocorrelao parcial tem anlise similar. Examinando-se a Figura
3-8, nota-se que todos os coeficientes de autocorrelao para diferentes atrasos caem dentro
dos limites de controle, o que suficiente para suportar a hiptese de que no h correlao
entre os dados da srie.
Embora a ACF dos retornos possa exibir pequena correlao, a ACF dos retornos
quadrticos pode continuar indicando significativa correlao e persistncia nos momentos de
segunda ordem.
Figura 3-9: Grfico de Autocorrelao para os Retornos Quadrticos
A Figura 3-9 mostra que, embora os retornos no exibam correlao significativa, a

varincia do processo demonstra algum tipo de correlao, o que uma indicao que os
dados possam ser modelados por GARCH.
3.14.4 Testes de Hiptese na Correlao-Teste Q de Ljung-Box-Pierce e o

Teste de Engle
Os grficos de autocorrelao so ferramentas qualitativas muito teis, entretanto, a

anlise precedente pode ser verificada aplicando-se testes de hiptese formais, tais como o Q
Teste de Ljung-Box-Pierce ou o Teste de Engle (MATHWORKS, 2002).
O Q-Teste de Ljung-Box-Pierce um mtodo usado para testar todas as

autocorrelaes dos erros do modelo, e no apenas o seu primeiro atraso. Sua hiptese nula
que a soma dos quadrados das autocorrelaes seja zero, isto , que no existe essa
autocorrelao. Quanto maior for o seu valor, maior ser a autocorrelao (RIBEIRO e
PAULA, 2000).
Sempre que se toma uma deciso ou se faz uma inferncia sobre uma populao a
partir de dados amostrais corre-se o risco de se cometer algum tipo de erro. A hiptese to
somente uma afirmao que se deseja testar, tendo como fonte de provas os dados
provenientes da anlise da amostra.
Existem dois tipos de erro (mutuamente exclusivos) que podem ser cometidos em um
teste de hipteses (Figura 3-10). O primeiro o Erro Tipo I, que consiste em se rejeitar a
hiptese nula quando ela verdadeira. A probabilidade de se cometer este tipo de erro ,
denominado nvel de significncia do teste (MONTGOMERY e RUNGER, 2003).
O segundo tipo o Erro Tipo II, que consiste em se aceitar a hiptese nula quando ela
for falsa. A probabilidade de se cometer este tipo de erro .
Figura 3-10 Avaliao do Erro de Deciso e Representao das Probabilidades e
Rejeitar Ho
)
(
Aceitar Ho
)
(1-
Figura 3-11 Regies de Rejeio e Aceitao de Ho para uma distribuio Qui-Quadrado
Para quantificar a correlao pode-se utilizar testes de hipteses como o Ljung-Box-

Pierce Q-Test e o Engles ARCH-Test.
Conforme pode ser visto na Figura 3-11, os dois tipos de erro no podem ser
cometidos simultaneamente. A amostra fornece a estatstica de teste, parmetro que quando
comparado ao valor crtico determinado pelo nvel de significncia , conduz aceitao ou
rejeio da hiptese nula. Ao conjunto de todos os valores da estatstica de teste que levam
rejeio da hiptese nula d-se o nome de regio crtica. (MONTGOMERY e RUNGER,

2003). Cada estatstica de teste est associada a uma distribuio de probabilidade (t-Student,
F-Fisher, Qui-Quadrado, Normal Padronizada, etc).
Na quantificao da correlao, portanto, sob a hiptese nula de no existncia de

correlao serial (H0: rk=0; H1: rk 0), a estatstica de teste Q assintoticamente distribuda
como Qui-Quadrado. Tal estatstica dada por:

K
r 2k (49)
Q( K ) = n(n + 2)
k =1 ( n k )
e ter uma distribuio 2 com K graus de liberdade.
Alternativamente, pode-se utilizar o teste de Engle. Sob hiptese nula de que uma
srie temporal uma seqncia aleatria com perturbaes gaussianas, esta estatstica de teste
tambm assintoticamente distribuda como Qui-Quadrado.
Ambos os mtodos retornam os mesmos parmetros (ou seja, as respostas). No

software MATLAB 7.0.1 , por exemplo, uma primeira sada H (varivel de deciso
Booleana) pode assumir dois valores: quando H = 0, significa que no existe correlao serial
significativa (isto , no se pode rejeitar a hiptese nula no nvel de significncia escolhido);
quando H = 1, existe correlao (rejeita-se H0).
3.15 Estimao Paramtrica

A etapa de estimao calcula os parmetros relacionados srie de retorno,
possibilitando uma anlise do modelo GARCH calculado (MATHWORKS, 2002).
3.15.1 Estimao dos Parmetros do Modelo
A presena de heteroscedasticidade, mostrada na anlise anterior, indica se o modelo

GARCH apropriado para uma srie temporal.
3.15.2 Exame do Modelo GARCH calculado
Com a estimao completa ser utilizada uma funo do MATLAB 7.0.1 para exibir
os parmetros estimados e seus erros padro.
3.16 Ps-Estimao
A etapa de ps-estimao analisa as inovaes provenientes da srie modelada,
possibilitando analisar se as inovaes apresentam caractersticas da srie que podem no ter
sido modeladas. Para isto faz-se a anlise de autocorrelao das inovaes quadrticas e
aplica-se tambm o teste de Ljung-Box para verificar a existncia residual de agrupamentos
nas inovaes (MATHWORKS, 2002).
3.16.1 Anlise das Inovaes, Desvios Condicionais e Retornos Estimados.

feita uma anlise das inovaes, desvio padro condicional (sigma), e retornos
(lucro), utilizando grficos e tcnicas quantitativas para comparar a correlao das inovaes.
Alm das estimativas de parmetro e das inovaes, utilizada uma funo do

MATLAB 7.0.1 para gerar o valor da funo de maior probabilidade (LLF), as inovaes e
desvios padro condicional (sigmas).
Uma funo do MATLAB 7.0.1 utilizada para comparar a relao entre as

inovaes (oriundas do modelo ajustado), o desvio padro condicional correspondente e os
retornos observados.
3.16.2 Correlao das Inovaes.

Morettin (2004) e Box e Pierce (1970) sugerem a estatstica de teste Q para as
autocorrelaes das inovaes estimadas, que, apesar de no detectar quebras especficas no
comportamento de rudo branco, pode indicar se esses valores so muito altos. Se o modelo
for apropriado, ento a funo Q ser dada conforme equao (49) e a hiptese de rudo
branco para os resduos rejeitada para valores grandes de Q.
O teste de Ljung-Box mostrar se as inovaes provenientes da srie modelada

apresentam caractersticas da srie que podem no terem sido modeladas, verificando a
existncia residual de agrupamentos nas inovaes.
Ser satisfatrio que as inovaes venham a se tornar um processo aproximadamente

i.i.d (identicamente e independentemente distribudo), com uma distribuio gaussiana, e que
no tenham qualquer correlao serial e agrupamentos de volatilidade, sendo, desta forma,
satisfatrio para simulao histrica (ADESI et al., 2000).
3.16.3 Simulao
Dados os modelos para a mdia e varincia condicionais ser utilizada uma funo do
MATLAB 7.0.1 para simular um ou mais caminhos de amostra para sries de retorno,
inovaes, e processos de divergncia de padro condicionais.
Dados os modelos para a mdia e varincia condicional e uma observao da srie de

retorno univariada, a simulao deduz as inovaes da srie de retorno e estima, pelo mtodo
da mxima verossimilhana, os parmetros K, A e B do modelo GARCH necessrios, e que se
ajustam aos modelos especificados srie de retorno.
Captulo 4 SIMULAO E ANLISE DOS DADOS 95
4 SIMULAO E ANLISE DOS DADOS

Neste captulo ser apresentado um mtodo de previso da volatilidade de demanda
de eletricidade utilizando a ferramenta computacional MATLAB 7.0.1, empregando os
conceitos do modelo GARCH. Este mtodo foi dividido em trs etapas: pr-estimao,
estimao, e ps-estimao. Com a realizao destas fases, que sero discutidas em detalhes
neste captulo, pode-se avaliar a previso da volatilidade.

As etapas de desenvolvimento do modelo para previso de volatilidade sero
discutidas a seguir. Um modelo de Previso de Carga a Curto Prazo (PCCP) utilizando
modelos GARCH foi simulado em ambiente MATLAB 7.0.1 e os resultados preliminares
obtidos sero apresentados e discutidos.
Construo do Modelo: a construo do modelo ser definida a seguir, utilizando o

modelo GARCH (P,Q).
Modelagem computacional: o modelo computacional criado foi uma funo com

interface para usurio usando a ferramenta GARCH do MATLAB 7.0.1 .
Simulao: a simulao a ser realizada fundamenta-se na construo de modelos no-

lineares univariados de previso de volatilidade, com base em dados de sries temporais de
demanda de energia.
4.2 Caracterizao da Srie Histrica de Demanda

A srie de demanda de energia utilizada refere-se aos dados coletados pela DEI no
perodo de 01 de dezembro de 2002 a 16 de junho de 2003. Os dados so tomados em base
(intervalo de amostragem) horria e correspondem s medies de potncia ativa em MW,
totalizando 4.752 medies (horas).
Podemos ter tambm uma caracterizao mais detalhada da srie de demanda pelas
anlises abaixo:
A Figura 4-1 mostra o comportamento semanal das demandas, onde cada nmero
equivale a um dia da semana, o nmero 1 representando o domingo, o nmero 2
representando a segunda-feira, e assim por diante.
Pelo grfico da Figura 4-1 o comportamento da demanda no pode ser considerado

com a mesma mdia e disperso para os dias da semana, ou seja, o que ocorre de tera-feira a
sexta-feira pode ser considerado estatisticamente similar em termos de patamares de energia,
porm a segunda-feira, o sbado e o domingo so estatisticamente diferentes.
Vale ressaltar que os preos da energia variam de acordo com trs patamares de cargas
distintos: Perodo Pesado (das 18h01 s 21h00), Mdio (das 07h01 s 18h00 e das 21h01 s
24h00) e Leve (das 00h01 s 07h00) para dias teis (de segunda a sbado). Para os domingos
e feriados nacionais no h a considerao do perodo pesado (CMARA DE
COMERCIALIZAO DE ENERGIA ELTRICA, 2004).
L I?MNMNM
L K MNMNM
L MNMNMNM
C O MNMNM
E
CD
G MNMNM
@ AB
I?MNMNM
K MNMNM
L K J I H G F
8:9:;=<:>?<
Figura 4-1 Grfico Comparativo da Demanda pelos Dias da Semana
A Figura 4-2 evidencia a diferena da demanda requerida entre o intervalo de segunda

a sbado (representado pelo nmero 0) e para o domingo e feriados (representado pelo
nmero 1). As diferenas so estatisticamente significantes e entendidas, j que o intervalo de
segunda a sbado compreende os dias de maior utilizao de energia para os consumidores
livres de energia (clientes industriais).
hji:kml:noi:pqi?rtsvu?wyx?z:{mxy|?}~u?dox:{mi
`cb adada
`de adada
` adadada
fdadada
_
^
]
gdadada
Z [\]
b adada
e adada
a `
PRQTSRU VNWYX
Figura 4-2 Grfico Comparativo da Demanda dos Dias da Semana x Domingo e Feriados
A Figura 4-3 mostra o comportamento das mdias dos patamares de energia em

funo dos dias da semana, mostrando que existe uma diferena entre as mdias dos dias,
onde o nmero 2 representa a segunda-feira, o nmero 3 representa a tera-feira, e assim por
diante.
Figura 4-3 Grfico comparativo do Comportamento das Mdias dos Patamares

A Figura 4-4 abaixo mostra o comportamento das mdias das demandas em funo da
hora (Figura 4-4 A), da semana (Figura 4-4 B), e de feriados (Figura 4-4 C). Em termos de
valores mdios, h uma significativa mudana dos valores em termos de hora, dia e feriados,
ou seja, a srie estudada tem comportamentos de demanda bem variados para um mesmo dia,
assim como para os dias de semana e para os feriados (representado pelo nmero 1). O
nmero 0 representa o intervalo de segunda a sbado.
Figura 4-4 A Figura 4-4 B

Figura 4-4 C

Figura 4-4 Grfico comparativo do Comportamento das Mdias dos Patamares
4.3 Metodologia
A investigao da utilizao da metodologia GARCH para a previso da volatilidade
de demanda de eletricidade ser desenvolvida segundo o mtodo proposto na Figura 4-5.
Neste mtodo podem-se visualizar as trs etapas essenciais da previso: a pr-estimao, a
estimao e a ps-estimao. Com a realizao destas fases, que sero discutidas em detalhes
nas prximas sees, pode-se avaliar a previso da volatilidade.
Figura 4-5 Estratgia de Investigao da Aplicabilidade dos Modelos GARCH Previso de

Volatilidade
Foi criada uma funo4 usando a toolbox GARCH do aplicativo MATLAB 7.0.1 que
contm as trs etapas para a previso, conforme apresentado no fluxograma da Quadro 4.1,
com as etapas e respectivas funes correspondentes do MATLAB 7.0.1 , bem como os
dados de entrada e sada de cada etapa.
No Anexo A apresentado um diagrama de blocos indicando as relaes entre as

diversas funes utilizadas do toolbox GARCH do aplicativo MATLAB 7.0.1 , as variveis
utilizadas no programa, e os parmetros de entrada/sada utilizados em cada funcionalidade do
programa.
4
O cdigo da funo criada utilizando o MATLAB 7.0.1 encontra-se no Anexo B
Rotinas do
MATLAB Dados de Dados de
Descrio
7.0.1 Entrada Sada
utilizadas
Srie de demanda de
energia do portiflio de
Srie Original consumidores livres da
Duke Energy Brasil.
Transformar a srie price2return.m

Srie Srie
Pr-Estimao
original em srie derivada1.m Srie original

Transformada transformada
estacionria (de retornos) derivada2.m
Analisar a srie de autocorr.m Coeficientes de

Anlise das Srie
retornos para verificar parcorr.m correlao e
Correlaes transformada
correlaes autocorr.m atrasos (lags)
Srie
transformada, Resultados dos
Quantificar as Testar hipteses das lbqtest.m
nvel de testes de
correlaes correlaes archtest.m
significncia (), hipteses
atrasos (lags)
Parmetros do
modelo GARCH
garchfit.m (K, A, B),
Estimao do Calcular os parmetros Srie
garchdisp.m inovaes
Estimao
modelo GARCH do modelo GARCH garchplot.m

transformada
estimadas, e
erros de
estimao
Inovaes e
Estimar inovaes para o Parmetros do
Simulao modelo
ugarchsim.m
modelo GARCH
volatilidade
simulada
Analisar as correlaes Parmetros do

Coeficientes de
Anlise das das inovaes e testar autocorr.m modelo GARCH
correlaes das
inovaes hipteses de validade das lbqtest.m e inovaes
inovaes
Ps-Estimao
correlaes estimadas
Parmetros do
modelo GARCH,
Novos
inovaes
Fazer a previso de parmetros do
Previso da ugarch.m estimadas, e
volatilidade usando o modelo GARCH,
volatilidade ugarchpred.m nmero de
modelo estimado volatilidade
perodos frente
prevista
para previso da
volatilidade.
Quadro 4.1 Fluxograma do Mtodo de Desenvolvimento de Modelos GARCH
A Figura 4-6 apresenta um layout da pgina principal da GUI (Graphical User

Interface) desenvolvida com o software MATLAB 7.0.1 , e utilizada no estudo de
aplicabilidade do modelo.
Figura 4-6 Pgina Principal do Programa MATLAB 7.0.1
Onde os comandos utilizados, conforme numerao acima, representam:
1. Gerar Dados gerao de sries temporais utilizando modelos GARCH(P,Q).
2. Procurar carregamento de dados (sries temporais) externos para regresso,

utilizando modelos GARCH.
3. Transformadas funcionalidades que permitem estacionar sries temporais no-

estacionrias.
4. Anlises aplicao de anlises de correlao (autocorrelao simples e

quadrtica, e autocorrelao parcial) em sries temporais.
5. Clculo dos lags clculo dos atrasos (lags) significativos nas anlises de
autocorrelao.
6. Testes de Hipteses aplicao de testes de Ljung-Box e de ARCH (Engles) em

sries temporais.
7. Clculo do Modelo GARCH clculo dos coeficientes e parmetros de um

modelo ARCH/GARCH.
8. Simulao do Modelo GARCH simulao e previso histrica da volatilidade de

sries temporais utilizando modelos ARCH/GARCH.
9. Predio da Volatilidade - predio da volatilidade futura de sries temporais

utilizando modelos ARCH/GARCH.
10. Erro de Volatilidade caractersticas estatsticas do erro de volatilidade.
G1 - Grfico da Srie Original ou Inovaes (Resduos) da Simulao.
G2 - Grfico da Srie Transformada.
G3 - Grficos de Autocorrelaes.
G4 - Grfico da Srie Simulada ou Erro de Volatilidade.
G5 - Grfico da Volatilidade (Simulada e Prevista).
4.4 Pr-Estimao
A etapa de pr-estimao visa analisar os dados originais da srie temporal e verificar
se a srie satisfaz as condies necessrias para a aplicao do modelo GARCH. Nesta etapa
tambm verificada a existncia de caractersticas que so, ou no, cobertas pelo modelo
GARCH, tais como, estacionariedade, sazonalidade, e correlaes.
4.4.1 Anlise da Srie Original
Dados de entrada (sries temporais) originais podem ser gerados pelo programa
atravs da funcionalidade 1, Gerar Dados, ou lidos de um arquivo de dados atravs da
funcionalidade 2, Procurar ... (dados). Dados gerados internamente usam a funo
UGARCHSIM do MATLAB 7.0.1 para gerar uma srie temporal com valores de P, Q e
tamanho da amostra N definidos pelo usurio. No caso deste estudo, os dados de entrada
correspondem ao arquivo de dados com a srie de demanda de energia eltrica mencionada na

seo 4.2, ou seja, a srie j criada com base nos valores horrios do perodo de 01 de
dezembro de 2002 a 16 de junho de 2003. Os dados so tomados em base horria, totalizando
4.752 medies.
A srie original (grfico G1 da GUI) apresentada na Figura 4-7.
Serie Temporal Original

4
3.5
2.5
1.5
0.5
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Figura 4-7 Grfico da Srie Univariada Original de Cargas, em Base Horria (Dez/2002 a Jun/2003)
Examinando-se a Figura 4-7, percebe-se que o conjunto de dados no bem

caracterizado como uma srie estacionria, requerendo, neste caso, uma transformao.
4.4.2 Srie Transformada
Utilizando-se a funo 3 do programa, Transformadas, a srie original

transformada em srie de retornos usando a funo PRICE2RET, disponvel no toolbox
GARCH do MATLAB 7.0.1. Esta funo, que faz o clculo de diferenas em uma forma
logartmica, tem o objetivo de transformar a srie original em uma srie estacionria (tambm
denominada de srie de retornos). Toda a anlise e modelamento GARCH subseqentes
feita considerando os dados transformados, apresentados na Figura 4-8 (grfico G2 da GUI).
Serie de Retornos
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Figura 4-8 Srie de Retornos Transformada a Partir da Srie Original
A seguir tem-se a linguagem da funo utilizada PRICE2RET, disponvel no toolbox

GARCH do MATLAB 7.0.1.
PRICE2RET a funo que converte uma srie de preos em srie de retornos. Para este estudo, a
funo ir converter a srie de demanda de energia em srie de retornos.
series = price2ret(prices);
Entradas:
prices - srie temporal de demanda, onde o primeiro elemento contm a observao mais antiga e o
ltimo elemento a observao mais recente.
Sadas:
series srie transformada da srie de demanda. Como a srie prices uma matriz com uma coluna de
elementos, que so os valores horrios da demanda, a srie series ser uma matriz transformada com
uma coluna de elementos.
series(i) = log[prices(i+1)/prices(i)] /retIntervals(i)
retIntervals(i) = prices(i+1) - prices(i)

Quadro 4.2 Funo PRICE2RET
4.4.3 Anlise de Correlao
Utilizando-se a funo 4 do programa, Anlise, so feitas as anlises de

autocorrelao utilizando as funes AUTOCORR (autocorrelao) e PARCORR
(autocorrelao parcial), disponveis no MATLAB 7.0.1.
As anlises de autocorrelao e autocorrelao parcial mostram uma predominncia

das sazonalidades diria e semanal sobre as demais. A Figura 4-9 e a Figura 4-10
apresentam os grficos de autocorrelao e autocorrelao parcial (grfico G3 com diferentes
selees de opes de anlises) obtidos a partir da srie de retornos. Nota-se a predominncia
dos termos dos atrasos (lags) nmeros 24 (diria) e 168 (semanal) em ambos os grficos de
autocorrelao e de autocorrelao parcial, lembrando que as amostragens esto em unidades
de horas.
Autocorrelaao dos Retornos
0.8
0.6
0.4
0.2
-0.2
0 20 40 60 80 100 120 140 160 180 200
Lag
Figura 4-9 Grfico de Autocorrelao da Srie dos Retornos
Correlaao Parcial dos Retornos
0.8
0.6
0.4
0.2
-0.2
0 20 40 60 80 100 120 140 160 180 200
Lag
Figura 4-10 Grfico de Autocorrelao Parcial da Srie de Retornos
A funo de autocorrelao parcial mede a dependncia linear (correlao) entre uma

amostra Zt num instante t e outra amostra Zt+k, num instante t+k, desconsiderando o efeito das
amostras intermedirias Zt+1, Zt+2, ... , Zt+k-1 nos instantes t+1, t+2, ..., t+k-1.
Na Figura 4-10 possvel observar a autocorrelao parcial da srie com seus

prprios valores defasados, confirmando a predominncia das sazonalidades diria (24 horas)
e semanal (168 horas) sobre as demais autocorrelaes, conforme tambm encontrado quando
aplicada a funo de autocorrelao.
A seguir tem-se a linguagem da funo AUTOCORR que calcula a funo de

autocorrelao (ACF) para a srie transformada, disponvel no toolbox GARCH do MATLAB
7.0.1.
AUTOCORR a funo que calcula ou plota a funo de auto-correlao (ACF) amostrada de uma
srie univariada e estocstica. Neste estudo, a funo ir calcular a funo de auto-correlao e a auto-
correlao quadrtica da srie transformada e das inovaes.
Forma geral de chamada:
[ACF, Lags, Bounds] = autocorr(series)
[ACF, Lags, Bounds] = autocorr(series , nLags , M , nSTDs)
Quando chamada sem argumentos de sada (apenas a chamada: autocorr(series) ), a funo
AUTOCORR plota apenas o resultado da seqncia ACF com os limites de confiana.
Entradas:
series vetor de observaes da srie temporal univariada para a qual a ACF amostrada calculada ou
plotada. A ltima linha da varivel series contm a observao mais recente da seqncia estocstica.
Entradas Opcionais:
nLags inteiro escalar positivo indicando o nmero de atrasos (lags) que a ACF deve calcular. Se
ausente ou faltante, o valore padro computar a ACF nos atrasos igual ao mnimo entre 20 e o
comprimento da srie menos 1 (T = minimum[20 , length(series)-1]). Como uma ACF simtrica em
torno do zero, atrasos negativos so ignorados.
M inteiro escalar no negativo indicando o nmero de atrasos alm do qual a ACF terica tende a
zero. Se M no for especificada, o valor padro M=0. Neste caso, a varivel series assumida ser um
rudo branco Gaussiano. Se a varivel series for um processo de rudo branco Gaussiano de
comprimento N, o erro padro ser aproximadamente 1/sqrt(N). M deve ser menor do que nLags.
nSTDs inteiro escalar positivo indicando o nmero de desvios padro do erro de estimao da ACF
amostrada a ser computado assumindo que a ACF terica da varivel series nula acima do atraso M.
Se M = 0 e series um processo de rudo branco Gaussiano de comprimento N, especificando-se
nSTDs resulta em limites de confiana a +/-(nSTDs/sqrt(N)). Se nSTDS no for especificada, o valor
padro nSTDs = 2, (ou seja, aproximadamente 95% do intervalo de confiana).
Sadas:
ACF funo de auto-correlao amostrada da srie. ACF um vetor de comprimento nLags + 1
correspondendo aos atrasos 0, 1, 2, ..., nLags. O primeiro elemento da ACF unitrio (isto , ACF(1)
= 1 = correlao do atraso 0).
Lags vetor dos atrasos correspondendo ACF(0,1,2,..., nLags).
Bounds vetor de dois elementos indicando os valores aproximados dos limites de confiana superior
e inferior assumindo que a series um processo MA(M). Esta sada aproximada para atrasos > M
somente.
Forma de chamada no programa:
a) No clculo das auto-correlaes da srie de retornos (srie original transformada):
autocorr(series,200)
O segundo argumento 200 representa o nmero de atrasos (nLags) desejado para calcular a auto-
correlao.
b) No clculo das auto-correlaes quadrticas da srie de retornos (srie original transformada), e no
clculo das auto-correlaes quadrticas das inovaes (na fase de simulao):
autocorr(power(series,2),200)
A funo power(series,2) calcula a potncia 2 do vetor series.
Quadro 4.3 Funo AUTOCORR
A seguir tem-se a linguagem da funo PARCORR que calcula a funo de

autocorrelao parcial (PACF) para a srie transformada, disponvel no toolbox GARCH do
MATLAB 7.0.1.
PARCORR a funo que calcula ou plota a funo de auto-correlao parcial (PACF) amostrada de
uma srie univariada e estocstica. Neste estudo, a funo ir calcular a funo de auto-correlao
parcial da srie transformada. A PACF computada ajustando modelos auto-regressivos sucessivos de
ordens 1,2,... atravs de mnimos quadrados ordinrios, retendo os ltimos coeficientes de cada
regresso.

[PACF, Lags, Bounds] = parcorr(series)
[PACF, Lags, Bounds] = parcorr(series , nLags , R , nSTDs)
Entradas:
series vetor de observaes da srie temporal univariada para a qual a PACF amostrada calculada
ou plotada.
Entradas Opcionais:
nLags inteiro escalar positivo indicando o nmero de atrasos (lags) que a PACF deve calcular. Se
ausente ou faltante, o valor padro computar a ACF nos atrasos igual ao mnimo entre 20 e o
comprimento da srie menos 1 (T = minimum[20 , length(series)-1]). Como uma PACF simtrica em
torno do zero, atrasos negativos so ignorados.
R inteiro escalar no negativo indicando o nmero de atrasos alm do qual a PACF terica tende a
zero. Sob a hiptese de que series realmente um processo AR(R), os coeficientes da PACF para
atrasos > R so variveis Gaussianas independentemente distribudas, com mdia nula
aproximadamente. Neste caso, o erro padro dos coeficientes estimados da PACF de uma srie
ajustada, com N observaes, aproximadamente 1/sqrt(N)_para atrasos > R. Se R no for
especificado, o valor padro R = 0. R deve ser menor do que nLags.
nSTDs inteiro escalar positivo indicando o nmero de desvios padro do erro de estimao da ACF
amostrada a ser computado assumindo que series um processo AR(R). Se o R-simo coeficiente da
regresso (isto , o ltimo coeficiente da regresso OLS - ordinary least square mnimos quadrados
ordinrios da srie regressa numa constante e R de seus atrasos) for ajustado com N observaes,
especificando-se nSTDs resulta em limites de confiana a +/-(nSTDs/sqrt(N)). Se nSTDS no for
especificada, o valor padro nSTDs = 2, (ou seja, aproximadamente 95% do intervalo de confiana).
Sadas:
PACF funo de auto-correlao parcial amostrada da srie. PACF um vetor de comprimento
nLags + 1 correspondendo aos atrasos 0, 1, 2, ..., nLags. O primeiro elemento da PACF unitrio (isto
, PACF(1) = 1 = coeficiente OLS da regresso da srie regredida sobre si mesma), e includo como
referncia.
Lags vetor dos atrasos correspondendo PACF(0,1,2,..., nLags).
Bounds vetor de dois elementos indicando os valores aproximados dos limites de confiana superior
e inferior assumindo que a serie um processo AR(R). Esta sada aproximada para atrasos > R
somente.
No estudo a funo PARCORR foi chamada sem argumentos de sada, plotando apenas o resultado da
seqncia PACF com os limites de confiana.
parcorr(series,200)
O segundo argumento 200 representa o nmero de atrasos (nLags) desejado para calcular a
autocorrelao parcial.
Quadro 4.4 Funo PARCORR
4.4.4 Correlao Quadrtica
Utilizando-se ainda a funo 4 do programa, Anlise, que utiliza a funo

AUTOCORR disponvel no MATLAB 7.0.1, feito o clculo da autocorrelao dos termos
quadrados da srie de retornos. A anlise de autocorrelao quadrtica mostra que a srie de
retornos tambm exibe uma estrutura condicional, como nesse caso, conforme apresentado na
Figura 4-11 (grfico G3 da GUI).
Embora a ACF dos retornos exiba pequena correlao, a ACF dos retornos quadrticos
pode indicar significativa correlao e persistncia nos momentos de segunda ordem.
Autocorrelaao Quadrtica dos Retornos
0.8
0.6
0.4
0.2
-0.2
0 20 40 60 80 100 120 140 160 180 200
Lag
Figura 4-11 Grfico de Autocorrelao Quadrtica dos Retornos
A Figura 4-11 confirma que a varincia do processo demonstra algum tipo de

correlao, ou seja, os quadrados dos retornos indicam correlao significativa e persistente,
confirmando a sazonalidade predominante dos termos dos atrasos nmeros 24 (diria) e 168
(semanal). Como a varincia significativamente diferente de zero, h heteroscedasticidade
presente. Isto consistente com discusses precedentes, indicando a existncia de correlao
no processo, a heteroscedasticidade presente tambm na autocorrelao e autocorrelao
parcial justificam a aplicabilidade dos dados para o modelo GARCH.
Podemos dizer ento que, a srie de retornos tem tendncias lineares e no-lineares.
No primeiro caso a autocorrelao existente nos retornos pode estar sendo causada por efeitos
do tipo dias-da-semana, dias de no-negociao, ou ainda pelo fraco volume de negociao do
ativo (baixa liquidez), mas, mesmo assim, podendo ser considerada estacionria. Por outro
lado, a tendncia no-linear pode ser explicada pela mudana na volatilidade dos retornos e a
existncia de alto nvel de curtose em sua distribuio.
A linguagem da funo AUTOCORR, j apresentada na seo 4.4.3, calcula tambm a

funo de autocorrelao quadrtica para a srie transformada e no clculo das
autocorrelaes quadrticas das inovaes (na fase de simulao, item 4.6.2), disponvel no
toolbox GARCH do MATLAB 7.0.1.
4.4.5 Ljung-Box-Pierce Q-Test

O teste de hipteses de Ljung-Box, aplicado srie de retornos, tem as seguintes
hipteses relacionadas s autocorrelaes dos diversos atrasos (lags):
H0: No h autocorrelao
H1: H autocorrelao
Foi utilizada a funo 6 do programa, Testes de Hipteses, que utiliza a funo

LBQTEST, disponvel no MATLAB 7.0.1. Os resultados do teste, aplicados srie de
retornos em estudo para os atrasos mais significativos nmeros 24 (diria) e 168 (semanal)
respectivamente, esto apresentados na Tabela 4.1.
H P-Value Stat Critical Value

1 0 1721,1 36,4150
1 0 9790,4 199,2442
Tabela 4.1 Resultados do Teste de Hiptese Ljung-Box-Pierce Q-Test para Correlao de Retornos
Assim, o teste de hipteses realizado para os atrasos mais significativos, resultou que o
valor de P (p-Value) nulo (j que Stat > CriticalValue), tornando possvel rejeitar a hiptese
nula, ou seja, os dados so correlacionados.
A seguir tem-se a linguagem da funo LBQTEST utilizada para os teste de hiptese

Ljung-Box, disponvel no toolbox GARCH do MATLAB 7.0.1.
LBQTEST a funo que testa a falta de ajuste numa srie usando o teste de hipteses Q-Estatstica
de Ljung-Box. O teste de Ljung-Box baseada na Q Estatstica:
L 2
Q = N (N+2) SOMA{ r2(k) / (N-k) }
k=1
onde, N = tamanho da amostra, L = nmero de atrasos de auto-correlao includos na estatstica, e r2
(k) a amostra da auto-correlao ao quadrado, no atraso k. A Q Estatstica usada para testar a falta
de ajuste tendo partindo da aleatoriedade. Sob a hiptese nula de que o ajuste do modelo adequado, a
estatstica do teste distribuda assintoticamente por uma Chi-Quadrada.
[H, pValue, Qstat, CriticalValue] = lbqtest(series)

[H, pValue, Qstat, CriticalValue] = lbqtest(series , lag , alpha , DoF)
Entradas:
series vetor de observaes da srie temporal univariada para a qual a Estatstica-Q calculada.
Tipicamente, series uma amostra residual de um modelo ajustado a partir de uma srie temporal
observada, ou uma amostra padronizada residual obtida dividindo-se a amostra residual pelos desvios-
padro condicionais.
Entradas Opcionais:
lag vetor de inteiros positivos indicando os atrasos da ACF amostrada includa na Estatstica-Q. Se
especificado, cada atraso deve ser menor que o comprimento da srie. Se lag no for especificado, o
valor padro o mnimo entre 20 e o tamanho da srie menos 1
(lags = minimum[20 , length(Series)-1).
alpha representa o nvel de significncia que deve ser um escalar aplicvel a todos os atrasos, ou um
vetor com o mesmo comprimento do vetor lags. Se a varivel alpha no for especificada, o valor
padro 0,05. Todos os elementos de alpha devem ser maiores do que zero e menores do que 1.
DoF (degrees-of-freedom, graus de liberdade) um escalar aplicado a todos os atrasos, ou um vetor

com o mesmo comprimento do vetor lag. Se especificado, todos os elementos de DoF devem ser
positivos inteiros menores que o correspondente valor de lag. Se DoF no for especificado, os
elementos de lag so usados como valores padro para DoF.
Sadas:
H vetor booleano de deciso. Elementos de H = 0 indicam a aceitao da hiptese nula de que o
ajuste do modelo adequado (nenhuma correlao com os respectivos elementos de lag). Elementos
de H = 1 indicam a rejeio da hiptese nula. H tem o mesmo tamanho do vetor lag.
pValue vetor dos valores de P (para nvel de significncia alpha) para os quais a hiptese nula de
nenhuma correlao serial em cada atraso de lag rejeitada.
Qstat vetor da Estatstica-Q para cada atraso na mesma unidade de lag.
CriticalValue vetor dos valores crticos da distribuio Chi-Quadrada para comparao com os
elementos correspondentes de Qstat.

[H, pValue, Qstat, CriticalValue] = lbqtest(series, lags , alpha)
onde series corresponde srie temporal de retornos (transformada da srie temporal original), lags
um vetor com os atrasos significativos (24 e 168 horas, correspondentes aos perodos de um dia e uma
semana), identificados nas anlises de auto-correlao, auto-correlao quadrtica, e correlao parcial
da srie de retornos, e alpha o nvel de significcia (definido no programa como 5%).
Quadro 4.5 Funo LBQTEST
4.4.6 Engles ARCH Test
O teste de hipteses ARCH, aplicado srie de retornos, tem as seguintes hipteses

relacionadas aos efeitos ARCH/GARCH e sua existncia no conjunto de resduos:
H0: A srie i.i.d. (independente e identicamente distribuda);
H1: A srie no i.i.d.
Ou seja, sob a hiptese nula de que uma srie uma seqncia aleatria com
perturbaes Gaussianas (i.i.d), esta estatstica de tambm assintoticamente distribuda
como Chi-Quadrado.
Foi utilizada a funo 6 do programa, Testes de Hipteses, que, neste caso utiliza a
funo ARCHTEST ,disponvel no MATLAB 7.0.1. Os resultados do teste, aplicados srie
de retornos em estudo para os atrasos mais significativos nmeros 24 (diria) e 168 (semanal)
respectivamente, esto apresentados na Tabela 4.2.

1 0 293,0921 36,4150
1 0 699,7680 199,2442
Tabela 4.2 Estatsticas do Teste de Hiptese de Engle para a Srie de Retornos
Assim, o teste de hipteses realizado para os atrasos mais significativos constatou-se

que o valor de P (p-Value) nulo (j que Stat > CriticalValue), tornando possvel rejeitar a
hiptese nula, ou seja, a srie no i.i.d..
A seguir tem-se a linguagem da funo ARCHTEST utilizada para os teste de hiptese

Arch, disponvel no toolbox GARCH do MATLAB 7.0.1.
ARCHTEST um teste de hiptese que analisa a presena de efeitos ARCH/GARCH numa srie.
Testa a hiptese nula que a srie temporal de amostras residuais uma perturbao Gaussiana i.i.d.
(isto , no existe efeito ARCH). Dada uma srie residual obtida a partir de uma ajuste de curva (isto
, um modelo de regresso), a presena de efeitos da M-sima ordem ARCH testada regredindo os
residuais quadrados a uma constante, e M atrasos. A estatstica assinttica T*R2 , onde T o nmero
de resduos quadrados includos na regresso, e R2 a amostra do coeficiente da correlao mltipla,
distribuda assintoticamente com uma distribuio Chi-Quadrada com M graus de liberdade sob a
hiptese nula. Ao testar os efeitos ARCH, um processo GARCH (P,Q) localmente equivalente a um
processo ARCH(P+Q).
Forma de chamada geral:

[H, pValue, ARCHstat, CriticalValue] = archtest(residuals)
[H, pValue, ARCHstat, CriticalValue] = archtest(residuals, lags, alpha)
Entradas:
residuals vetor de srie temporal das amostras residuais (obtidas a partir de uma curva de ajuste, tal
como um modelo de regresso), examinado para verificar a presena de efeitos ARCH. O ltimo
elemento contm a observao mais recente.
Entradas Opcionais:
lags vetor de inteiros positivos indicando os atrasos da ACF amostrada includa na Estatstica-Q. Se
especificado, cada atraso deve ser menor que o comprimento da srie. Se lags no for especificado,
o valor padro o mnimo entre 20 e o tamanho da srie menos 1 ( lags = minimum[20 ,
length(Series)-1]). Se o valor da entrada opcional DoF (ver abaixo) no for especificado, lags
utilizado tambm como valor padro dos graus de liberdade (DoF, degrees-of-freedom) para a
distribuio Chi-Quadrada.
alpha nvel de significncia. alpha deve ser um escalar aplicvel a todos os atrasos, ou um vetor com
o mesmo comprimento do vetor lags. Se a varivel alpha no for especificada, o valor padro 0,05.
Todos os elementos de alpha devem ser maiores do que zero e menores do que 1.
Sadas:
H vetor booleano de deciso. Elementos de H = 0 indicam a aceitao da hiptese nula de que o
ajuste do modelo adequado (nenhuma correlao com os respectivos elementos de lags).
Elementos de H = 1 indicam a rejeio da hiptese nula. H tem o mesmo tamanho do vetor lags.
pValue vetor dos p-Values (para nvel de significncia alpha) para os quais a hiptese nula de
nenhuma correlao serial em cada atraso de lags rejeitada.
ARCHstat vetor da Estatstica-Q para cada atraso em lags.
CriticalValue vetor dos valores crticos da distribuio Chi-Quadrada para comparao com os
elementos correspondentes de Qstat.
[H, pValue, ARCHstat, CriticalValue] = archtest(series, lags, alpha)
onde series corresponde srie temporal de retornos (transformada da srie temporal original),
lags um vetor com os atrasos significativos (24 e 168 horas, correspondentes aos perodos de um
dia e uma semana), identificados nas anlise de auto-correlao, auto-correlao quadrtica, e
correlao parcial da srie de retornos, e alpha o nvel de significncia (definido no programa
como 5%).
Quadro 4.6 Funo ARCHTEST
4.5 Estimao dos Parmetros do Modelo

Para estimar os parmetros do modelo foi utilizada a funo 7 do programa, Clculo
do Modelo GARCH, que utiliza a funo GARCHFIT, disponvel no MATLAB 7.0.1. A
funo GARCHFIT determina automaticamente o melhor modelo (GARCH ou ARCH) que
se ajusta aos dados de entrada. Nesse modelo supe-se a inexistncia de efeitos auto-
regressivos e de mdia mvel na srie de entrada. No caso deste estudo, a srie de retornos
resultou no modelo GARCH (1,1). Trata-se de um modelo simples, mas bastante comum
desde que a srie seja estacionria, conforme j justificado no item 3.7. O modelo GARCH
(1,1) consiste nas seguintes equaes:
yt = C + t
t2 = K + G1 t2i + A1 t21
A funo GARCHFIT estima os valores dos coeficiente C, K, G1 (ou GARCH(1) ), e

A1 (ou ARCH(1) ), utilizando mtodo da Mxima Verossimilhana, com seus respectivos
erros de estimao, conforme apresentado na Tabela 4.3.
A funo GARCHFIT tambm gera inovaes derivadas da srie de retornos, que so

analisadas para verificar a qualidade da estimao do modelo GARCH e suportar a deciso de
aceitar ou no o modelo.
Parmetros do Modelo GARCH
Utilizando-se a funo GARCHDISP do MATLAB 7.0.1, pode-se visualizar os

coeficientes do modelo GARCH estimados pela funo GARCHFIT, seus respectivos erros
de estimao, e as estatsticas T de cada coeficiente, conforme apresentado na Tabela 4.3.
Number of Parameters Estimated: 4

Parameter Value Standard Error T Statistic
C -0,00035843 0,0012046 -0,2975
K 0,0025786 0,000282 9,1438
GARCH(1) 0,52732 0,044403 11,8757
ARCH(1) 0,13791 0,015322 9,0007
Tabela 4.3 Resultados da Estimao do Modelo GARCH
Assim, pode-se escrever numericamente as equaes do modelo GARCH (1,1) como:

yt = 0,00035843 + t
t2 = 0,0025786 + 0,52732 t2i + 0,13791 t21
Os parmetros K, A e B so apresentados nos campos K, A e B da GUI, conforme

apresentado na Figura 4-12.
Figura 4-12 Resultados da Estimao do Modelo GARCH
A seguir tem-se a linguagem da funo GARCHFIT, disponvel no toolbox GARCH

do MATLAB 7.0.1.
GARCHFIT uma funo que estima os parmetros de um processo GARCH univariados. Dada uma
srie univariada de retornos observados, a funo GARCHFIT estima os parmetros de uma
especificao de mdia condicional na forma ARMAX e de uma especificao de varincia
condicional na forma de GARCH, EGARCH ou GJR. O processo de estimao infere as inovaes a
partir da srie de retornos e ajusta a especificao do modelo para a srie de retornos atravs de
mxima verossimilhana.
Formas gerais de chamada da funo:
[Coeff,Errors,LLF,Innovations,Sigmas,Summary] = garchfit(series)
A primeira sintaxe uma forma conveniente de chamada, que modela uma srie de retornos como uma
constante acrescida de inovaes GARCH (1,1) condicionalmente Gaussianas.
[Coeff,Errors,LLF,Innovations,Sigmas,Summary] = garchfit(series)
Entradas:
series uma srie temporal vetor-coluna de observaes de uma srie de retornos univariada. series
a varivel de resposta representando a srie temporal ajustada s especificaes da mdia
condicional e da varincia.
Sadas:
Coeff estrutura contendo os coeficientes estimados.
Errors estrutura contendo os erros de estimao (isto , os erros padro) dos coeficientes. Caso
algum erro ocorra durante os clculos do erro padro, todos os campos associados com os coeficientes
estimados sero definidos como NaN (no existentes).
LLF valor da funo objetivo de otimizao por log-verossimilhana (optimized log-likelihood
objective function) associada estimao dos parmetros de Coeff. A otimizao calculada
utilizando a funo FMINCON do Toolbox de Otimizao do MATLAB 7.0.1 .
Innovations (isto , inovaes) um vetor-coluna da srie temporal das inovaes deduzidas a partir
da srie de entrada series. O tamanho do vetor Innovations o mesmo tamanho do vetor series.
No caso de erros, Innovations ser um vetor de NaN (no existentes).
Sigmas um vetor-coluna da srie temporal do desvio padro condicional, correspondente ao vetor
Innovations. O tamanho do vetor Sigmas o mesmo tamanho do vetor series. No caso de
erros, Sigmas ser um vetor de NaN (no existentes).
Summary estrutura sobre a informao resumida do processo de otimizao, incluindo informao
de convergncia, iteraes, chamadas da funo objetivo, restries ativas, e a matriz de covarincia
das estimativas dos coeficientes.
Quadro 4.7 Funo GARCHFIT
4.6 Ps-Estimao
A etapa de ps-estimao analisa as inovaes provenientes da estimao do modelo
GARCH (atravs da funo GARCHFIT), possibilitando verificar se as inovaes apresentam
caractersticas da srie que podem no terem sido modeladas. Para isto faz-se a anlise de
autocorelao das inovaes quadrticas e aplica-se tambm o teste de Ljung-Box para
verificar a existncia residual de agrupamentos (clusters) nas inovaes. Na ps-estimao
tambm sero realizadas a simulao e predio da volatilidade.
O conceito de inovao considerado neste trabalho composto pelos resduos da srie

(que no foram modelados) e o erro aleatrio associado a qualquer previso. O MATLAB
7.0.1 usa o termo innovations que traduz o conceito de inovao. Usa tambm para o mesmo
significado o termo residuals, que engloba os resduos e o erro aleatrio.
4.6.1 Anlise das Inovaes, Desvios Condicionais e Diferenas
O programa tambm permite inspecionar visualmente as variveis de sada da funo

GARCHFIT atravs da funo 7, Clculo do Modelo GARCH, utilizando a funo
GARCHPLOT do MATLAB 7.0.1, conforme apresentado na Figura 4-13. Os grficos so
apresentados numa caixa de dilogo independente da GUI do programa devido caracterstica
da funo GARCHPLOT.
Innovations
1
Innovation
-1
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Conditional Standard Deviations
Standard Deviation
0.4
0.2
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Returns
4
Return
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Figura 4-13 Grfico das Inovaes, Desvios Condicionais e Retornos Estimados

O grfico da Figura 4-13 utilizado para se verificar o relacionamento existente entre

as inovaes (resduos + erro aleatrio) derivados do modelo ajustado e o desvio padro
condicional correspondente e os retornos observados.
Nota-se que a somatria dos coeficientes GARCH
G1 + A1 = 0,52732 + 0,1379 = 0,6652 < 1
satisfazendo, assim, a condio de estacionariedade.
4.6.2 Correlao das Inovaes (Grficos, Comparaes e

Quantificao)
Com a utilizao dos modelos GARCH para simulao dos dados da srie de demanda
temos como sada as inovaes oriundas da srie de retornos. Conforme j comentado na
seo 3.16.2 seria satisfatrio que estas inovaes viessem a ter um comportamento perto de
um processo i.i.d (identicamente e independentemente distribudo), com uma distribuio
gaussiana, sem qualquer correlao serial e agrupamentos de volatilidade, sendo desta forma
satisfatrio para simulao histrica.
A estabilidade da estimativa da volatilidade pode ser verificada analisando-se os

coeficientes de variao das inovaes (inovaes padronizadas), ou seja, as inovaes
divididas por seus respectivos desvios padro (sigmas). A funo 7 do programa, Clculo do
Modelo GARCH, que utiliza a funo PLOT do MATLAB 7.0.1 e apresenta os resultados
no grfico G4, conforme apresentado na Figura 4-14.
Qualitativamente nota-se que os coeficientes de variao das inovaes aparentam ser

estveis, com pouco agrupamento (clustering).
Inovacoes
0.4
0.2
-0.2
-0.4
0 500 1000 1500 2000 2500 3000
Figura 4-14 Coeficientes de Variao das Inovaes
Porm, a anlise da autocorrelao quadrtica dos coeficientes de variao das

inovaes revela alguns valores significativos considerados como outliers, conforme mostra a
Figura 4-15. Foi utilizada as funo 4 do programa, Anlise, que usa a funo
AUTOCORR((innovations./sigmas).^2) do MATLAB 7.0.1 .
Autocorrelaao Quadrtica das Inovaes
0.8
0.6
0.4
0.2
-0.2
0 20 40 60 80 100 120 140 160 180 200
Lag
Figura 4-15 Grfico da Funo de Autocorrelao Quadrtica das Inovaes
Em seguida, foi aplicado o teste de Ljung-Box s inovaes, tendo as seguintes

hipteses relacionadas s inovaes da simulao dos diversos atrasos:
H0: No h autocorrelao
H1: H autocorrelao
Tanto para a anlise de correlao quanto para o teste de hipteses, foi selecionada a
opo Resduos Simulao no painel Varivel Analisada do programa. O teste de Ljung-
Box, utiliza a funo LBQTEST do MATLAB 7.0.1 , sendo que, neste caso, so analisados
os coeficientes de variaes das inovaes (innovations/sigmas). Os resultados do teste, para
os coeficientes de variaes das inovaes para os atrasos mais significativos nmeros 24
(diria) e 168 (semanal) respectivamente, esto apresentados na Tabela 4.4.

1 0 1775,01709 36,4150
1 0 10249,1434 199,2442
Tabela 4.4 Resultados do Teste Ljung-Box para as Inovaes
Assim, o teste de hipteses, realizado para os atrasos mais significativos, constatou-se

que o valor de P (p-Value) nulo (j que Stat > CriticalValue), tornando possvel rejeitar a
hiptese nula, ou seja, ainda existe uma estrutura de autocorrelao das inovaes.
A estrutura do modelo GARCH conforme estimado pelo GARCHFIT ser aceita e

utilizada para a simulao a seguir.
4.6.3 Simulao
Aps a estimao do modelo e dos parmetros do modelo GARCH, e a conseqente
aceitao do modelo estimado, a funo 8 do programa, Simulao do Modelo GARCH,
utilizada para simular inovaes e a varincia das inovaes (volatilidade simulada), com o
objetivo de fazer uma ''engenharia reversa do processo.
A simulao utiliza os parmetros (K, A, B) calculados no GARCHFIT para gerar as

inovaes e a varincia das inovaes.
importante salientar que sempre que for feita uma nova simulao o MATLAB
7.0.1 , atravs da funo UGARCHSIM, gerar novas inovaes com base em uma
distribuio aleatria.
A seguir tem-se a linguagem da funo UGARCHSIM disponvel no toolbox GARCH

do MATLAB 7.0.1 , utilizada para estimar e fazer a previso das inovaes e da varincia
das inovaes.
UGARCHSIM uma funo que simula um processo univariado GARCH(P,Q) com inovaes
Gaussianas.
[U , H] = ugarchsim(K , A , B , N_Sim)
[ts,va] = ugarchsim(k,a,b,n_sim);
Entradas:
K - um termo escalar constante do processo GARCH.
A - um vetor de coeficientes, com dimenso P x 1, onde P a ordem do modelo que determina o
nmero de atrasos da varincia condicional includa no processo GARCH. O vetor A pode ser uma
matriz vazia, neste caso definida como nula.
B - um vetor de coeficientes, com dimenso Q x 1, onde Q a ordem do modelo que determina o
nmero de atrasos das inovaes quadrticas includas no processo GARCH.
N_Sim - um nmero inteiro escalar positivo indicando o nmero de amostras de inovaes U e
varincia condicional H (veja abaixo) a serem simuladas.
Sadas:
U - um vetor-coluna, de dimenso N_Sim x 1, das inovaes representando um processo discreto (no
tempo) com mdia nula. A srie temporal U das inovaes definida para acompanhar o processo
GARCH(P,Q) especificado pelos parmetros de entrada K, A, e B.
H um vetor-coluna, de dimenso N_Sim x 1, da varincia condicional correspondendo s inovaes
do vetor U. Note que U e H tem a mesma dimenso, e forma um par casado de vetores. Para
modelar o processo GACRH(P,Q), a srie temporal da varincia condicional, H(t), deve ser construda
(ver notas abaixo). Desta forma, H(t) representa a srie temporal deduzida a partir da srie temporal
das inovaes U.
NOTAS: Os coeficientes {K, A, e B} do modelo GARCH(P,Q) esto sujeitos s seguintes condies:
(1) K > 0
(2) A(i) >= 0 para i = 1,2,...P
(3) B(i) >= 0 para i = 1,2,...Q
(4) SOMA(A(i) + B(j)) < 1 para i = 1,2,...P e j = 1,2,...Q
A varincia condicionada no tempo, H(t), de um processo GARCH(P,Q) modelada por:
H(t) = K + A(1) * H(t-1) + A(2) * H(t-2) +...+ A(P) * H(t-P) +
+ B(1) * U2(t-1)+ B(2) * U2(t-2)+...+ B(Q) * U2(t-Q)
Note que U um vetor de inovaes representando um processo estocstico discreto com mdia nula.
Embora H tenha sido gerado utilizando a equao acima, U e H esto relacionados da seguinte forma:
U(t) = SQRT[H(t)] * v(t), onde {v(t)} uma seqncia i.i.d. com ~ N(0,1)
Os vetores de sada U e H so calculados para serem uma seqncia em regime permanente, onde
transientes tm um efeito pequeno arbitrrio. A mtrica (arbitrria) utilizada divide as primeiras N
amostras de U e H tais que a soma dos coeficientes GARCH, exceto K, elevadas potncia N, no
excedam o valor de 0.01, ou seja,
0.01 = [SOMA(A) + SOMA(B)]N
Assim: N = LOG(0.01) / LOG[ SOMA(A) + SOMA(B) ]
Quadro 4.8 Funo UGARCHSIM
4.7 Previso da Volatilidade da Srie de Cargas

Considerando as equaes:
yt = 0,00035843 + t
t2 = 0,0025786 + 0,52732 t2i + 0,13791 t21
e utilizando a funo 9 do programa, Predio da Volatilidade, que por sua vez usa a funo
UGARCHPRED da toolbox do MATLAB 7.0.1 , pode-se verificar a volatilidade prevista
para um certo perodo entre a data inicial dos dados e a data final dos dados, de modo a
comparar a qualidade da predio. Esta previso permite verificar visualmente se a
volatilidade prevista qualitativamente aceitvel quando comparada volatilidade simulada
(pela funo UGARCHSIM). A Figura 4-16 apresenta o grfico das volatilidades simuladas
(azul) e previstas (em vermelho). Neste caso a volatilidade foi prevista (historicamente) entre
0 e 2832 horas, e prevista (futuramente) para a 168 hora frente do ltimo ponto estimado
(ponto 2832), ou seja, para o ponto n = 3000.
importante salientar que este grfico representa apenas uma simulao feita, e que
podem existir diferenas visuais (pelos grficos) e tambm de valores dos parmetros
simulados e previstos, j que sempre que for feita uma nova simulao o MATLAB 7.0.1 ,
atravs da funo UGARCHSIM, gerar novas inovaes com caractersticas aleatrias.
Conseqentemente estas inovaes geradas pelo UGARCHSIM, que sero utilizadas pelo
UGARCHPRED tero como resposta diferentes novos parmetros estimados, embora estas
diferenas de valores dos parmetros a cada simulao e previso no sejam significativas.
A seguir tem-se a linguagem da funo UGARCH utilizada para estimar os parmetros

ke, ae, e be a serem utilizados na predio da volatilidade pela funo UGARCHPRED,
disponvel no toolbox GARCH do MATLAB 7.0.1 .
UGARCH - uma funo que estima os parmetros GARCH(P,Q) univariados, com inovaes
Gaussianas.

[K , A , B] = ugarch(U,P,Q)

[ke,ae,be]= ugarch(ts,p,q);
onde ke, ae, e be so os parmetros do modelo GARCH a serem estimados e utilizados na predio da
volatilidade, e os valores ts, p, e q so parmetros calculados durante o processo de estimao dos
parmetros GARCH calculados pela funo garchfit.
Entradas:
U vetor-coluna simples de perturbaes aleatrias (isto , os resduos, ou inovaes, de um modelo
economtrico) representando um processo estocstico discreto de mdia nula. Assume-se que srie
temporal de inovaes U siga o processo GARCH.
P um nmero inteiro escalar no-negativo representando a ordem do processo GARCH. P o

nmero de atrasos da varincia condicional includo no processo GARCH.
Q um nmero inteiro escalar positivo representando a ordem do processo GARCH. Q o nmero de

atrasos das inovaes quadradas includo no processo GARCH.
Sadas:

nmero de atrasos da varincia condicional includa np processo GARCH. O vetor A pode ser uma
matriz vazia, neste caso definida como nula. Se P = 0, um processos GACRH(0,Q) , na realidade, um
processo GARCH(Q).

NOTAS:
Os coeficientes {K, A, e B} do modelo GARCH(P,Q) esto sujeitos s seguintes condies:
(1) K > 0
(2) A(i) >= 0 para i = 1,2,...P
(3) B(i) >= 0 para i = 1,2,...Q
H(t) = K + A(1) * H(t-1) + A(2) * H(t-2) +...+ A(P) * H(t-P) +

+ B(1) * U2(t-1)+ B(2) * U2(t-2)+...+ B(Q) * U2(t-Q)
Note que U um vetor de inovaes, ou regresso residual de um modelo economtrico,

representando um processo estocstico discreto com mdia nula. Assim sendo, assumido que um
modelo de regresso j tenha sido construdo e que U(t) = y(t) - F(X(t),B) a srie temporal das
inovaes derivadas do modelo.
Quadro 4.9 Funo UGARCH
0.16
Simulada
Prevista
0.15
0.14
0.13
0.12
Volatilidade
0.11
0.1
0.09
0.08
0 500 1000 1500 2000 2500 3000

Hora
Figura 4-16 Volatilidade Simulada e Prevista usando o Modelo GARCH
Neste caso, para a primeira simulao realizada e prevista, o nvel de confiana da

previso da volatilidade para a srie de demanda estudada foi de 95% para uma mdia de
0,08707 e desvio padro de 0,00907.
Os clculos da mdia e do desvio-padro para a volatilidade prevista forma feitos de

forma estatisticamente clssica, utilizando funes do software Minitab (Stat Basic
Statistics Display Descriptive Statistics).
A Figura 4-17 apresenta o detalhamento da Figura 4-16 para o intervalo de 80 a 150

horas.
Volatilidade Simulada e Previso
Simulada
0.105 Previso
0.1
0.095
0.09
0.085
0.08
0.075
80 90 100 110 120 130 140 150
Horas
Figura 4-17 - Volatilidade Simulada e Prevista usando o Modelo GARCH (intervalo de 80 a 150 horas)
A seguir tem-se a linguagem da funo UGARCHPRED, que utilizar as inovaes

geradas pelo UGARCHSIM e os parmetros estimados ke, ae, e be pela funo UGARCH,
para verificar a volatilidade estimada para certo perodo entre a data inicial e final dos dados,
disponvel no toolbox GARCH do MATLAB 7.0.1 .
UGARCHPRED uma funo que faz a previso da varincia condicional de um processo

GARCH(P,Q) univariado.

[VarianceForecast , H] = ugarchpred(U , K , A , B , NumPeriods)

[v,h] = ugarchpred(ts (1: n_sim - per_pred), ke, ae, be, per_pred);
onde, v e h so as varincias e inovaes previstas, respectivamente, ts o vetor-coluna das

inovaes obtidas atravs da simulao (usando a funo UGARCHSIM n_sim o nmero de
perodos simulados, per_pred o nmero de perodos a serem previstos, e ke, ae, be so os
coeficientes do modelo GARCH estimados durante a simulao atravs da funo UGARCH.
Entradas:
U vetor-coluna simples de perturbaes aleatrias (isto , as inovaes de um modelo economtrico)
representando um processo estocstico discreto de mdia nula. Assume-se que srie temporal de
inovaes U siga o processo GARCH.


nmero de atrasos da varincia condicional includa np processo GARCH.

NumPeriods um nmero escalar inteiro positivo, representando o horizonte de previso desejado

(quantos perodos frente), expresso em nmero de perodos compatveis com a freqncia de
amostragem do vetor-coluna das inovaes de entrada U.
Sadas:
VarianceForecast vetor-coluna de dimenso NumPeriods x 1 da previso dos erros mnimos mdios
quadrticos das varincia condicional do vetor da srie temporal das inovaes U. O primeiro
elemento contm a previso de um perodo frente, o segundo elemento contm a previso de dois
perodos frente, e assim por diante. Assim, se um perodo do horizonte de previso for superior a 1
(isto , NumPeriods > 1), as previses de todos os horizontes intermedirios sero retornados tambm.
Neste caso, o ltimo elemento contm a previso de varincia do horizonte especificado, NumPeriods
da observao mais recente em U.
H vetor-coluna simples (uma coluna) com a mesma dimenso do vetor de novaes de entrada U.
Para modelar o processo GARCH(P,Q), a srie temporal da varincia condicional, H(t), deve ser
construda (ver notas abaixo). Isto representa a srie temporal deduzida a partir das inovaes U, e
uma reconstruo das varincias condicionais passadas, enquanto que a sada acima
VarianceForecast representa a projeo (previso) das varincias condicionais futuras. Esta
seqncia baseada no ajuste de valores pr-amostrados de H(t) para a varincia incondicional do
processo U(t).
NOTAS: Os coeficientes {K, A, e B} do modelo GARCH(P,Q) esto sujeitos s seguintes condies:

(1) K > 0
(2) A(i) >= 0 para i = 1,2,...P
(3) B(i) >= 0 para i = 1,2,...Q
H(t) = K + A(1) * H(t-1) + A(2) * H(t-2) +...+ A(P) * H(t-P) +

+ B(1) * U2(t-1)+ B(2) * U2(t-2)+...+ B(Q) * U2(t-Q)
Note que U um vetor de inovaes, ou regresso residual de um modelo economtrico,

representando um processo estocstico discreto com mdia nula. Assim sendo, assumido que um
modelo de regresso j tenha sido construdo e que U(t) = y(t) - F(X(t),B) a srie temporal das
inovaes derivadas do modelo.
Quadro 4.10 Funo UGARCHPRED
4.8 Validao do Modelo

Para Shannon (1975) e Banks (1998) o principal objetivo da validao garantir que
os pressupostos e as simplificaes adotadas do sistema real sejam razoveis e estejam
corretamente implementadas, resultando num modelo de previso de volatilidade confivel.
A validao foi realizada de duas maneiras: qualitativa e quantitativamente. A anlise

qualitativa foi feita por uma inspeo visual nos grficos da Figura 4-16 e da Figura 4-17,
nas quais pode-se observar que a volatilidade dos retornos prevista consegue acompanhar
significativamente a volatilidade simulada dos retornos. A anlise quantitativa foi realizada
com base no valor do erro da volatilidade definido como a diferena entre a volatilidade
simulada e a volatilidade prevista.
4.8.1 Anlise do Erro da Volatilidade

A anlise do erro da volatilidade foi feita atravs de uma anlise estatstica clssica,
utilizando funes do software Minitab (Stat Basic Statistics Display Descriptive
Statistics).
A anlise esperada era que o erro obtido tivesse o comportamento de um rudo branco
Gaussiano, com mdia nula e desvio padro pequeno, com propriedades de assimetria e
curtose nulas.
Conforme mostrado na Figura 4-18 a mdia praticamente nula e o desvio padro

tem pequena ordem de magnitude e com traos de curtose e assimetria no-nulos.
Descriptive Statistics
Variable: erro
Anderson-Darling Normality Test

A-Squared: 57,683
P-Value: 0,000
Mean 4,87E-05
StDev 1,70E-03
Variance 2,88E-06
Skewness 1,25593
Kurtosis 2,88647
-0,0090 -0,0065 -0,0040 -0,0015 0,0010 0,0035 0,0060 0,0085 N 2832
Minimum -9,8E-03
1st Quartile -1,2E-03
Median -3,0E-04
3rd Quartile 9,00E-04
95% Confidence Interval for Mu Maximum 9,80E-03
95% Confidence Interval for Mu
-1,4E-05 1,11E-04
-0,0004 -0,0003 -0,0002 -0,0001 0,0000 0,0001 95% Confidence Interval for Sigma
1,65E-03 1,74E-03
95% Confidence Interval for Median
95% Confidence Interval for Median
-4,0E-04 -3,0E-04
Figura 4-18 Estatstica Descritiva do Erro de Volatilidade
-0,0090 -0,0065 -0,0040 -0,0015 0,0010 0,0035 0,0060 0,0085

Figura 4-19 Histograma do Erro de Volatilidade
Conforme j mencionado anteriormente sempre que for feita uma nova simulao e
uma nova previso os valores dos parmetros do modelo GARCH sero alterados, resultando
em uma variao aleatria no significativa da volatilidade simulada e prevista, e
conseqentemente do erro da volatilidade. Esta variao pode ser notada apenas na diferena
dos valores de assimetria e curtose conforme mostrado na Tabela 4.5 e nas Figuras 4.20,
4.21, 4.22, 4.23, 4.24, 4.25, 4.26 e 4.27, j que a mdia e o desvio padro permanecem na
mesma ordem de magnitude. A Tabela 4.5 traz a comparao de 8 simulaes e previses,
exemplificando as possveis variaes de curtose e assimetria, assim como os valores das
volatilidades estimadas para cada caso.
Caso ke ae be Mdia STD Curtose Assimetria Volatilidade

Estimada
[MW]
1 0.0022 0.5963 0.1271 -0,001368 0,001090 3,07 -0,67 0,0086
2 0.0023 0.5574 0.1392 -0,000097 0,000685 15,96 -0,13 0,0880
3 0.0028 0.5059 0.0988 0,001893 0,002582 4,53 1,64 0,0848
4 0.0026 0.5289 0.1468 -0,001269 0,000600 93,09 -5,57 0,0896
5 0.0023 0.5495 0.1515 0,000572 0,001392 3,69 -1,53 0,0872
6 0.0018 0.6284 0.1339 0,000447 0,002045 3,20 -1,56 0,0873
7 0.0029 0.5116 0.1321 -0,001829 0,000834 3,80 0,58 0,0902
8 0.0039 0.3506 0.1299 0,000250 0,002695 3,24 1,45 0,0871
Tabela 4.5 Comparaes de Simulaes e Previses para o Erro da Volatilidade
Caso k a b
1 0.0026 0.5273 0.1379
2 0.0026 0.5273 0.1379
3 0.0026 0.5273 0.1379
4 0.0026 0.5273 0.1379
5 0.0026 0.5273 0.1379
6 0.0026 0.5273 0.1379
7 0.0026 0.5273 0.1379
8 0.0026 0.5273 0.1379
Tabela 4.6 Parmetros calculados do Modelo
Volatilidade com pontos sem a previso

350
300
250
200
150
100
50
0
-8 -6 -4 -2 0 2 4 6
-3
x 10
Figura 4-20 Erro de Volatilidade Caso 1

600
500
400
300
200
100
0
-5 0 5 10
-3
x 10


800
700
600
500
400
300
200
100
0
-16 -14 -12 -10 -8 -6 -4 -2 0 2
-3
x 10

300
250
200
150
100
50
0
-0.01 -0.005 0 0.005 0.01 0.015 0.02 0.025


250
200
150
100
50
0
-8 -6 -4 -2 0 2 4 6
-3
x 10

250
200
150
100
50
0
-12 -10 -8 -6 -4 -2 0 2 4 6 8
-3
x 10

400
350
300
250
200
150
100
50
0
-10 -8 -6 -4 -2 0 2 4
-3
x 10


250
200
150
100
50
0
-0.01 -0.005 0 0.005 0.01 0.015 0.02
Com base nos valores de assimetria e custose da Tabela 4.5 observa-se que os
menores valores de assimetria e curtose encontrados nestas 8 simulaes correspondem a
primeira simulao (Caso 1), tambm observada pela Figura 4-20, representando, dentre as
simulaes realizadas, o melhor caso.
Observa-se ainda que a mdia das volatilidades estimadas das 8 simulaoes da

Tabela 4.5 de 0,0880, com desvio padro de 0,0018, o que representa uma variao de
2,05% em relao ao valor mdio calculado. Independentemente dos valores de assimetria e
curtose para cada caso o valor da volatilidade estimada entre as simulaes apresenta pouca
variao.
Captulo 5 CONCLUSO 135
5 CONCLUSO
Este captulo traz as comparaes entre o objetivo proposto e os resultados alcanados.
Aborda as principais vantagens e desvantagens encontradas na simulao realizada. Traz
ainda sugestes para trabalhos futuros.
5.1 Aplicao de um Modelo GARCH Previso da

Volatilidade
No incio deste trabalho, o objetivo principal proposto foi determinar um modelo
quantitativo consistente e representativo para a previso da volatilidade da demanda de
energia eltrica para consumidores livres em regime de curto prazo. O modelo proposto
representativo para a previso da volatilidade, dentro dos limites de preciso apresentados
neste trabalho.
Foi feita a anlise da srie transformada (srie de retornos) atravs das funes de
autocorrelao, autocorrelao parcial e autocorrelao quadrtica, nas quais foram
encontradas as sazonalidades para os perodos de 24 horas e 168 horas (ou 7 dias).
Com base nos atrasos mais significativos (24 e 168 horas) foram aplicados, na fase de
pr-estimao, os testes de hipteses (Teste Q e Teste ARCH), cujas respostas indicaram a
rejeio (H = 1 com Valor P = 0) confirmando que os dados da srie transformada eram
correlacionados e a srie no era i.i.d., atendendo aos requisitos necessrios aplicao do
modelo GARCH.
Foram calculados os parmetros do modelo GARCH e estimadas as inovaes para o

modelo.
A anlise da autocorrelao quadrtica das inovaes revelou alguns valores

significativos considerados como outliers, apontando a existncia residual de clusters nas
inovaes e caractersticas da varincia nas inovaes. O teste de Ljung-Box aplicado s
inovaes, ainda demonstrou a existncia de uma estrutura de autocorrelao das inovaes, o
que explica a possibilidade de que algumas caractersticas da srie no terem sido modeladas,
resultando em traos residuais cujo efeito poder ser visto no erro da volatilidade (simulada
menos a prevista).
Estas caractersticas no modeladas da srie podem ser oriundas do fato que na simulao
do modelo GARCH foi considerada apenas a modelagem da varincia condicionada, sendo a
mdia considerada constante. Assim a existncia de clusters nas inovaes leva a considerar
que nem toda a volatilidade existente na srie transformada foi modelada. Pode-se considerar
ainda que a inovao apresenta efeitos de curtose no modelados, como observado na anlise
estatstica dos erros entre a volatilidade estimada e a simulada. A anlise estatstica dos erros
de volatilidade tambm mostrou a existncia de assimetria (skewness). Contudo, a
existncia de curtose e assimetria, representam apenas uma parcela de erros residuais no-
Gaussianos. A outra parcela de erro residual evidenciada pelo desvio padro no nulo,
indicando a existncia de aleatoriedade no erro residual.
Graficamente, conforme mostrado na seo 4.7, a previso da volatilidade realizada

(utilizando como base os parmetros do modelo GARCH estimados) mostrou-se
qualitativamente similar quando comparada visualmente com a volatilidade simulada, de
modo que a volatilidade dos retornos prevista conseguiu acompanhar a volatilidade simulada
dos retornos.
A validao do modelo foi realizada com base no erro entre a volatilidade simulada e a
volatilidade prevista, onde o erro encontrado, no possui uma distribuio de probabilidade
puramente Gaussiana, conforme apresentado na seo 4.8.1.
A qualidade do modelo foi verificada atravs da anlise do erro de volatilidade

apresentado na seo 4.8.1. As vrias simulaes feitas resultam nas seguintes concluses:
Primeiramente, as mdias so praticamente nulas e da mesma ordem de grandeza.
Os desvios padro, embora pequenos, so no-nulos e da mesma ordem de

grandeza.
Com base nestas duas concluses podemos considerar o erro residual da volatilidade
como um rudo aleatrio, porm no-Gaussiano devido presena de curtose e assimetria.
Pode-se observar que dentre as vrias simulaes realizadas existe uma variao nos valores
de curtose e assimetria, onde, em alguns casos, possvel encontrar valores no significativos
para a assimetria e a curtose. Nestes casos, como visto na Figura 4-20 encontrar valores no
significativos para a assimetria e a curtose. Nestes casos, como visto na Figura 4-20 estes
modelos seriam a melhor representao para a previso da volatilidade por caracterizarem o
erro de volatilidade como sendo puramente rudo aleatrio Gaussiano.
A previso da volatilidade foi realizada com nvel de confiana de 95% acrescida de uma
incerteza, representada pelo erro de volatilidade que possui uma mdia constante e desvio
padro acrescido de assimetria e curtose. Se os valores de curtose e assimetria fossem nulos, o
desvio padro seria constante e representaria isoladamente a incerteza aleatria da previso da
volatilidade.
Embora seja adequada a aplicao da modelagem GARCH para uma srie de demanda de
energia eltrica, a literatura cientfica, at a presente data, no fez qualquer meno sua
aplicabilidade na previso da volatilidade de demanda de energia eltrica.
H a necessidade de investigar, outros softwares tais como SPLUS, SPSS e SAS

constantemente referenciados em artigos da rea.
5.2 Sugestes para Trabalhos Futuros

Como sugesto para trabalhos futuros recomenda-se considerar tambm a modelagem da
mdia, considerando a aplicao de um modelo ARMAX para a mdia, j que o
comportamento da demanda no pode ser considerado com a mesma mdia e disperso para
os dias da semana, conforme descrito na seo 4.2, o que leva a considerar uma estrutura de
modelamento tambm para a mdia.
Recomenda-se tambm a utilizao de outros modelos da famlia GARCH que possam

melhor modelar a caracterstica de assimetria, comportamento encontrado (e
conseqentemente no totalmente modelado) na anlise do erro residual da volatilidade
(volatilidade simulada menos a volatilidade prevista).
Outra possibilidade a utilizao do modelo GARCH para p e q diferentes de 1,

embora usualmente para modelos de previso no so utilizados valores de p e q maiores
que 2. No caso, a utilizao de p e q maiores que 1 podem causar uma suavizao no
comportamento da srie quando transformada, fazendo com que as caractersticas da srie
possam ser atenuadas, no aparecendo de uma forma to mais significativa o comportamento
transiente rpido da volatilidade.
A utilizao de redes neurais para previso das sries de demanda e volatilidade pode
apresentar vantagens, j que os modelos RNA possuem uma estrutura flexvel quando
comparados aos modelos GARCH, ou seja, a estrutura no paramtrica das RNA possibilita a
incluso de termos adicionais para a previso enquanto que no modelo paramtrico GARCH
as variveis que compem o modelo j forma definidas pelas equaes utilizadas e toda a
previso feita com base na utilizao somente destas variveis.
Corrobora-se a isto o fato de vrios experimentos de previso, realizados nas mais

diferentes reas do conhecimento, tm mostrado a eficcia das RNA em gerar previses de
boa qualidade. Especialmente para previses com mais de um passo frente, vrios estudos
tm mostrado que as RNAs so em geral superiores aos modelos economtricos
convencionais. (PORTUGAL e FERNANDES, 2004)
Segundo Castro (2001):
As redes neurais artificiais tm a capacidade de aprender padres subjacentes

presentes nos conjuntos de dados, apresentando melhor desempenho que os mtodos
estatsticos tradicionais quando o processo regente de dados desconhecido, no-
linear e/ou no estacionrios, como a maior parte dos processos encontrados no
mundo real. Deste modo, representam uma grande contribuio ao estudo das sries
temporais resultantes de tais processos.
As redes neurais artificiais so ferramentas muito flexveis em um ambiente dinmico.

Elas tm a capacidade de aprender rapidamente padres complexos e tendncias
presentes nos dados e de se adaptar rapidamente s mudanas, caractersticas estas que
so extremamente desejveis em se tratando de predio de sries temporais
heteroscedsticas.
Alm disso, para os casos de predio de sries temporais quando as sries so

governadas por processos subjacentes no-lineares, as tcnicas lineares de
modelamento tm sucesso apenas limitado em seu desempenho. Principalmente nestas
situaes, a idia de empregar redes neurais artificiais intuitivamente atrativa.
As redes neurais artificiais tm se mostrado uma poderosa ferramenta na previso de

sries temporais. Sua habilidade em extrair complicadas relaes no-lineares a partir dos
dados de entrada ruidosos tem produzido resultados surpreendentes, na maioria das vezes
melhores que os obtidos por procedimentos estatsticos convencionais (ABELM, 1994).
Outras qualidades que justificam o uso de redes neurais artificiais na predio de sries
temporais podem ser consideradas: (CASTRO, 2001)
Possibilidade de considerar o comportamento no-linear dos fenmenos fsicos

responsveis pela gerao dos dados de entrada;
Necessidade de pouco conhecimento estatstico sobre o ambiente no qual a rede est

inserida;
Capacidade de aprendizado, a qual atingida atravs de uma sesso de treinamento com

exemplos entrada/sada que sejam representativos do ambiente;
Capacidade de generalizao, a qual permite a rede ter um desempenho satisfatrio em

resposta a dados no pertencentes ao conjunto de treino;
Tolerncias falhas, o que permite rede continuar a apresentar resultados aceitveis no

caso de falha de alguns neurnios unidades computacionais bsicas das redes neurais
artificiais;
Recomenda-se ainda, a previso das sries de demanda e volatilidade atravs de Mixture

Density Network (MDNs). possvel considerar que as MDNs tm estrutura similar aos
modelos clssicos GARCH, j que o vetor de contribuio do modelo misto usa
componentes gaussianas (, , 2) para sua resposta. E justamente a componente 2 que o
modelo GARCH considera como a varivel a ser modelada.
Comprova-se a este fato que para problemas que envolvam a predio de variveis
contnuas a mdia condicional (gerada por uma RNA) representa uma descrio muito
limitada das propriedades estatsticas dos dados designados e por isto em muitas aplicaes
so completamente inadequadas (BISHOP. 1994).
Alm disso, as MDN superam estas limitaes e provem uma completa estrutura para
modelar as funes de densidade condicional. Estas redes podem representar distribuies de
probabilidade condicionais arbitrrias da mesma forma que uma rede neural convencional
pode representar funes arbitrrias. Sem dvida, a implementao de MDNs representa uma
simples modificao nos modelos de redes neural padro (BISHOP. 1994)
5.3 Comentrios Finais

Os objetivos propostos para a dissertao foram atingidos.
Atravs dos estudos conduzidos e apresentados neste trabalho, foi obtida uma certa
experincia na utilizao do modelo GARCH, e foi possvel fazer uma anlise da
aplicabilidade do modelo para a previso da volatilidade.
Foi proposta uma metodologia de anlise de aplicabilidade do modelo GARCH a uma

srie temporal de demanda de energia. No entanto, a escolha da transformao ideal
para estacionarizar a srie para uso em modelos GARCH ainda polmica.
Foi desenvolvida uma funo (em linguagem MATLAB 7.0.1 ) que automatiza a
anlise, modelamento, simulao e previso da volatilidade de sries de demanda de
energia. No entanto, a toolbox GARCH do MATLAB 7.0.1 foi desenvolvida
especificamente para sries economtricas e em especial de preo/retorno, o que no
invibializa a utilizao deste modelos em outras reas, podendo porm dificultar sua
aplicao.
141
BIBLIOGRAFIA
ABELM, Antnio Jorge Gomes. Redes Neurais Artificiais na previso de sries
temporais. Dissertao de Mestrado em Engenharia Eltrica, PUC-Rio, Rio de Janeiro, 1994
ADESI, Giovanni B.; GIANNOPOULOS, Kostas; VOSPER, Les. Filtering Historical

Simulation. Backtest Analysis, 2000 Disponvel em:
www.smartquant.com/references/VaR/var28.pdf. Acesso em: 20 mar 2004.
ALEXANDER, Carol. Market Models: A guide to Financial Data Analysis. New York: John
Wiley & Sons Ltda , 2001.
ANEEL. Informaes sobre o Setor Eltrico. Disponvel em: www.aneel.gov.br. Acesso em:
26 abr 2004.
ANDRADE, Elisson A. P., Mercados Futuros: Custos de Transao associados

tributao, margem, ajustes e estrutura financeira. 2004. Dissertao (Mestrado em
Economia Aplicada) Escola Superior de Agricultura Luiz de Queiroz Universidade de
So Paulo, Piracicaba SP, 2004
ANGKAW, Abigail C.; BOX, George E.P. (University of Cincinnati). On Models.

Disponvel em: http://homepages.uc.edu/~howesr/780_P1_Angkaw_Models.doc. Acesso em
13 jun 2004.
ARNOLD, J. R. Tony. Administrao de Materiais: uma introduo. So Paulo:Atlas, 1999.
BARTLMAE, Kai; RAUSCHER, Folke A. A Neural Network Volatility Mixture

Approach. Disponvel em: http://www.smartquant.com/references/VaR/var15.pdf. Acesso
em 03 ago 2004.
BAILS, D. G., and L. C. PEPPERS (1982), Business Fluctuations. Englewood Cliffs:

Prentice-Hall.
BERTO, Rosa Maria Villares; NAKANO, Davi Noboru, A Produo Cientifica nos Anais do
Encontro Nacional de Engenharia de Produo: Um Levantamento de Mtodos e Tipos de
Pesquisa. Revista Produo, v. 9, n. 2, p. 65-76, 2000.
142
BISHOP, Christopher M. Mixture Density Networks, Disponvel em

http://www.ncrg.aston.ac.uk. Acesso em 7 mai 2004.
BLACK, F. Studies of stock market volatility changes. In: Meeting of The American
Statistical Association, Business And Econominc Statistics SECTION, 1976.
BOLLERSLEV, T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of

Econometrics, v. 31, p. 307-327, 1986.
BOLLERSLEV, T., CHOU R.Y., KRONER K. F. ARCH Modeling in Finance: A Review of

the Theory and Empirical Evidence. Journal of Econometrics, v. 52, p. 5-59, 1992.
BOLLERSLEV, T., ENGLE, R.F.; NELSON, D.B., ARCH Models, Handbook of

Econometrics, Volume IV, Chapter 49, pp 2959-3038, Elsevier Science B.V.,1994.
BOVESPA. Volatilidade Mensal. Disponvel em:

http://www.bovespa.com.br/Mercado/RendaVariavel/Indices/FormConsultaVolMens.asp?Indi
ce=Ibovespa. Acesso em: 20 abr 2005.
BOX, G. E. P., JENKINS, G. M & REINSEL, G. C. Time Series Analysis Forecasting

And Control. 3.ed. New Jersey: Prentice Hall, 1994
BOX, G.E.P., JENKINS, G. Time Series Analysis: Forecasting and Control, Holden-Day,
pp.28-32, 1976.
Box, G. E. P. Robustness in scientific model building. In R. L. Launer, & G. N. Wilkinson

(Eds.), Robustness in statistics (pp. 201-236). New York: Academic Press. (1979).
BOX, George. E. P.; PIERCE, D. A. Distribution of residual autocorrelations in

autoregressive-integrated moving average time series models. Journal of the American
Statistical Association. v. 65, p. 1509-1526, 1970.
BRYSON JR, A. E.; HO, Y. C. Applied Optimal Control. Washington: Hemisphere

Publishing Company Corporation, 1975.
CAIADO, Jorge, Prmio Nobel da Economia: O Desenvolvimento de Mtodos Estatsticos

para Anlise de Sries Temporais Econmicas e Financeiras. Revista InforBanca.
143
Disponvel em: http://www.ifb.pt/publicacoes/info_59/revista_59.htm . Acesso em 20 abr

2004.
CAIO, Leonardo Santos; BERMANN, Clio. Anlise das Metodologias de Previso de

Mercado de Energia Eltrica Face ao Novo Perfil de Planejamento no Ambiente Ps-
Privatizao. In: Congresso Brasileiro de Planejamento Energtico, 1998, So Paulo.
CMARA DE COMERCIALIZAO DE ENERGIA ELTRICA. Index. Diponvel em:

http://www.ccee.org.br/index.jsp. Acesso em: 15 mar. 2005.
CMARA, Samuel Faanha. Os Modelos ARIMA no Ensino de Graduao em

Administrao e Economia. Revista da FA7, Ano 1, n. 1, maio de 2003. Disponvel em:
http://www.fa7.edu.br/rea7/artigos/volume1/artigos/read3.doc. Acesso em: 21 abr 2004.
CARVALHO; Leonardo Sanches. Modelagem e Simulao: Poderosa Ferramenta para

Otimizao de Operaes Logsticas. BAHIA ANLISE & DADOS, v. 13, n. 2, p. 267-274,
setembro 2003.
CASSEL, R.; MLLER, C. A simulao e os processos de mudana. In: ENEGEP, 16, 1996
Anais... Piracicaba: UNIMEP, 1996.
CASTRO, Maria Cristina Felippetto. Predio No-Linear de Srie Temporais usando

redes neurais RBF por decomposio em componentes principais. 2001. (Doutorado em
Engenharia Eltrica e de Computao) - Universidade Estadual de Campinas, Campinas, 2001
CHATTERJEE, S., BERTRAM, P. Regression analysis by example. New York: John Wiley
& Sons, Inc. 1991.
CORRA, Henrique L.; GIANESI, Irineu G. N.; CAON, Mauro. Planejamento,

programao e controle da produo : MRP II/ERP: conceitos, uso e implantao. 3.ed.
So Paulo: Atlas, 2000.
DAVIS, Mark M.; AQUILANO, Nicholas J.; CHASE, Richard B. Fundamentos da

administrao da produo. 3.ed. Porto Alegre : Bookman Editora, 2001.
DEKRAJANGPETCH, S.; SHEBL, G. B. Structures and formulations for electric power

auctions. Electric Power Systems Research, n. 54, p. 159167. 2000.
144
DUKE ENERGY BRASIL. Guia do Cliente Livre. Disponvel em: http://www.duke-

energy.com.br/PT/Negocios/guiadoclientelivre/index.asp?id=1_5. Acesso em: 30 mar 2004.
ENDERS, W. Applied Economic Time Series. New York: John Wiley & Sons, 1995.
ENERTRADE. Dicas Conceitos. Disponvel em:

http://www.enertrade.com.br/dicas_conceitos.html. Acesso em: 25 abr 2004.
ENGLE, Robert F.; Autoregressive Conditional Heteroskedasticity with Estimates of the

Variance of United Kingdom Inflation. Econometrica, Vol. 50, pp. 987-1007, 1982.
ENGLE, Robert F.; BOLLERSLEV T. Modeling the Persistence of Conditional Variances.

Econometric Reviews, v. 5, n. 1, p. 1-50, 1986.
FARIAS, Egenilton Rodolfo; ROCHA, Francisco Jos Sales; LIMA, Ricardo Chaves.
Critrios de seleo de modelos sazonais de sries temporais: uma aplicao usando a taxa de
desemprego da regio metropolitana de Recife, In: ENCONTRO REGIONAL DE ESTUDOS
DO TRABALHO, 3., 2000, Anais..., Universidade Federal de Pernanbuco, Recife, 2000.
Disponvel em: www.race.nuca.ie.ufrj.br/abet/3reg/39.DOC. Acesso em 3 mar 2004.
FAUSETT, L. Fundamentals of Neural Networks: Architecture, Algorithms, and

Applications. New Jersey: Prentice Hall, 1994.
FERNANDES, L. G.; PORTUGAL, M. S. Redes Neurais Artificiais e Previso de Sries

Econmicas: Uma Introduo, Textos para discusso n.95/1, Curso de Ps-Graduao em
Economia, UFRGS. (1995). Disponvel em:
http://www.ufrgs.br/ppge/pcientifica/1995_01.pdf. Acesso em: 22 jun 2004.
FONSECA, Jairo S.; MARTINS, Gilberto A.; TOLEDO, Geraldo L. Estatstica Aplicada.
So Paulo: Atlas, 1995.
GARCIA, Reinaldo C.; CONTRERAS, Javier; AKKEREN, Marco van; GARCIA, Joo
Batista C. A. GARCH Forecasting Model To Predict Day-Ahead Electricity Prices, IEEE
Transactions on Power Systems, v.20, n.2, p.867-874, May 2005.
GRANGER, C. W. J. Forecasting in Business and Economics. 2.ed. San Diego: Academic

Press, 1989.
145
GUJARATI, D. N. Econometria Bsica. So Paulo: Makron Books, 2004.
HAMILTON, J.D., Time Series Analysis, Princeton University Press, 1994.
HECHT-NIELSEN, R. Applications of Counterpropagation Networks, Neural Networks,

v.1, p 131-140, 1988.
HORNBECK, R.W. Numerical Methods. New York: Quantum Publishers, 1975.
LAW, A. M.; KELTON, W. D. Simulation modeling and analysis. 3.ed. Boston: McGraw-
Hill, 2000.
LEVINE, David M.; BERENSON, Mark L. STEPHAN, David. Estatstica: Teoria e

Aplicaes. usando o Microsoft Excel em portugus. Rio de Janeiro: LTC, 2000.
LOBO, E. C.; PORTO, A. J. V. Evoluo das Tcnicas de Simulao, Revista Produo.

v.9, n.1, p.13-22, 1999.
LOBO, E. C.; PORTO, A. J. V. Uma tcnica de modelagem para simulao de mquinas

que leva a um bom produto. Mquinas e Metais. p 20-34, dezembro de 1995.
MAKRIDAKIS, Spyros G.; WHEELWRIGHT, Steven C.; McGEE, Victor E. Fundamentals

of Quantitative Forecasting, New York: John Wiley & Sons, 1983.
MAKRIDAKIS, Spyros G.; WHEELWRIGHT, Steven C; HYNDMAN, Rob J. Forecasting:

methods and applications. 3.ed. New York: John Wiley & Sons, 1998.
MARTIN, Claudio. Aplicao de redes neurais para prognstico com base em sries
temporais. 2000. Dissertao (Mestrado em Mdia e Conhecimento) CEFET ,
Florianpolis, 2000.
MARTINS, Petrnio Garcia. Administrao de Materiais e Recursos Patrimoniais. So

Paulo: Saraiva, 2000.
MARTINS, Petrnio Garcia; LAUGENI, Fernando Piero. Administrao da Produo. So

Paulo : Saraiva, 1999.
MATHWORKS. Garch Toolbox Users Guide. Disponvel em: www.mathworks.com/access/

helpdesk/help/pdf_doc/garch/garch.pdf. Acesso em: 20 abr. 2004
146
MENTZER, John T.; BIENSTOCK, Carol C. Sales Forecasting Management. Thousand

Oaks: Sage, 1998.
MILONE, Giuseppe; ANGELINI, Flvio. Estatstica Aplicada. So Paulo: Atlas, 1995.
MONTGOMERY, Douglas C., RUNGER, George C. Estatstica Aplicada e Probabilidade

para Engenheiros. 2.ed. Rio de Janeiro. LTC Livros Tcnicos e Cientficos Editora S.A.,
2003.
MONTGOMERY, Douglas C.; JOHNSON, L. A.; GARDINER, J. S. Forecasting and Time

Series Analysis, 2.ed. New York: McGraw-Hill, 1990.
MOREIRA, Daniel Augusto. Administrao da produo e operaes. 2.ed. So Paulo:

Pioneira, 1996.
MORETTIN, Pedro Alberto; TOLOI, Cllia M. Sries Temporais. 2.ed. So Paulo: Atual,
1987.
MORETTIN, Pedro Alberto. Econometria Financeira; Um Curso em Sries Temporais

Financeiras, Departamento de Estatstica, Instituto de Matemtica e Estatstica, USP. Maro
2004.
MORETTIN, Pedro Alberto; TOLOI, Cllia M. Previso de Sries Temporais. So Paulo:

Atual Editora, 1995.
MORETTIN, Pedro Alberto; TOLOI, Cllia M. Anlise de sries temporais. So Paulo:

Edgard Blucher, 2004.
MORETTIN, Pedro Alberto; TOLOI, Cllia M. Mtodos Quantitativos; Sries Temporais.

Previso de Sries Temporais. So Paulo: Editora Atual, 1986.
MOTA, Bernardo de S; FERNANDES, Marcelo. Desempenho de Estimadores de

Volatilidade na Bolsa de Valores de So Paulo. Revista Brasileira de Economia, v.58, n.3,
2004. Disponvel em: http://epge.fgv.br/portal/pesquisa/producao/3638.html.
NAYLOR, T. H. Computer simulation experiments with models of economic systems.

New York: John Wiley & Songs, 1971.
147
NELSON, Daniel B. Conditional Heteroskedasticity in Asset Returns: A New Approach.

Econometrica, n.59, p.347-370, 1991.
OLIVEIRA, Maria Cristina Neves. Mtodos de Estimao de Parmetros em Modelos

Geoestatsticos com diferentes estruturas de covarincias: Uma Aplicao ao Teor de
Clcio no solo. 2003. Tese (Doutorado em Estatstica e Experimentao Agronmica)
Escola Superior de Agronomia Luiz de Queiroz Universidade de So Paulo, Piracicaba,
Janeiro 2003.
PEDGEN, C. D., SHANNON, R. E., SADOWSKI, R. P. Introduction to Simulation Using

SIMAN. 2.ed. New York: McGraw-Hill, Inc., 1995.
PELLEGRINI; Fernando R.; FOGLIATTO, Flvio S.; Passos para Implementao de

Sistemas de previso de Demanda Tcnicas e Estudo de Caso, Revista PRODUO, v.11,
n.1, Novembro de 2001.
PINTO, Marta Isabel da Costa Paiva. A study on the deregulation of the electricity sector
and the implications for the portuguese market. 2001. Dissertao (Mestrado em
Engenharia e Gesto de Tecnologia) Universidade Tcnica de Lisboa, Instituto Superior
Tcnico, Lisboa, 2001.
PONG, S.; SHACKELTON, M. B.; TAYLOR, S. J.; XU, X. Forecasting currency volatility:
A comparison of implied volatilities and AR(FI)MA models. Journal of Banking &
Finance, p. 1-23, 2003.
RAYSON, P. Matrix: A statistical method and software tool for linguistic analysis
through corpus comparison. 2003. Ph.D. thesis Lancaster University, 2003.
RIBEIRO; Luiz Cludio; PAULA, Anaparecida Vieira. Previso de populao atravs dos
modelos ARIMA de Box e Jenkins, 2000 In: Encontro Nacional de Estudos Populacionais,
Anais...: Universidade Federal de Minas Gerais, Caxambu, 2000. Disponvel em:
www.abep.nepo.unicamp.br/anais_2000.htm
RICHMOND, Korin. Mixture density networks, human articulatory data and acoustic-to-
articulatory inversion of continuous speech. In: WORKSHOP ON INNOVATION IN
SPEECH PROCESSING, Stratford-upon-Avon. Anais... Stratford-upon-Avon: University of
Edinburgh Institute of Acoustics, April 2001.
148
SFADI, Thelma. Uso de sries temporais na anlise de vazo de gua na represa de

FURNAS, Disponvel em: www.editora.ufla.br/revista/28_1/art19.pdf. Acesso em: 25 jul
2004.
SFADI, Thelma; NOGUEIRA, Denismar Alves. Previso de preos na bovinocultura de

corte. Disponvel em
http://dae2.ufla.br/revista/Revista%20V2%20N1%20jan_jun%202000_3.pdf. Acesso em
diversas datas em 2004
SALLES, Andr de Assis. Estimao do risco sistemtico uma abordagem Bayesiana. In:
ENCONTRO NACIONAL DE ENGENHARIA DE PRODUO. Anais... So Paulo: 1996.
SANTOS, Clzio Saldanha. A Regulao da Distribuio de Energia Eltrica Brasileira:

relaes entre agncias e a qualidade dos servios de concessionrias. 2003. Tese
(Doutorado em Administrao) Universidade Federal da Bahia, Escola de Administrao,
Salvador, Bahia, 14 abril 2003.
SHAW, I. S. e M. G. SIMES. Controle e Modelagem Fuzzy. FAPESP, Editora Edgard

Blcher Ltda., 1999.
SILVA , Joana Caldas. Estimao do valor em risco usando informao intra diria.
2002. Dissertao (Mestrado em Economia) Fundao Getulio Vargas, Rio de Janeiro,
2002.
SIMON, H. The sciences of the artificial. Cambridge: MIT Press, 1996.
STENGEL, Robert F. Stochastic Optimal Control: Theory and Application. 1.ed. New
York: John Wiley & Sons Inc, 1986.
STOCK, J.H. e M.W. WATSON. Econometria, Addison-Wesley, 2004.
TOPALLI, Ayca Kumluca; ERKMEN, Ismet; A hybrid learning for neural networks applied
to short term load forecasting. Disponvel em: www.ComputerScienceWeb.com. Acesso em:
12 abr 2004.
TUBINO, Dalvio F. Manual de Planejamento e Controle da Produo. 2.ed. So Paulo:

Atlas S.A., 2000.
149
VASCONCELLOS, M. A. S.; ALVES, D. Manual de Econometria. So Paulo: Atlas. 2000.
WEISSTEIN, E. W. Log Likelihood Procedure Disponvel em:

http://mathworld.wolfram.com/LogLikelihoodProcedure.html. Acesso em 11 abr 2004.
WORTHINGTON, A;. KAY-SPRATLEY, A., HIGGS, H. Transmission of prices and price

volatility in Australian electricity spot markets: a multivariate GARCH analysis. Energy
Economics, pp.1-14, 2003.
ZAGRAJEK, J. NOWICKA; WERON, R. Modeling electricity loads in California: ARMA

models with hyperbolic. Disponvel em: www.ComputerScienceWeb.com. Acesso em: 12 abr
2004.
150
ANEXO A FLUXOGRAMA DAS FUNES

151
ANEXO B CDIGO DO PROGRAMA
function varargout = garch_design(varargin)

% GARCH_DESIGN M-file for garch_design.fig
% GARCH_DESIGN, by itself, creates a new GARCH_DESIGN or raises the
existing
% singleton*.
%
% H = GARCH_DESIGN returns the handle to a new GARCH_DESIGN or the
handle to
% the existing singleton*.
%
% GARCH_DESIGN('CALLBACK',hObject,eventData,handles,...) calls the local
% function named CALLBACK in GARCH_DESIGN.M with the given input
arguments.
%
% GARCH_DESIGN('Property','Value',...) creates a new GARCH_DESIGN or
raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before garch_design_OpeningFunction gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to garch_design_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
%%=============================================================
% Edit the above text to modify the response to help garch_design
%%=============================================================
% Created by: Kevin T Fitzgibbon on 28-Setember-2004
% Version v2.6 10-May-2005
% Modified by: Kevin T Fitzgibbon
% Last Modified by GUIDE v2.5 19-Jul-2005 12:33:11
%===============================================================
% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @garch_design_OpeningFcn, ...
'gui_OutputFcn', @garch_design_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin e isstr(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
%**** CODE FOR R12 ****
if nargin == 0 % LAUNCH GUI
152
fig = openfig(mfilename,'reuse');
% Generate a structure of handles to pass to callbacks, and store it.
handles = guihandles(fig);
guidata(fig, handles);
if nargout > 0
varargout{1} = fig;
end
elseif ischar(varargin{1}) % INVOKE NAMED SUBFUNCTION OR CALLBACK
try
[varargout{1:nargout}] = feval(varargin{:}); % FEVAL switchyard
catch
disp(lasterr);
end
end
% **** CODE FOR R13 ****
%if nargout
% [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
%else
% gui_mainfcn(gui_State, varargin{:});
%end
%***********************
% End initialization code - DO NOT EDIT
%===============================================================
% --- Executes just before garch_design is made visible.
function garch_design_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to garch_design (see VARARGIN)
% Choose default command line output for garch_design
handles.output = hObject;
% Update handles structure
guidata(hObject, handles);
if strcmp(get(hObject,'Visible'),'off')
initialize_gui(hObject, handles);
end
%===============================================================
% UIWAIT makes garch_design wait for user response (see UIRESUME)
% uiwait(handles.figure1);
%===============================================================
% --- Outputs from this function are returned to the command line.
function varargout = garch_design_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% Get default command line output from handles structure
varargout{1} = handles.output;
%===============================================================
153
%------------------------- CRIAR OBJETOS --------------------------------

%===============================================================
function arquivodados_CreateFcn(hObject, eventdata, handles)
% hObject handle to arquivodados (see GCBO)
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background, change
% 'usewhitebg' to 0 to use default. See ISPC and COMPUTER.
usewhitebg = 1;
if usewhitebg
set(hObject,'BackgroundColor','white');
else
set(hObject,'BackgroundColor',get(0,'defaultUicontrolBackgroundColor'));
end
%===============================================================
function q_criar_modelo_CreateFcn(hObject, eventdata, handles)
% Cria objeto "q_criar_modelo"
if ispc
else
end
%===============================================================
function p_criar_modelo_CreateFcn(hObject, eventdata, handles)
% Criar objeto "p_criar_modelo"
if ispc
else
end
%===============================================================
function texto_geral_CreateFcn(hObject, eventdata, handles)
% Cria objeto para texto geral
if ispc
% set(hObject,'BackgroundColor','white');
else
end
%===============================================================
function txt_modelo_garch_CreateFcn(hObject, eventdata, handles)
% Cria objeto para texto modelo GARCH
if ispc ee isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
end
%===============================================================
function lag2_CreateFcn(hObject, eventdata, handles)
% Criar objeto lag2
if ispc
154
else
end
%===============================================================
function lag1_CreateFcn(hObject, eventdata, handles)
% Criar objeto lag1
if ispc
else
end
%===============================================================
function titulo_figura_CreateFcn(hObject, eventdata, handles)
% Criar objeto Titulo da Figura
if ispc
else
end
%===============================================================
function nome_arq_doc_CreateFcn(hObject, eventdata, handles)
% Criar objeto Nome do Arquivo
if ispc
else
end
%===============================================================
function p_CreateFcn(hObject, eventdata, handles)
% Criaao do objeto textbox "p"
if ispc
else
end
%===============================================================
function q_CreateFcn(hObject, eventdata, handles)
% Criaao do objeto textbox "q"
if ispc
else
end
%===============================================================
% --- Executes during object creation, after setting all properties.
function n_CreateFcn(hObject, eventdata, handles)
% Criar objeto "n"
if ispc
else
155
end
%===============================================================
function pasta_arquivo_CreateFcn(hObject, eventdata, handles)
% Criar objeto "Arquivo de Dados"
if ispc
else
end
%===============================================================
function alpha_CreateFcn(hObject, eventdata, handles)
% Criaao do objeto textbox "alpha" (nivel de confiana dos testes)
end
%%=============================================================f
unction threshold_CreateFcn(hObject, eventdata, handles)
% Criaao do objeto textbox "threshold"
end
%===============================================================
function lags_CreateFcn(hObject, eventdata, handles)
% Criaao do objeto textbox "lags" (vetor de lags)
end
%===============================================================
function txt_aae_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_aae" (A estimado)
end
%===============================================================
function txt_bbe_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_bbe" (B estimado)
end
%===============================================================
function txt_kke_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_kke" (Coeficiente K da predio)
156
end
%===============================================================
function n_simulacao_CreateFcn(hObject, eventdata, handles)
% Criar objeto "n_simulacao" (numero de intervalos de simulao)
end
%===============================================================
function n_pred_CreateFcn(hObject, eventdata, handles)
% Criar objeto "n_pred" (numero de intervalos de predio)
end
%===============================================================
function MaxLag_CreateFcn(hObject, eventdata, handles)
% Criar objeto "maxlag" (numero maximo de lags para graficos)
end
%===============================================================
function txt_kk_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_kk" (Coeficiente K GARCH)
end
%===============================================================
function txt_aa_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_aa" (Coeficiente A GARCH)
end
%===============================================================
function txt_bb_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_bb" (Coeficiente B GARCH)
end
%===============================================================
function txt_vol_estimada_CreateFcn(hObject, eventdata, handles)
% Criar objeto "txt_vol_estimada" (valor da volatilidade estimada)
157
end
%===============================================================
%------------------------------ FUNCOES --------------------------------
%===============================================================
function initialize_gui(fig_handle, handles)
% Inicializaao
flag_grafico = 0;
selecao_grafico = 0;
docFileName = 'garch_report';
figureTitle = 'Titulo 1';
figureNumber = 1 ;
%%=============================================================
function pb_procurar_Callback(hObject, eventdata, handles)
% Botao "Procurar ..."
[filename, pathname] = uigetfile('*.mat', 'Selecionar o Arquivo de Dados ...');
set(handles.pasta_arquivo, 'String', strcat(pathname,filename));
auxstr = ['load ' filename];
% Abrir arquivo de dados
evalin('base',auxstr);
% Copiar a series de preos/demandas
axes(handles.axes2);cla;
evalin('base','plot(prices);grid on;');
evalin('base','n = size(prices);');
% Setar radio-botoes
set(handles.rb_serieoriginal, 'Value', 1);
set(handles.rb_residuos, 'Value', 0);
% Criar vetor "dummy" unitrio
Dummy = ones(500);
Dummy = Dummy(1,:);
assignin('base','Dummy',Dummy);
% Criar resduos e sigmas unitrios
Innovations = Dummy;
assignin('base','Innovations',Innovations);
Sigmas = Dummy;
assignin('base','Sigmas',Sigmas);
% Inicializar grficos e variveis
axes(handles.axes4);cla;evalin('base','plot(Dummy);');
% Limpar campos de texto
str = ' ';
set(handles.txt_kk, 'String', str);
set(handles.txt_aa, 'String', str);
set(handles.txt_bb, 'String', str);
set(handles.txt_kke, 'String', str);
set(handles.txt_aae, 'String', str);
set(handles.txt_bbe, 'String', str);
set(handles.texto_geral, 'String', str);
set(handles.txt_modelo_garch, 'String', str);
158
set(handles.txt_livre, 'String', str);

set(handles.txt_vol_estimada, 'String', str);
set(handles.alpha, 'Value', 95);
% Inicializar radio-botes
set(handles.rb_jungbox, 'Value', 0);
set(handles.rb_archtest, 'Value', 0);
set(handles.price2return, 'Value', 0);
set(handles.derivada1, 'Value', 0);
set(handles.autocorrelacao, 'Value', 0);
set(handles.correlacaoparcial, 'Value', 0);
set(handles.correlacaoquad, 'Value', 0);
% Inicializar rtulos
set(handles.text61, 'String', 'Anlise');
set(handles.text29, 'String', 'Testes de Hipteses');
set(handles.text60, 'String', 'Serie Original');
%%=============================================================
function price2return_Callback(hObject, eventdata, handles)
% Radio-botao "Price To Return"
evalin('base','hret = price2ret(prices);');
evalin('base','series = hret;');
axes(handles.axes4);
evalin('base','plot(hret);grid on;');
%%=============================================================
function derivada1_Callback(hObject, eventdata, handles)
% Radio-botao "1a. Derivada"
evalin('base','hdiff = diff(prices);');
evalin('base','series = hdiff;');
grid on;
evalin('base','plot(hdiff);grid on;');
%%=============================================================
function derivada2_Callback(hObject, eventdata, handles)
% Radio-botao "2a. Derivada"
evalin('base','hdiff = diff(prices);');
evalin('base','hddiff = diff(hdiff);');
evalin('base','series = hddiff;');
grid on;
evalin('base','plot(hddiff);grid on');
%%=============================================================
159
function autocorrelacao_Callback(hObject, eventdata, handles)

% Radio-botao "Correlaao"
% Calcular auto-correlacao
maxlag = str2double(get(handles.MaxLag,'String'));
if (maxlag < 0) | (maxlag > 500)
errordlg('Valor invlido de Max Lag (0 < MaxLag < 500).');
maxlag = 200;
end
assignin('base','maxlag',maxlag);
axes(handles.axes5);grid on;
evalin('base','autocorr(series,maxlag)');
%%=============================================================
function correlacaoparcial_Callback(hObject, eventdata, handles)
% Radio-botao "Correlaao Parcial"
maxlag = 200;
end
evalin('base','parcorr(series,maxlag)');
%%=============================================================
function correlacaoquad_Callback(hObject, eventdata, handles)
% "Radio-botao "Correlaao Quadratica"
maxlag = 200;
end
evalin('base','autocorr(power(series,2),maxlag)');
%%=============================================================
function pb_gerardados_Callback(hObject, eventdata, handles)
% Botao "Gerar Dados"
n = str2double(get(handles.n,'String'));
assignin('base','n',n);
p = str2double(get(handles.p,'String'));
assignin('base','p',p);
q = str2double(get(handles.q,'String'));
160
assignin('base','q',q);
% Gerar uma serie GARCH
[x,prices]=garchsimulate(n,[.01; .2; .75],p,q);
assignin('base','prices',prices);
% Plotar serie original
% Setar radio-botoes
% Criar vetor "dummy" unitrio
Dummy = ones(500);
Dummy = Dummy(1,:);
assignin('base','Dummy',Dummy);
% Criar resduos e sigmas unitrios
Innovations = Dummy;
assignin('base','Innovations',Innovations);
Sigmas = Dummy;
assignin('base','Sigmas',Sigmas);
% Inicializar grficos e variveis
% Limpar campos de texto
str = ' ';
set(handles.txt_modelo_garch, 'String', str);
set(handles.txt_livre, 'String', str);
set(handles.alpha, 'Value', 95);
% Inicializar radio-botes
% Inicializar rtulos
161
%%=============================================================
function rb_serieoriginal_Callback(hObject, eventdata, handles)
% Definir a series de dados
evalin('base','hret = price2ret(prices);');
evalin('base','series = hret;');
evalin('base','n = size(series);');
% Radio-botao "Price To Return"
evalin('base','plot(hret);grid on;');
% Re-escrever "label"
str = ' ';
%%=============================================================
function rb_residuos_Callback(hObject, eventdata, handles)
% Plotar residuos
cla;
title('Serie dos Resduos Simulados','Fontweight','bold')
evalin('base','Residues = Innovations./Sigmas;');
evalin('base','plot(Residues); grid on');
evalin('base','series = Residues;');
Residues = evalin('base','Residues');
series = Residues;
% Re-escrever "label"
set(handles.text61, 'String', 'Anlise (Resduos)');
set(handles.text29, 'String', 'Testes de Hipteses (Resduos)');
set(handles.text60, 'String', 'Residuos');
str = ' ';
%%=============================================================
162
function pb_salvardados_Callback(hObject, eventdata, handles)

% Abre Dialogbox "SAVE"
[filename, pathname] = uiputfile('*.mat', 'Salvar Serie Temporal ...');
strAUX = ['save ',filename,' h']
eval(strAUX);
%%=============================================================
function rb_jungbox_Callback(hObject, eventdata, handles)
% Radio-botao "Teste Jung-Box"
% [H,pValue,Qstat,CriticalValue] = lbqtest(Series,Lags,Alpha,DoF)
% Mensagem
set(handles.texto_geral, 'String', 'Calculando ...');
% Ler valores de "lags" e criar vetor "lag"
str_a = get(handles.lags,'String');
% --- Verificar se "lags" um vetor (ordem > 1) ---
str_a = [',' str_a ','];
i = find(str_a == ',');
for j = 1:length(i)-1
av(j) = str2double(str_a(i(j)+1:i(j+1)-1));
end
% ---- "lags" deve ter parametros validos ---
if any(isnan(av))
errordlg('Entre com LAGS validos.');
return;
end
lag = av ;
assignin('base','lag',lag);
% Ler Nivel de Confiana
NC = str2double(get(handles.alpha,'String'));
Alpha = 1 - NC /100 ;
assignin('base','Alpha',Alpha);
% Aplicar o teste
evalin('base','[H,pValue,Qstat,CriticalValue] = lbqtest(series,lag,Alpha);');
% Transferir valores do Workspace para o programa
H = evalin('base','H');
pValue = evalin('base','pValue');
Qstat = evalin('base','Qstat');
CriticalValue = evalin('base','CriticalValue');
result = evalin('base','[H,pValue,Qstat,CriticalValue]');
assignin('base','result',result);
% Escrever resultados no campo de texto
H1 = result(1);
pValue1 = result(3) ;
Qstat1 = result(5) ;
CriticalValue1 = result(7);
H2 = result(2);
Qstat2 = result(6) ;
163
result = [H1 pValue1 Qstat1 CriticalValue1; H2 pValue2 Qstat2 CriticalValue2];

stringVAR = num2str(result);
set(handles.texto_geral, 'String', stringVAR);
%%=============================================================
function rb_archtest_Callback(hObject, eventdata, handles)
% Radio-botao "Teste ARCH"
% [H,pValue,ARCHstat,CriticalValue] = archtest(Residuals,Lags,Alpha)
% Mensagem
set(handles.texto_geral, 'String','Calculando ...');
% Ler valores de "lags" e criar vetor "lag"
str_a = get(handles.lags,'String');
% --- Verificar se "lags" um vetor (ordem > 1) ---
str_a = [',' str_a ','];
i = find(str_a == ',');
for j = 1:length(i)-1
av(j) = str2double(str_a(i(j)+1:i(j+1)-1));
end
% ---- "lags" deve ter parametros validos ---
if any(isnan(av))
errordlg('Entre com LAGS validos.');
return;
end
lag = av ;
assignin('base','lag',lag);
% Ler Nivel de Confianca
NC = str2double(get(handles.alpha,'String'));
Alpha = 1 - NC /100 ;
assignin('base','Alpha',Alpha);
% Aplicar o teste
evalin('base','[H,pValue,ARCHstat,CriticalValue] = archtest(series,lag,Alpha);');
ARCHstat = evalin('base','ARCHstat');
result = evalin('base','[H,pValue,ARCHstat,CriticalValue]');
H1 = result(1);
ARCHstat1 = result(5) ;
H2 = result(2);
result = [H1 pValue1 ARCHstat1 CriticalValue1; H2 pValue2 ARCHstat2
CriticalValue2];
164
set(handles.texto_geral, 'String', stringVAR);
%%=============================================================
function botaoTransferirDoc1_Callback(hObject, eventdata, handles)
% Botao "Transferir grafico 1 para DOC"
h = evalin('base','h');
figure;plot(h);
docFileName = get(handles.nome_arq_doc,'String');
figureTitle = 'Serie Original';
figure2DocFile(docFileName,1,figureTitle,0);
% close(1);
%%=============================================================
series = evalin('base','series');
figure;plot(series);
figureTitle = 'Serie Transformada';
% close(1);
%%=============================================================
evalin('base','autocorr(series)');
series = evalin('base','series');
% Ler o mximo valor de lags da escala
% Verificar qual mtodo de correlaa est selecionado
aux1 = get(handles.autocorrelacao, 'Value');
aux2 = get(handles.correlacaoparcial, 'Value');
aux3 = get(handles.correlacaoquad, 'Value');
if aux1 == 1
figure;autocorr(series,maxlag);
figureTitle = 'Auto-Correlao';
end
if aux1 == 1
figure;parcorr(series,maxlag);
figureTitle = 'Correlao Parcial';
end
if aux1 == 1
figure;autocorr(power(series,2),maxlag);
figureTitle = 'Auto-Correlao Quadrtica';
end
figureTitle = get(handles.titulo_figura,'String');
% close(1);
%%=============================================================
% Botao "Transferir grafico INNOVATIONS para DOC"
165
ts = evalin('base','ts');
figure;plot(ts);
figureTitle = 'Inovaes Simuladas';
% close(1);
%%=============================================================
% Botao "Transferir grafico VOLATILIDADE para DOC"
va = evalin('base','va');
newv2 = evalin('base','newv2');
figure;
plot(sqrt(va));hold on;plot(newv2,'r');
figureTitle = 'Volatilidade (Estimada e Previso)';
% close(1);
%%=============================================================
function botaoTransferirTexto_Callback(hObject, eventdata, handles)
% Botao "Transferir Texto para DOC"
addPageBreak = 0;
fontName = 'Arial';
fontSize = 10;
fontStyle = 'normal';
fontColor = 'black';
alignment = 'justified';
showDocument = 0;
keepOpened = 1;
textToWrite ='Resultados do Teste de Hipotese';
flag = get(handles.rb_jungbox,'Value');
if flag == 1
textToWrite ='Resultados do Teste de Hipotese Jung-Box';
else
textToWrite ='Resultados do Teste de Hipotese ARCH';
end
text2DocFile(docFileName,textToWrite,addPageBreak,fontName,fontSize,fontStyle,f
ontColor,alignment,showDocument,keepOpened);
textToWrite ='H pValue Estatistica Valor Critico';
ARCHstat = evalin('base','ARCHstat');
result = evalin('base','[H,pValue,ARCHstat,CriticalValue]');
H1 = result(1);
166
H2 = result(2);
result = [H1 pValue1 ARCHstat1 CriticalValue1; H2 pValue2 ARCHstat2
CriticalValue2];
textToWrite = result;
errordlg('Resultados de Testes de Hipteses transferidos para documento.');
%%=============================================================
function pb_calc_modelo_garch_Callback(hObject, eventdata, handles)
% Botao "Calcular Modelo GARCH"
% Criar coeficientes GARCH
str_a = 'Calculando parametros (ver Workspace)';
set(handles.txt_modelo_garch, 'String', str_a);
% Loop "dummy", para "desperdiar tempo", i.e.,
% dar tempo para escrever o texto acima - pode ser apagado!
for i=1:100
a1=0;
end
% Clculo dos parametros do modelo GARCH
evalin('base','[Coeff,Errors,LLF,Innovations,Sigmas,Summary] = garchfit(series);');
% Extrair parametros GARCH
Coeff = evalin('base','Coeff');
k = garchget(Coeff,'K');
assignin('base','k',k);
a = garchget(Coeff,'GARCH');
assignin('base','a',a);
b = garchget(Coeff,'ARCH');
assignin('base','b',b);
p = garchget(Coeff,'P');
assignin('base','p',p);
q = garchget(Coeff,'Q');
assignin('base','q',q);
str = num2str(k,4);
str = num2str(a,4);
str = num2str(b,4);
% Extrair informao sobre convergencia da srie
aux1 = evalin('base','Summary');
str_a = getfield(aux1,'converge');
converge = str_a ;
result = [str_a];
167
modelo = garchget(Coeff,'VarianceModel');
str_a = strcat('Modelo=',modelo);
result = strvcat(result,str_a);
strp = num2str(p,2);
strq = num2str(q,2);
str_a = strcat('P=',strp,' Q=',strp);
comentario = garchget(Coeff,'Comment');
str_a = strcat('Comentrio=',comentario);
distribuicao = garchget(Coeff,'Distribution');
str_a = strcat('Distribuio=',distribuicao);
c = garchget(Coeff,'C');
strc = num2str(c,5);
str_a = strcat('C=',strc);
% str_a = num2str(result);
set(handles.txt_modelo_garch, 'String', result);
% Setar "flag"
if converge == 'Function Converged to a Solution'
flag_modelo_garch = 1 ;
end
%%=============================================================
function pb_simulacao_Callback(hObject, eventdata, handles)
% Botao "Simulaao (GARCH)"
% --- Ler valores de K, A e B do Workspace ---
k = evalin('base','k');
a = evalin('base','a');
b = evalin('base','b');
% --- Ler valor de n (nmero de pontos da simulao) ---
n_sim = str2double(get(handles.n_sim,'String'));
assignin('base','n_sim',n_sim);
% --- K, A e B devem ser parametros validos ---
if isnan(k) | any(isnan(a)) | any(isnan(b)) | isnan(n_sim)
errordlg('Parmetros GARCH invlidos.');
return;
end
% --- Simular srie GARCH ---
evalin('base','[ts,va] = ugarchsim(k,a'',b'',n_sim);');
ts = evalin('base','ts');
va = evalin('base','va');
% --- Plotar srie temporal ---
cla;
evalin('base','plot(ts);grid on;');
set(handles.text58, 'String', 'Inovaes Simuladas');
% --- Plotar volatilidade ---
cla;
168
evalin('base','plot(sqrt(va));grid on;');
% --- Criar a varivel "volact" no Workspace
evalin('base','volact = sqrt(va);');
set(handles.text59, 'String','Volatilidade Simulada');
%%=============================================================
function pb_plotar_resultados_Callback(hObject, eventdata, handles)
% Plotar resultados dos clculos do modelo GARCH
evalin('base','garchplot(Innovations,Sigmas,prices);');
evalin('base','garchdisp(Coeff,Errors);');
%%=============================================================
function pb_predicao_Callback(hObject, eventdata, handles)
% Funo para calcular a Predio
% --- Ler valor de per_pred (perodo da predio) ---
per_pred = str2double(get(handles.n_pred,'String'));
assignin('base','per_pred',per_pred);
% Fazer a estimativa dos parmteros K, A, e B no Workspace
evalin('base','[ke,ae,be]= ugarch(ts,p,q);');
ke = evalin('base','ke');
str = num2str(ke,4);
ae = evalin('base','ae');
str = num2str(ae,4);
be = evalin('base','be');
str = num2str(be,4);
% Fazer predio usando valores estimados ke, ae e be
% [VarianceForecast,H] = ugarchpred(U,K,A,B,NumPeriods)
evalin('base','[v2,h2] = ugarchpred(ts(1:n_sim-per_pred),ke,ae,be,per_pred);');
v2 = evalin('base','v2');
h2 = evalin('base','h2');
% ================================================
% Clculo dos Erros de Volatilidade
% [Erro de Volatilidade] = [Volatilidade Simulada] - [Volatilidade Prevista]
% volerr = volsim + volprd
% ================================================
cla;
evalin('base','volsim = sqrt(va(1:n_sim-per_pred));');
evalin('base','volprd = sqrt(h2);');
evalin('base','volerr = volsim - volprd;');
evalin('base','plot(volerr);grid on;');
set(handles.text58, 'String', 'Erro de Volatilidade');
% Plotar Histograma Gaussiano
figure;
evalin('base','histfit(volerr);title(''Erro de Volatilidade'');');
% Escrever valor medio do erro de volatilidade
evalin('base','mean_volerr = mean(volerr);');
mean_volerr = evalin('base','mean_volerr');
str = num2str(mean_volerr,5);
169
set(handles.txt_med_erro_vol, 'String', str);

% Escrever desvio padro do erro de volatilidade
evalin('base','std_volerr = std(volerr);');
std_volerr = evalin('base','std_volerr');
str = num2str(std_volerr,5);
set(handles.txt_std_erro_vol, 'String', str);
% Escrever valor da curtose do erro de volatilidade
evalin('base','curtose = 0;');
curtose = evalin('base','curtose');
str = num2str(curtose,5);
set(handles.txt_crt_erro_vol, 'String', str);
% Escrever valor da assimetia do erro de volatilidade
evalin('base','assimetria = 0;');
assimetria = evalin('base','assimetria');
str = num2str(assimetria,5);
set(handles.txt_asm_erro_vol, 'String', str);
%================================================
% Plotar Volatilidade Simulada e Prevista
evalin('base','newv2=[sqrt(h2);sqrt(v2)];');
evalin('base','hold on;plot(newv2,''r'');grid on;');
% Escrever valor estimado da volatilidade
str = num2str(v2(per_pred),5);
% Clculo do threshold
evalin('base','sig=sqrt((ke/(1-(sum(ae)+sum(be)))));');
evalin('base','plot(sig(ones(n_sim,1)));');
evalin('base','sig = sig(:,1);');
evalin('base','plot([min([volact sig]) max([volact sig]));');
evalin('base','hold off;');
set(handles.text59, 'String','Volatilidade Simulada (azul) e Prevista (vermelha)');
%%=============================================================
function botaoCalcularLags_Callback(hObject, eventdata, handles)
% Calcular LAGS automaticamente:
% Ler o "lag threshold" (limite_lags), um valor,
% acima do qual o lag reconhecido como "significativo"
limite_lags = str2double(get(handles.threshold,'String'));
if (limite_lags > 1) | (limite_lags < 0)
errordlg('Limite deve ter um valor entre 0 e 1.');
return;
end
% Calcula a autocorrelaao e coloca na varivel "auto_corr_ret"
evalin('base','auto_corr_ser = autocorr(series,maxlag);');
auto_corr_ser = evalin('base','auto_corr_ser');
% Montar o string "strlag" correspondente aos lags identificados
icontador = 0;
ncorr = size(auto_corr_ser);
for i = 2:1:ncorr
if auto_corr_ser(i) > limite_lags
str1 = num2str(i-1);
170
if icontador > 0
strlag = strcat(strlag,',',str1);
end
if icontador == 0
strlag = str1;
icontador = icontador +1;
end
end
end
% Escrever string no campo apropriado (lags)
set(handles.lags, 'String', strlag);
%%=============================================================
function inicializar_graficos
%%=============================================================
function pb_fim_Callback(hObject, eventdata, handles)
% Botao "Fim"
initialize_gui(gcbf, handles);
% enable function "close" (disabled when figure was created)
set(garch_design,'CloseRequestFcn','closereq');
% close all pages
close all;
close(garch_design);
%%=============================================================
function texto_geral_Callback(hObject, eventdata, handles)
% Area de texto geral
%%=============================================================
function nome_arq_doc_Callback(hObject, eventdata, handles)
% Ler Nome do Arquivo
%%=============================================================
function titulo_figura_Callback(hObject, eventdata, handles)
% Ler Titulo da figura
%%=============================================================
function p_Callback(hObject, eventdata, handles)
% Ler "p"
%%=============================================================
function q_Callback(hObject, eventdata, handles)
% Ler "q"
%%=============================================================
function n_Callback(hObject, eventdata, handles)
% Ler objeto "n"
%%=============================================================
function pasta_arquivo_Callback(hObject, eventdata, handles)
% Ler "arquivo de Dados"
%%=============================================================
function arquivodados_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "arquivodados"
%%=============================================================
function lag2_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "lag2"
%%=============================================================
171
function lag1_Callback(hObject, eventdata, handles)

% Funo associada ao objeto "lag1"
%%=============================================================
function txt_modelo_garch_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "txt_modelo_garch"
%%=============================================================
function alpha_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "alpha" (Nivel de Confiana)
%%=============================================================
function threshold_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "threshold"
%%=============================================================
function lags_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "lags" (vetor lag)
%%=============================================================
function MaxLag_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "maxlag" (maximo lag para plots)
%%=============================================================
function txt_kk_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "txt_kk" (Coeficiente GARCH K)
%%=============================================================
function txt_aa_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "txt_aa" (Coeficiente GARCH A)
%%=============================================================
function txt_bb_Callback(hObject, eventdata, handles)
% Funao associada ao objeto "txt_bb" (Coeficiente GARCH B)
%%=============================================================
function txt_kke_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "txt_kke" (Coeficiente K da predio)
%%=============================================================
function txt_aae_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "txt_aae" (Coeficiente A da predio)
%%=============================================================
function txt_bbe_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "txt_bbe" (Coeficiente B da predio)
%%=============================================================
function n_simulacao_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "n_simulacao"
%%=============================================================
function n_pred_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "n_pred"
%%=============================================================
function txt_vol_estimada_Callback(hObject, eventdata, handles)
% Funo associada ao objeto "txt_vol_estimada"
%+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
function txt_med_erro_vol_Callback(hObject, eventdata, handles)

% hObject handle to txt_med_erro_vol (see GCBO)
172
% Hints: get(hObject,'String') returns contents of txt_med_erro_vol as text

% str2double(get(hObject,'String')) returns contents of txt_med_erro_vol as a
double

function txt_med_erro_vol_CreateFcn(hObject, eventdata, handles)
% hObject handle to txt_med_erro_vol (see GCBO)
% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.
end
function txt_std_erro_vol_Callback(hObject, eventdata, handles)

% hObject handle to txt_std_erro_vol (see GCBO)
% Hints: get(hObject,'String') returns contents of txt_std_erro_vol as text

% str2double(get(hObject,'String')) returns contents of txt_std_erro_vol as a
double

function txt_std_erro_vol_CreateFcn(hObject, eventdata, handles)
% hObject handle to txt_std_erro_vol (see GCBO)

end
function edit34_Callback(hObject, eventdata, handles)

% hObject handle to edit34 (see GCBO)
% Hints: get(hObject,'String') returns contents of edit34 as text

% str2double(get(hObject,'String')) returns contents of edit34 as a double

function edit34_CreateFcn(hObject, eventdata, handles)
173
% hObject handle to edit34 (see GCBO)


end
function txt_asm_erro_vol_Callback(hObject, eventdata, handles)

% hObject handle to txt_asm_erro_vol (see GCBO)
% Hints: get(hObject,'String') returns contents of txt_asm_erro_vol as text

% str2double(get(hObject,'String')) returns contents of txt_asm_erro_vol as a
double

function txt_asm_erro_vol_CreateFcn(hObject, eventdata, handles)
% hObject handle to txt_asm_erro_vol (see GCBO)

end

0029656

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

0029656

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDADE FEDERAL DE ITAJUB

Mayra Moutinho Cardoso

SIMULAO DE MODELOS GARCH PARA

Dissertao submetida ao Programa de Ps-

Orientador: Prof. Pedro Paulo Balestrassi, Dr.

Mayra Moutinho Cardoso

SIMULAO DE MODELOS GARCH PARA

Dissertao aprovada por banca examinadora em 29 de julho de 2005, conferindo ao

Prof. Pedro Paulo Balestrassi, Dr. (Orientador)

Cardoso, Mayra Moutinho.

Orientador : Prof. Dr. Pedro Paulo Balestrassi

1. GARCH. 2. Volatilidade. 3. Simulao. 4. Energia Eltrica

Agradeo a Deus por colocar no meu caminho estas pessoas maravilhosas.

Muito obrigada a todos vocs que me ajudaram a vencer este desafio!

Palavras-Chaves: GARCH, Volatilidade, Simulao, Energia Eltrica.

Key-Words: GARCH, Volatility, Simulation, Electric Energy.

Figura 1-1 Consumo Mensal de um Consumidor Livre 20

1.1 Consideraes Iniciais

Martins e Laugeni (1999) consideram a previso como um processo metodolgico

Segundo Arnold (1999), as previses possuem quatro princpios fundamentais:

1. as previses geralmente apresentam erros e, sendo assim, os erros so inevitveis e

3. as previses so mais precisas para famlias ou grupos de dados;

4. as previses so mais precisas para perodos de tempo mais prximos, isto , o

As previses de demanda, em especial, exercem um importante papel em diversas

No mercado de energia eltrica a previso de preos vem se tornando particularmente

A indstria de energia requer previses em intervalos de curto prazo (alguns minutos,

As previses de curto prazo, especificamente, tm-se tornado mais importante desde o

A preciso de previses de demanda em curto prazo tem efeitos significativos nas

Zagrajek e Weron (2002) apontam algumas consideraes:

o Durante a ltima dcada muitos pases privatizaram e desregularam o mercado de

o Porm, em relao ao mercado de energia preciso ter em mente que a

o A previso de demanda vital para a indstria de energia, entretanto uma difcil

Vrios modelos e mtodos de previses j tm sido experimentados, com graus

Os modelos estatsticos podem ser exemplificados pelos modelos AR (Auto

Integrated Moving Average), ARCH (Autoregressive Conditional Heteroscedasticity),

Estas tcnicas de previso auxiliam a tomada de decises em atividades que

Baseados na anlise somente da varivel em si, tais modelos so construdos a partir

O setor eltrico brasileiro foi um dos primeiros setores a incorporar as reformas de

Com a abertura do mercado, a produo e a comercializao (venda) de eletricidade

J que os clientes industriais possuem a opo de escolha de seu fornecedor de energia

Os clientes industriais, chamados de consumidores livres, onde podem ser

Desde 2000, todos os consumidores com demanda superior a 3 MW e tenso maior

Por isto a preocupao do comercializador conseguir comprar energia ao melhor

O mercado atacadista exerce um papel extremamente importante no funcionamento do

central do Mercado Eltrico Desregulado que os produtores concorram pela colocao da

Novas formas de negociao no mercado atacadista foram estabelecidas. Entre elas:

Contratos bilaterais previamente fixados com vigncia, preo e quantidade

Mercados futuros de energia, que funcionam como hedges, buscando minimizar

A maior parcela do mercado de energia com consumo mais significativo (caracterizada

O cenrio atual do mercado de energia eltrica pode ser exemplificado atravs da

Figura 1-1 Consumo Mensal de um Consumidor Livre

A srie de demanda da eletricidade caracteriza-se por uma dinmica no linear,

A principal justificativa para este trabalho consiste na preocupao do aumento

1.3 Descrio do Problema

Apesar do redesenho estabelecido pela Lei 10848/20041 e do Decreto 5163/20042,

importante lembrar que a poltica energtica no deve se limitar a tratar apenas da

Por isto no mercado de energia eltrica a administrao do risco relativo volatilidade

Vrios so os fatores susceptveis de explicar a elevada volatilidade patente na

As caractersticas da procura e da oferta ocupam um papel relevante na volatilidade

O problema enfocado neste estudo previso da volatilidade associada

1.4 Objetivo Principal

Com o presente trabalho pretende-se analisar e verificar a aplicabilidade do mtodo de

Um modelo ser determinado atravs da simulao de modelos GARCH para sries

O objetivo principal deste trabalho determinar um modelo quantitativo que