Beruflich Dokumente
Kultur Dokumente
Goinia
2017
Jackson Maike Veiga de Assis
Goinia
2017
Sumrio
1 Resumo 2
2 Introduo 2
2.1 Objetivo geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Objetivos especcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3 Metodologia 3
3.1 Anlise Descritiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.2 Pr-ajuste do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2.1 Sazonalidade Determinstica . . . . . . . . . . . . . . . . . . . . . . 4
3.2.2 Tendncia Determinstica . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Identicao do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Estimao do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.5 Diagnstico do Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.6 Previses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
4 Concluses e comentrios 7
5 Referncias 7
6 Apndice 8
7 Anexo 10
1
1 Resumo
O presente trabalho tem por objetivo o ajuste de uma srie temporal em aes da
Petrobras para obteno de valores futuros. Para tanto utilizou-se a classe de modelos
ARIMA. O modelo obtido foi o ARIMA(2,0,0). Aps anlise de diagnstico e validao
do modelo foram realizadas previses. Os valores observados da srie esto dentro do
intervalo de conana das previses. Concluses e comentrios esto na parte nal do
trabalho.
2 Introduo
O mercado de aes brasileiro nos ltimos anos tem sofrido inuncia da crise poltica
instalada no pas. Tornando este mercado mais valtil e contribuindo na diculdade
em fazer previses sobre o comportamento de determinada aes. Investidores desse
geralmente fundamentam a compra ou venda de aes atravs do histrico de suas cotaes
de valores ou pela intuio do comportamento do mercado ou da anlise fundamentalista
da empresa. Neste trabalho, busca-se encontrar e ajustar um modelo de sries temporais
que se ajuste satisfatoriamente aos dados da srie nanceira dos valores das aes da
Petrobrs, possibilitando, assim, um estudo do comportamento e dos fatores relevantes
da srie e a previso de dados futuros da mesma[1].
2
3 Metodologia
A srie acima apresenta inicia-se em janeiro 2010 com seu valor mximo de R$37,32.
Apresentando oscilaes ao longo do tempo ela descresse at o ano de 2016 chegando a
atingir seu mnimo de R$6,58 em fevereiro de 2016. Aps esse perodo ele retoma seu
crescimento.
O menor valor observado da srie foi de R$6,58 enquanto que o maior valor foi de
R$37,32. A cotao mdia do perodo foi de R$18,84 com desvio padro de R$7,09.
3
3.2 Pr-ajuste do Modelo
Antes de ajustar o modelo necessrio vericar se srie apresenta sazonalidade e
tendncia determinsticas.
4
3.3 Identicao do Modelo
A identicao do modelo se deu por meio da anlise grca das funes de autocor-
relao e autocorrelao parcial.
5
Portanto no rejeita-se a hiptese nula e conclui-se que os resduos so i.i.d..
Figura 4: Resduos padronizados, ACF dos Resduos e valorP para o teste de Ljung Box.
3.6 Previses
O grco a seguir apresenta previses com uma janela de tamanho 6 para o modelo
especicado.
A tabela a seguir apresenta os valores de previso bem como a tendncia estimada da
srie.
6
Observado Predito Erro
Jan 2017 16 ,53 16 ,264 0 ,266
Fev 2017 16 ,12 14 ,549 1 ,571
Mar 2017 16 ,43 13 ,539 2 ,891
Abr 2017 15 ,32 13 ,089 2 ,231
Mai 2017 14 ,36 12 ,963 1 ,397
Jun 2017 13 ,54 12 ,993 0 ,547
Jul 2017 13 ,28 13 ,088 0 ,192
Tabela 3: Valores preditos para uma janela h = 7
O erro quadrtico mdio de previso foi de 2,595. Um valor relativamente alto quando
comparados com os valores apresentados pela srie. Observando a tabela acima percebe-
se que os meses de Maro e Abril apresentaram os maiores desvios. Esses meses devem
ser estudados.
Entretanto como pode-se observar no grco acima os valores observados da srie esto
dentro do intervalo de conana ao nvel de 95%, o que vlida o modelo quanto a previso.
4 Concluses e comentrios
A anlise de diagnstico validou o modelo estimado. As previses realizadas por esto
dentro do intervalo de conana, podendo desta forma ser empregado como ferramenta
auxiliar na compra e venda de aes Petrobrs (Petro4) para um futuro prximo.
5 Referncias
[1] ESPANHOL, Caroline P. & LOPES, Clia M. C. Aes do Mercado Financeiro: Um
estudo via modelo de sries temporais. Disponvel em: <http://www2.ime.unicamp.br/si
nape/sites/default/les/Caroline Celia SeriesTemporais.pdf>.
7
ECONOMIA UOL. Bolsa de Valores. Disponvel em: <https://economia.uol.com.br/
cotacoes/bolsas/acoes/bvsp-bovespa/petr4-sa/>. Acesso em: 15/07/2017.
MORETTIN, Pedro A. & TOLOI, Cllia M. Anlise de Sries Temporais. 2a ed., So
Paulo: Blucher, 2006.
ESPANHOL, Caroline P. & LOPES, Clia M. C. Aes do Mercado Financeiro: Um
estudo via modelo de sries temporais. Disponvel em: <http://www2.ime.unicamp.br/si
nape/sites/default/les/Caroline Celia SeriesTemporais.pdf>. Acesso em: 15/07/2017.
6 Apndice
Rotina utilizada:
# Serie ####
Z = ts(dat$Cotacao, start = 2010, freq = 12)
# Separando a serie em conjunto de treino e previsao:
Ztreino = window(Z, start = 2010, end = 2016.95)
ZObs = window(Z, start = 2017, end = 2017.5)
8
hist(Ztreino, main = ".", ylab = "Frequncia", xlab = "Valor", col = "skyblue2", border
= "white")
summary(Ztreino)
round(sd(Ztreino),2)
#Teste normalidade:
shapiro.test(Ztreino)
# Estimacao ####
t = arima(ZsemTend, c(2,0,0))
par(mfrow = c(1,1))
tsdiag(t)
Box.test(t$residuals)
# Previsoes ####
ZPred = forecast(t, h = 7)
plot(forecast(t, h = 7), col = 2, bty = "n", ylab = "Previso", xlab = "Time", xlim =
c(2010,2017.7))
9
t2 = as.numeric(time(Z))[85:91]
Tend = coef(modR)[1] + coef(modR)[2]t2 + coef(modR)[3]t2
ZPred2 = ZPred$mean + Tend
Erro = cbind(ZObs, ZPred2, Erro = ZObs - ZPred2)
EQM = round(sum(Erro[,3]2)/7,3); EQM
IC95 = cbind(ZObs, Inferior = ZPred$lower[,2] + Tend, Superior = ZPred$upper[,2] +
Tend)
plot(Z)
# Gracos ####
par(mfrow = c(1,1))
plot(Z, main = "Petro4", xlim = c(2010, 2018), ylim = c(0,40))
abline(h = seq(10,45,10), v = seq(2010,2019,.5), lty = 2, col = "white")
axis(1, 2010:2018); axis(2)
lines(Z, col = 2)
lines(as.numeric(time(Z)), as.numeric(modR$tted.values), col = "green")
plot(Z, main = "Petro4", xlim = c(2010, 2018), ylim = c(-10,10))
abline(h = seq(-15,45,10), v = seq(2010,2019,.5), lty = 2, col = "white")
axis(1, 2010:2018); axis(2)
lines(as.numeric(time(Z)), as.numeric(ZsemTend), col = 2)
7 Anexo
Dados:
2010 2011 2012 2013 2014 2015 2016 2017
10