VOLATILIDADE INTRADIÁRIA DE UM ÍNDICE ACIONÁRIO: PERSISTÊNCIA CONDICIONAL E DECOMPOSIÇÃO ESPECTRAL DA VARIÂNCIA POR ESCALAS TEMPORAIS

Autores

  • Carlos Alberto Orge Pinheiro

DOI:

https://doi.org/10.56238/revgeov17n2-018

Palavras-chave:

Volatilidade Intradiária, GARCH, EGARCH, Decomposição Espectral, Escalas Temporais, Dados em Alta Frequência, Persistência da Volatilidade

Resumo

Este estudo investiga regularidades da volatilidade intradiária e sua distribuição por escalas temporais, combinando modelagem condicional da variância e decomposição no domínio da frequência. Utiliza-se uma série intradiária em frequência de 1 minuto, coletada entre 03 de novembro e 12 de dezembro de 2025, padronizada ao pregão regular (10h–18h), totalizando 24 pregões com 481 observações por dia após verificação temporal e remoção de duplicidades. Os retornos são calculados como diferenças logarítmicas por minuto. Na etapa econométrica, estimam-se modelos econométricos indicando alta persistência e ajuste informacional ligeiramente superior, porém sem evidência estatística de assimetria por sinal. Em contrapartida, observa-se resposta estatisticamente significativa à magnitude dos choques e persistência elevada na dinâmica da volatilidade. Diagnósticos em resíduos padronizados não indicam autocorrelação remanescente na série padronizada, mas sugerem heterocedasticidade residual em horizontes intradiários  de 20–60 min. Na etapa espectral, estima-se, por pregão, a distribuição da variância intradiária no domínio da frequência por periodograma suavizado, após controle de padrão intradiário e mitigação de observações extremas; em seguida, calcula-se a potência relativa por faixas de periodicidade (2–8, 8–16, 16–32, 32–64 e 64–128 min), com normalização diária. Os resultados indicam predominância sistemática de componentes rápidas (2–8 min), com contribuições secundárias e variáveis nas escalas intermediárias (8–32 min) e participação ocasionalmente mais elevada das escalas lentas (>32 min). Conclui-se que, no recorte analisado, o risco intradiário concentra-se principalmente em flutuações rápidas, enquanto a modelagem condicional aponta alta persistência e resposta à magnitude dos choques, sem assimetria por sinal.

Downloads

Os dados de download ainda não estão disponíveis.

Referências

ABDULAZIZ, A. I. et al. Does holidays affect the returns of stock markets prices? An application of some GARCH and Prophet models under varying error distributions. Internaconal Journal of Science for Global Sustainability, v. 10, n.4, p. 60, 2024. Disponível em: https://www.researchgate.net/ (buscar pelo título). Acesso em: 18 dez. 2025.

ADVANCED FINANCIAL NETWORK (ADVFN). Cotações intradiárias do IBOVESPA (1 minuto) — base de dados. Disponível em: https://br.advfn.com/. Acesso em: 18 dez. 2025.

ANDERSEN, T. G.; BOLLERSLEV, T. Intraday Periodicity and Volatility Persistence in Financial Markets (1997). ScienceDirect: https://www.sciencedirect.com/science/article/pii/S0927539897000042

ASEMOTA, O. J.; EKEJIUBA, U. C. An application of asymmetric GARCH models on volatility of banks equity in Nigeria’s stock market. CBN Journal of Applied Statistics, Abuja, v. 8, n. 1, p. 73–99, 2017. Disponível em: https://hrmars.com/. Acesso em: 18 dez. 2025.

AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, n. 6, p. 716-723, 1974.

BANDI, F.; TAMONI, A. Spectral financial econometrics. VoxEU (CEPR), 2022. Disponível em: https://cepr.org/voxeu/ (buscar pelo título). Acesso em: 18 dez. 2025.

BARNDORFF-NIELSEN, O. E.; SHEPHARD, N. Power and Bipower Variation with Stochastic Volatility and Jumps (2004). OUP/JFEC: https://academic.oup.com/jfec/article/2/1/1/960705

BESTE, Christian; MÜNCHAU, Alexander; FRINGS, Christian. Towards a systematization of brain oscillatory activity in actions. Communications Biology, v. 6, art. 137, 2023. DOI: 10.1038/s42003-023-04531-9. Disponível em: https://www.nature.com/articles/s42003-023-04531-9. Acesso em: 19 dez. 2025.

BELZILE, L. Spectral density estimation. timeseRies, 2019. Disponível em: https://lbelzile.github.io/timeseRies/spectral-density-estimation.html. Acesso em: 26 dez. 2025.

BLACK, F. Studies of stock price volatility changes. In: AMERICAN STATISTICAL ASSOCIATION. Proceedings of the Business and Economic Statistics Section. [S.l.]: ASA, 1976. Disponível em: https://www.americanstatisticalassociation.org/. Acesso em: 18 dez. 2025.

BOLLERSLEV, T. zed autoregressive conditional heteroskedasticity. Journal of Econometrics, v. 31, n. 3, p. 307–327, 1986. DOI: https://doi.org/10.1016/0304-4076(86)90063-1. Acesso em: 18 dez. 2025.

BROCKWELL, P. J.; DAVIS, R. A. Time series: theory and methods. 2. ed. New York: Springer, 1991.

CHAUDHURI, S.; LO, A. W. Spectral analysis of stock-return volatility, correlation and beta. In: 2015 IEEE DSP/SPE. 2015. DOI: https://doi.org/10.1109/DSP-SPE.2015.7369558. Acesso em: 18 dez. 2025.

CRAN. rugarch: Univariate GARCH models. Comprehensive R Archive Network, 2025. Disponível em: https://cran.r-project.org/package=rugarch. Acesso em: 19 dez. 2025.

ENGLE, R. F. Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica, v. 50, n. 4, p. 987–1007, 1982. DOI: https://doi.org/10.2307/1912773. Acesso em: 18 dez. 2025.

FIGLEWSKI, S.; WANG, X. Is the “leverage effect” a leverage effect? (Working paper), 2000. DOI/SSRN: https://doi.org/10.2139/ssrn.256109. Acesso em: 18 dez. 2025.

FRIMPONG, J. M.; OTENG-ABAYIE, E. F. Modelling and forecasting volatility of returns on the Ghana Stock Exchange using GARCH models. American Journal of Applied Sciences, v. 3, n. 10, p. 2042–2048, 2006. DOI: https://doi.org/10.3844/ajassp.2006.2042.2048. Acesso em: 18 dez. 2025.

GIL, A. C. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008.

GRANGER, C. W. J.; WATSON, M. W. Time series and spectral methods in econometrics. In: GRILICHES, Z.; INTRILIGATOR, M. D. (ed.). Handbook of Econometrics. v. 2. Amsterdam: Elsevier, 1984.

GU, C. STAT 520: Spectral estimation. Purdue University, 2024. Notas de aula. Disponível em: https://www.stat.purdue.edu/~chong/stat520/ps/spec.pdf. Acesso em: 26 dez. 2025.

HERRMANN, C. S.; FRÜND, I.; LENZ, D. Human gamma-band activity: a review on cognitive and behavioral correlates and network models. Neuroscience & Biobehavioral Reviews, v. 34, n. 2, p. 981-992, 2010. DOI: https://doi.org/10.1016/j.neubiorev.2009.09.001. Acesso em: 18 dez. 2025.

HERRMANN, C. S.; MUNK, M; H. J.; ENGEL, A. K. Cognitive functions of gamma-band activity: memory match and utilization. Trends in Cognitive Sciences, v. 8, n. 8, p. 347-355, ago. 2004. DOI: 10.1016/j.tics.2004.06.006. Disponível em: https://neuro.bstu.by/ai/To-dom/My_research/Papers-2.1-done/Cognitive-S/Consciousness/D/Ref/Gamma-band/2/Herrmann04.pdf. Acesso em: 19 dez. 2025.

JOSEPH, A.; TURNER, C.; JEREMIAH, R. Comparative analyses of stock returns properties and predictability. Procedia Computer Science, v. 95, p. 272-280, 2016. DOI: 10.1016/j.procs.2016.09.333. Disponível em: https://www.sciencedirect.com/science/article/pii/S1877050916325066. Acesso em: 19 dez. 2025.

KANE, N. et al. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Clinical Neurophysiology Practice, v. 2, p. 170-185, 2017. DOI: https://doi.org/10.1016/j.cnp.2017.07.002. Acesso em: 18 dez. 2025.

KSCHISCHANG, F. R. The Wiener-Khinchin Theorem. Toronto: University of Toronto, The Edward S. Rogers Sr. Department of Electrical and Computer Engineering, 2017. Disponível em: https://www.comm.toronto.edu/frank/notes/wk.pdf. Acesso em: 19 dez. 2025

LAKATOS, E. M.; MARCONI, M. A. Fundamentos de metodologia científica. 5. ed. São Paulo: Atlas, 2003.

MALMSTEN, H. Evaluating exponential GARCH models. Stockholm: Stockholm School of Economics, 2004. (SSE/EFI Working Paper Series in Economics and Finance, n. 564). Disponível em: https://swopec.hhs.se/hastef/papers/hastef0564.pdf. Acesso em: 19 dez. 2025.

MARTINS, A. F. F.; BORTOLON, P. M.; MAIA, M. V. Relação entre índice de volatilidade implícita e índice de retorno de ações: evidências para o mercado acionário brasileiro. Revista Contemporânea de Contabilidade, v. 18, n. 49, p. 73–91, 2021. DOI: https://doi.org/10.5007/2175-8069.2021.e77707. Acesso em: 18 dez. 2025.

NELSON, D. B. Conditional heteroskedasticity in asset returns: a new approach. Econometrica, v. 59, n. 2, p. 347–370, 1991. https://doi.org/10.2307/2938260

NÉO, J. D. G.; RODRIGUES, R. O impacto da COVID-19 na volatilidade do Ibovespa: uma análise por modelos ARCH/GARCH. Revista de Economia Mackenzie, v. 22, n. 1, p. 162–190, 2025. Disponível em: https://www.researchgate.net. Acesso em: 18 dez. 2025.

GARCH, EGARCH e TGARCH. In: ANPEC SUL, 2024. Disponível em: https://www.anpec.org.br/sul/2024/submissao/files_I/i8-2d995feb37128b5db0053d205ebf9cd0.pdf. Acesso em: 18 dez. 2025.

PAN, Q. Changes in volatility leverage and spillover effects of crude oil futures markets. Journal of Commodity Markets, 2023. Disponível em: https://www.sciencedirect.com/ Acesso em: 18 dez. 2025.

PARREIRA, F. J . Detecção de crises epilépticas a partir de sinais eletroencefalográficos. 206. 185 p. Tese. (Doutorado) – Universidade Federal de Uberlândia, Uberlandia, 2006.

R (manual). spec.pgram. Disponível em: https://stat.ethz.ch/R-manual/R-devel/library/stats/html/spec.pgram.html. Acesso em: 19 dez. 2025.

ROLL, R. A simple implicit measure of the effective bid–ask spread in an efficient market. The Journal of Finance, v. 39, n. 4, p. 1127–1139, 1984. DOI: https://doi.org/10.2307/2327617. Acesso em: 18 dez. 2025.

ROMANA, I. E. A spectral approach to stock market performance. arXiv, 2023. Disponível em: https://arxiv.org/pdf/2305.05762. Acesso em: 18 dez. 2025.

ROWELL, D. Non-Parametric Power Spectral Density Estimation. Lecture 23. In: MASSACHUSETTS INSTITUTE OF TECHNOLOGY. Signal Processing: Continuous and Discrete (2.161). MIT OpenCourseWare, Fall 2008. Disponível em: https://ocw.mit.edu/courses/2-161-signal-processing-continuous-and-discrete-fall-2008/c7d1951d44fe78ea97d0e14ea5158aee_lecture_23.pdf. Acesso em: 19 dez. 2025.

SCHWARZ, G. Estimating the dimension of a model. The Annals of Statistics, v. 6, n. 2, p. 461-464, 1978.

STOICA, P.; MOSES, R. L. Spectral analysis of signals. Upper Saddle River: Prentice Hall, 2004.

THEILER, J. et al. Testing for nonlinearity in time series: the method of surrogate data (1992). ScienceDirect: https://www.sciencedirect.com/science/article/pii/016727899290102S

VARELA, F.; LACHAUX, J-P; RODRIGUEZ, E.; M, J. The brainweb: phase synchronization and large-scale integration. Nature Reviews Neuroscience, v. 2, n. 4, p. 229-239, abr. 2001. DOI: 10.1038/35067550. Disponível em: https://pubmed.ncbi.nlm.nih.gov/11283746/. Acesso em: 19 dez. 2025.

VERGARA, S. C. Métodos de pesquisa em administração. São Paulo: Atlas, 2005.

ZHANG, H. et al. The applied principles of EEG analysis methods in neuroscience and clinical neurology. 2023. PMCID: PMC10729551. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC10729551/. Acesso em: 18 dez. 2025.

ZHANG, Y. Spectral analysis of high-frequency finance. 2016. Tese (Doutorado) — Massachusetts Institute of Technology (MIT), Cambridge, 2016. Disponível em: https://dspace.mit.edu/bitstream/handle/1721.1/106399/967704353-MIT.pdf. Acesso em: 18 dez. 2025.

Downloads

Publicado

2026-02-09

Como Citar

Pinheiro, C. A. O. (2026). VOLATILIDADE INTRADIÁRIA DE UM ÍNDICE ACIONÁRIO: PERSISTÊNCIA CONDICIONAL E DECOMPOSIÇÃO ESPECTRAL DA VARIÂNCIA POR ESCALAS TEMPORAIS. Revista De Geopolítica, 17(2), e1490 . https://doi.org/10.56238/revgeov17n2-018