VOLATILIDAD INTRADÍA DE UN ÍNDICE BURSÁTIL: PERSISTENCIA CONDICIONAL Y DESCOMPOSICIÓN ESPECTRAL DE LA VARIANZA POR ESCALAS DE TIEMPO
DOI:
https://doi.org/10.56238/revgeov17n2-018Palabras clave:
Volatilidad Intradiaria, GARCH, EGARCH, Descomposición Espectral, Escalas Temporales, Datos de Alta Frecuencia, Persistencia de la VolatilidadResumen
Este estudio investiga las regularidades de la volatilidad intradiaria y su distribución a través de escalas temporales, combinando modelización condicional de la varianza y descomposición en el dominio de la frecuencia. Se utiliza una serie intradiaria con frecuencia de un minuto, recopilada entre el 3 de noviembre y el 12 de diciembre de 2025, estandarizada al horario regular de negociación (10:00–18:00), totalizando 24 sesiones con 481 observaciones por día tras la validación temporal y la eliminación de duplicidades. Los rendimientos se calculan como diferencias logarítmicas por minuto. En la etapa econométrica, los modelos estimados indican alta persistencia y un ajuste informacional ligeramente superior, sin evidencia estadística de asimetría por signo. En contraste, se observa una respuesta estadísticamente significativa a la magnitud de los choques y una elevada persistencia en la dinámica de la volatilidad. Los diagnósticos de los residuos estandarizados no muestran autocorrelación remanente en la serie estandarizada, pero sugieren heterocedasticidad residual en horizontes intradiarios de 20–60 minutos. En la etapa espectral, se estima por sesión la distribución de la varianza intradiaria en el dominio de la frecuencia mediante un periodograma suavizado, tras controlar el patrón intradiario y mitigar observaciones extremas. Posteriormente, se calcula la potencia relativa por bandas de periodicidad (2–8, 8–16, 16–32, 32–64 y 64–128 minutos), con normalización diaria. Los resultados indican una predominancia sistemática de componentes rápidas (2–8 minutos), con contribuciones secundarias y variables en escalas intermedias (8–32 minutos) y una participación ocasionalmente mayor de escalas lentas (superiores a 32 minutos). Se concluye que, en el período analizado, el riesgo intradiario se concentra principalmente en fluctuaciones rápidas, mientras que la modelización condicional señala alta persistencia y respuesta a la magnitud de los choques, sin asimetría por signo.
Descargas
Referencias
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.
