You are on page 1of 8

LJNOTAS E COMENTÁRIOS

Os Modelos Arima e a Abordagem de Box-Jenkins
Uma Aplicação na Previsão do IBOVESPA a Curtlssi·mo Prazo

RESUMO: Este trabalho analisa os modelos auto-regressivo-médias-m6veis e os compara com os métodos tradicionais denominados de "análise técnica".
A abordagem de Box-Jenkins é apresentada em seguida e suas quatro etapas - indentificaCfo, estimação, validaçlo e previsilo - silo analisadas.
Finalmente, mostra como esta técnica pode ser implementada com excelentes resultados na modelagem e preoisão do Índice da Bolsa de Valores de Silo Paulo (BOVESPA).
PALAVRAS-CHAVE:

ARIMA, Box-Ienkins, prepisã», modelagem, processos estocásticos.
INTRODUçAO

• Francisco cartos Gomes
Doutorando e Professor no Departamento de
Informática e de Métodos Quantitativos aplicados à
Administração da EAESPIFGV.

No passado, análise técnica foi sinônimo de
análise gráfica. Se analisarmos. os pressupostos a
ela sub~acentes,. identificados por Edwards e
Magee ,observaremos a presunção de que os
1. EDWARDS, R.D. e MAGEE JR., [ohn, Technical
Anal]/sis. of Stock Trends. Springneld, Stock Trend
Servíce, 1958 (edição revisada).

Revista de Administração de Empresas

810 Paulo, 29(2) 63-70

Abr./Jun.

1989

63

subjacente à maioria das técnicas quantitativas de previsão). podemos apresentar sumariamente a forma geral de um modelo ARIMA (p. .11111111111'1 ~'IIIIIIIII' 1111111111111111111111111 'llllllr I11111111111111111111111111 111111111111111111111111111111111111111111111111" 1IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIf"IIIIIIIIII" 1111111111111'111111111111111" IIIIIIIIIIJ" . a simplicidade e a facilidade de aprendizado e de implementação são os principais responsáveis pela grande popularidade desses métodos. 64 Tendo em vista as três primeiras restrições citadas. que deve ser encarado como uma abordagem complementar em lugar de substitutiva da análise técnica. 1978.. determinando um intervalo de confiança e respectiva probabilidade de ocorrência. New York. Os modelos ARIMA foram sistematizados por Box e Jenkins 2. C. podemos caracterizá-la como um conjunto de métodos heurísticos. Esses modelos são robustos do ponto de vista conceitual e estatístico. De fato. Os modelos ARIMA Tendo em vista os limites desde texto. Wheelwright.~llllllllllllllllllllllllllllllllllllllllllllllllllll1111111111111111111111111111111111111111111111 .~lll~~ "111" . c) não estabelece o grau de incerteza associado às respectivas previsões. ~'llIJ' . b) vários de seus métodos não proporcionam previsões numéricas.o NOTAS E COMENTÁRIOS 111111111111111111111111111111111111111111111111111111"'11111111111111111111111111111111111111111111111 111111111111111111111111111111111111111111111111111' .I'. Spyros e STEVEN. Forecasting: Metliods and Applications. que permitem ao analista introduzir as suas avaliações subjetivas acerca do padrão de comportamento dos preços e seus pontos de inflexão (a antecipação dos turning points é um aspecto fundamental dos problemas de previsão). Contudo. semi quantitativos. enquanto um conjunto de métodos de análise de séries temporais e/ou técnicas qualitativas de previsão. P. Time Series Analysis: t'orecasting and Controlo Oakland. podem ser empregados com propósitos preditivos (este é o pressuposto da constância..llllll.. proporcionam previsões probabilísticas e são de fácil implementação ( desde que tenhamos os recursos computacionais adequados). ' jlllllllllllllllllllllllllllllllllllllllllllllllll. a análise técnica.(1111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111 padrões de comportamento passado se reproduzirão no futuro e. OS MODELOS ARIMA E A ABORDAGEM DE BOX-JENKINS 1. Gwilym. '~'I' illlllllllllllllllllllllllll jlllllllllllllllllllllllllllllllllllllllllll~ jllllllllllllllllllllllllllll IIIIJ" .d.'11111111111111111111111111111 11" .q) como segue: = + e (B) cj> (B) (1) 2.~lllllllll. Holden-Day. '1111111111" 1111111'" . BOX. ~'IIIIIIIIIIIII' ~11111::'lllllllllllllll . pode ser objeto das seguintes restrições: a) possui pouca fundamentação teórica e estatística. de sorte a corrigir os vieses associados aos diferentes perfis cognitivos. ' 4111111111111111111111111.t'111111111111111. e JENKINS.~ jlllllll~. 1976 ( edição revisada). . Wiley. 11111111111111111111111111111111111illllllllll . Esta última 'característica. representám uma generalização dos diversos métodos de análise de séries temporais. George E. portanto. Ver também: MAKRIDAKIS. Embora o termo análise técnica abranja atualmente algumas ferramentas quantitativas. apresentaremos um método alternativo. d) não sistematiza nem calibra as avaliações subjetivas.

o modelo ARI~A (p.q onde: • do nfvelde diferenciação (d).8q J3C1) I (B) .BIW1CO -- FllIrode MédIas-M6vel8 Wt - Jl - 8 (B) - FIro AIJto. • da ordem (máxima) dos termos autoregressivos (p).~BP) BP - . Gwilym.diz-se modelo auto-regressivo •. "ponto de referência" do nível do processo operador de "médias-móveis": 8 (B) = (1 .operador auto-regressivo: t(B) = (1.+ fpWt_p +at-81élt_i- (2) ••• - Intuitivamente. Zt. q) . o "ponto de referência" do nível do processo. •••.RAE FIG. auto-regressiva e integração). d..•. .Dlagnna de Blocos dOs Modelos Artma 41»(8) e-1(8) Série Temp • Rufdo . q) do modelo são estimados os seguintes parâmetros: • u. De uma forma geral. o nível do processo. 1 . basta compararmos as funções de autocorrelação amostrais com os correspondentes paradigmas ou funções de autocorrelação "teõrícas". 2. b) p. • da ordem (máxima) dos termos médiasm6veis (q). q) possui p+q+2 parâmetros desconhecidos.~B2 . Op. d. Essas determinações são obtidas a partir.. í. a variância do ruído branco élt.do exame da função de autocorrelação e da funtão de autocorrelação parcial.8tBl .. e ]ENI<INS.fagrIssIv (EsIacIonér1o) 't lIt onde: t - ~ índice do tempo d'ésima diferença da variável de interesse z.. 65 .e. A Abordagem de'Box-Jenklns e o PrincIpio da PacImOnIa Para a construção dos modelos ARIMA. wt = 80 + !lhWt_l + . BOX. podemos afirmar que os modelos ARIMA representam as séries temporais como uma ponderação dos próprios valores e/ou erros passados da série.. parâmetros médías-mõveís 81' 82. como ilustrado na figura 2. Um modelo ARIMA (p. como exemplificado na figura 1. que avaliam o padrão de dependência temporal da série.médiasm6veis integrado de ordem (p. d. que devem ser estimados a partir dos dados.p étt •••• "ruído branco" ou erro aleatório Para maior clareza. d) (. parâmetros au~regressiyos 11' ~..) •• lt a) Jl. clt. operador de retrocesso: l3PZt -.acima estabelecido de forma sintética pode ser expandido. 8q. BoxJenJdns I sugeriram as seguintes etapas iterativas..2. P. Para tanto.. os modelos ARIMA postulam que as séries temporais (Zt) podem ser representadas por uma seqüência de "choques" aleatórios (élt) submetidos a três operações de "filtragem" ( médias-móveis.. 3. E. como segue: a) Identifica~o A identificação de um modelo AroMA corresponde à determinação: 8cft. a partir do qual a série se torna estacionária. f~ c) q. a saber: b) EstimaçSo Uma vez determinada a ordem (p. George. q) . d.." FllIrode Integraçlo (NIo-Estac..!JBl-i2B2.

abrangendo o período de 02/01/85 a 31/00/87. d. cujo exame permite concluir que: a) a série se toma estacionária após a primeira diferenciação. 4. podemos dizer que.embora não haja uma aderência muito clara aos paradigmas (esses valores foram confirmados através do exame dos modelos alternativos).expresso nas suas funções de autocorrelação. a sua utilização com um número mínimo de parâmetros. tornando particularmente difícil a construção de um modelo de previsão. Idem. como segue: d) Previsêa 1. 66 Tendo em vista que a maioria das séries se torna estacionária após a segunda diferenciação. IdentlficaçAo Validado o modelo. i. Box e [enkins 4 sugerem o emprego parcimonioso desses modelos.o NOTAS E COMENTÁRIOS FIG. a variância do ruído branco. ibidem. usualmente: p. •••. De qualquer forma. podemos modelar o IBOVESPA. tanto no que diz respeito a suas tendências quanto no que concerne a sua volatilidade. Escapa ao escopo deste texto o exame dos complexos algorítmos de estimação. ~cf • CJ2. c) Validaçáo A verificação da adequação do modelo é efetuada em duas dimensões inter-relacionadas. a saber: • o exame do grau de ajustamento ou aderência do modelo . existem programas em abundância para executar essa tarefa. A figura 3 mostra graficamente que a série considerada foi objeto de várias mudanças na sua estrutura temporal.. . o MSE (Mean Square Error) ou o MAPE ( Mean Absolute Percentage Error): • o exame da aleatoriedade dos resíduos (erros) do modelo . empregamos uma amostra de 650 observações do Indice de Fechamento da BOVESPA. proporciona também os limites inferior e superior do intervalo de confiança associado a um nível de confidência (probabilidade) estabelecido pelo analista.Etapas Heratlvas da ConstruçAo de ModeloS de PrevlsAo (AbOrdagem de Box-Jenklns) Postular umaclassa geral de modelos ldentHlcar o modelo a ser tentatlvamente considerado 1 ____ Estimar os !Parâmetros do modelo identificado --+ Validar o modelo estimado ••• Utilizar o modelo para fazer previsões É adequa não • os parâmetros auto-regressivos ~1' ~2'·'" ~ • os parâmetros médias-móveis ev 92. Empregando-se a abordagem de Box-jenkins. possível em virtude do teorema da dualidade. podemos construir uma função de previsão. q s 2 UM EXEMPLO: (3) PREVISÃO DO IBOVESPA A título de exemplo.e. As figuras 4a e 4b mostram as funções de autocorrelação do lBOVESPA após a sua diferenciação de primeira ordem. 2 .expresso em estatísticas como a variância do erro. que além de proporcionar as previsões mais verossímeis dentro do horizonte de planejamento especificado. Finalmente. portanto d=l. b) pe l e q=O.

o' •••••••••• : •• .....•.RAE FIG.FunçAo de Autocorrelaçlo Parcial.Primeira Diferença IBOVESPA I COEHCIENTE o · ··· ·..••• -i :. .•.•..IBOVESPA Primeira Diferença COEHCIENTE t o •• • -i • •.•• .•.• 'o" •.••••• : .••.•••.••••.••. fi ••••••••. .•• : . •.• . .• •.•.• ' ••• . I . •••••••••••••••••••••• .. 3 -IBOVESPA (Fechamento) FECHAMENTO •••• 0· ••••••••••••••••••••••• . .•. .' .•..• . " •••••••••••••••••••••••• i .••. " •• :. . 4a .••. .. . . .•••..•. I soo FIG.••••.•• : •.•••.• . .. .•.. ~ •.•.•.•.•••• '.•••• : •.• O 30 DEFASAGEM FIG.• o DEFASAGEM 67 .•• : ..•••••••. .FunçAo de AutocorrelaçAo .••••.•· . : . .•. . '•••. 4b .•.•....•.• .•. ••••••• o •••••••••••••••••••••••••••••••••••••••••••••••••••••••• .••.••• ~: ~ ..•...•.

~) at .fJ3700 114.Primeira Diferença de Zt.1) l. indicando uma provável necessidade de transformação (logarítmica ou raiz quadrada) 5. O) ou.23413 0. 1. o modelo estimado para o Índice Bovespa (Fechamento) foi o seguinte: wt= 11. O MAPE ( Mean Absolute Percentage Error).1. i. Finalmente.L 15.88789+ 0. como segue: Portanto. é definido como: MAPE 1 n ~I 1\ Zt Zt 4 I 100 .23584wt_1 1\ (5) 00 ~ = 1\ (4) ~ .67%. Provavelmente. a estimativa do nível do processo (Jl.0) acima. por um modelo auto-regressivo de primeira ordem com um nível' de integração [AR (1. Alguns poucos coeficientes se encontram além da região de aceitação. a) Aderéncia Um sumário das estatísticas básicas dos resíduos (erros) do modelo é apresentado abaixo: Média: 0.81(19. .. 80 = Jl. . é extremamente pequena.o NOTAS E COMENTÁRIOS Logo. mostrando . 6.3800 Parâmetro Constante Variância ~ cP- 11. i. embora apresentem uma magnitude relativamente pequena. a crescente volatilidade (variância) da série tenha provocado alguns vieses de estimação. Wt = Zt.a excelente aderência do modelo (notem que a estimativa do desvio padrão (a). o J- t-' J 00 A figura 5 apresenta os valores estimados do Índice Bovespa (Fechamento) pelo modelo ARIMA (1. e.264. i. Notação Estimativa Auto-regressivo !t 0.Operador de Integração Zt - 2. com um erro percentual médio da ordem de apenas 2."Ponto de Referência" do Nível do Processo 80 . (1 . Validação Índice Bovespa (Fechamento) wt .e.3584 0. 1..Zt-l Jl.LJw" .Constante. (J = 338. 68 A figura 6 apresenta os resíduos (erros) do modelo estimado.) não é tão confiável. a estimativa da variância do erro aleatório (0'2) é relativamente pequena.04/03/86) MAPE : 2.69(7.60 Mínimo: -1.10%. O) Erro Padrão Prob. portanto. pois possui um erro padrão mais elevado (notem que esse termo se mostra estatisticamente diferente de zero a um nível de probabilidade de apenas 62%) 5. mais sumariamente.2. onde: 3.e. o IBOVESPA pode ser representado por um modelo ARIMA (1. Por outro lado. manteremos o modelo inalterado.87854 0.0384 0. 16/04/86) Máxim.14 Desvio-Padrão: 338.60).67% Constatamos.p: 1. que o modelo apresentou uma excelente aderência.Ruído Branco S .648 A tabela acima mostra que obtivemos uma estimativa extremamente confiável do terino auto-regressivo de primeira ordem (<1>1)' já que o seu erro padrão é bastante pequeno (notem que esse termo se mostra estatisticamente diferente de zero a um nível de probabilidade de aproximadamente 100%). ou erro percentual médio.0000 Nivel do processo J. b) Aleatoriedade dos Resíduos A figura 7 mostra a função de autocorrelação dos resíduos (erros). Neste caso. entretanto. o erro-padrão.como veremos . EstlmaçAo As estimativas obtidas dos parâmetros modelo identificado foram as seguintes: do IBOVESPA FECHAMENTO· MODELO ARIMA (1. o procedimento mais adequado seria a estimação de um modelo sem constante.67%. tendo em vista os propósitos ilustrativos deste artigo.997.

..0 • 0 . • 0. •••••••••• .' .0 • ••••••••••• .. ..o ••••• " ••• .. ..1... . •••••••••• • O -O. .0 .. o..e •••••••••••••••••... · '. . ..... • ••••••••••••• " ~ - •••• 'o ••••• · :.. .......•••••••••••• . .... O) 1 0.. .. .. ••••.· ·· ·· ...... .... ... ... 600 800 T FIG.. . ....RAE FIG. '0"············· . 7 -FunçAo de Autocorrelaçao COEFICIENTE dos Erros do Modelo Arlma (1. . . ... 50 69 .. . O) ESTIMATIVA ..5 •••••••••• · · 0.. ... • ••••••• . I I ax> FIO...1.. -: :..... 6 -IBOVESPA ERRO • . . 5 ... · .. O) (X 100) ... ... ~ -1 ·..... O DEfASAGEM -:.... . •••• I •••• ..1.. 400 600 T : Enoe do Modelo ArIma (1..... . 0.......IBOVESPA : estimativas do Modelo Artma (1. ..

.7 11..880.3 11. modelling. a ótima aderência do modelo e a pequena magnitude desses coeficientes.269.949.9 13.9 9.) Ao lado.9 651 652 653 654 655 limite inferior limite superior 10. em que pese à instabilidade e à volatilidade da série empregada.308. 70 ---~_. prediction.616. 2.1.4 11. 8 -IBOVESPA : Funçlode Prevlslo do Modelo Arlma(1._-- --- . Estimation.4 9.are reviewed. Finally. Entretanto. previsão para o próxiinO período -+ observação -+ previsão para o período subseqüente -+ etc.288.ldentification..0 11. Box-Jenkins.197. dado o escopo deste texto. não estimaremos o modelotransformado e consideraremos os resíduos como razoàvelmente aleatórios.3 11.476. que proporciona previsões quantitativas e probabilísticas robustas do ponto de vista conceitual e estatístico.0 12.76 + LW 650+j t lt 11.114.7 9. it is shown how this technique is easily implemented with satisfactory results in the moâelling and forecasting of ihe lnâex of the Bolsa de Valores de Silo Paulo (BOVESPA). FIG.Moving Average Models and compares ihem with the traditional methods known by the term "technical analysis"..CJ NOTAS E COMENTÁRIOS dos dados para lhes estabilizar a variância.253.453. obteríamos uma maior precisão se essas previsões fossem efetuadas passo a passo (i. apresentou resultados extremamente satisfatórios.horizonte de planejamento (m == 1.256. No experimento efetuado. Tendo em vista o caráter auto-ajustável do método. Prevls6es Na figura 8. Q .897.9 12.8 10. KEY WORDS: Arima.e.622.0 12.3 É· importante notar que essas previsões são efetuadas no instante t = 650. constatamos que essa abordagem. Apresentamos uma abordagem alternativa e complementar aos métodos tradicionais de ~se técnica. bem como os respectivos intervalos de confiança associados a um nível de probabilidade de 95% (por simplicidade deixamos de apresentar a expressão descritiva desses limites probabilísticos).657. 4. 3~. apresentamos as previsões do IBOVESPA para os cinco dias úteis subseqüentes à última observação. The Box-lenkins approach is presented next and its four steps .O) FECHAMENTO T ABSTRACT: This paper reviews the Autorregressive . stocf!:astic processes.88789+ 0.23584W = U9+m (6) m 11. l-I CONCLUSOES onde: m . Checking and Forecasting .283. encontramos a seguinte função de previsão do índice Bovespa: '" 650+m W Z 650+m = 11.).