MEAN AND REALIZED VOLATILITY SMOOTH TRANSITION MODELS APPLIED TO RETURN FORECASTING AND AUTOMATIC TRADING

• Main Author: CAMILA ROSA EPPRECHT
• Other Authors: ALVARO DE LIMA VEIGA FILHO
• Language: Portuguese
• Published: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO 2008
• Online Access: http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=13209@1; http://www.maxwell.vrac.puc-rio.br/Busca_etds.php?strSecao=resultado&nrSeq=13209@2

COORDENAÇÃO DE APERFEIÇOAMENTO DO PESSOAL DE ENSINO SUPERIOR === CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO === O principal objetivo desta dissertação é comparar o desempenho de modelos lineares e não-lineares de previsão de retornos de 23 ativos do mercado acionário americano. Propõe-se o modelo STAR-Tree Heterocedástico, que faz uso da metodologia do STAR-Tree (Smooth Transition AutoRegression Tree) aplicada a séries temporais heterocedásticas. Com a disponibilidade de dados de retorno e da volatilidade realizada de ações intra-diários, as séries de retornos são transformadas através da divisão de cada retorno pela sua volatilidade realizada. A série transformada apresenta variância constante. O modelo é uma combinação da metodologia STAR (Smooth Transition AutoRegression) e do algoritmo CART (Classification and Regression Tree). O modelo resultante pode ser interpretado como uma regressão de múltiplos regimes com transição suave. A especificação do modelo é feita através de testes de Multiplicadores de Lagrange, que indicam o nó a ser dividido e a variável de transição correspondente. Os modelos de comparação usados são o modelo Média, o método Naive, modelos lineares ARX e Redes Neurais. As previsões dos modelos foram avaliadas através de medidas estatísticas e financeiras. Os resultados financeiros baseam-se em uma regra de negociação automática que informa o momento de comprar e vender cada ativo. O modelo STAR-Tree Heterocedástico teve resultados estatísticos equivalentes aos dos outros modelos, porém apresentou um desempenho financeiro superior para a maioria das séries. A volatilidade realizada também foi estimada usando a metodologia STAR-Tree, e sua previsão foi utilizada para fazer uma análise de alavancagem financeira. === The main goal of this dissertation is to compare the performance of linear and nonlinear models to forecast 23 assets of the American Stocks Market. The Heteroscedastic STAR-Tree Model is proposed using the STAR- Tree (Smooth Transition AutoRegression Tree) methodology applied to heteroscedastic time series. As assets returns and realized volatility intraday data are available, the returns series are transformed by dividing each return by its realized volatility, which gives homocedastic series. The model is a combination of the STAR (Smooth Transition AutoRegression) methodology and the CART (Classification and Regression Tree) algorithm. The resulting model can be interpreted as a smooth transition multiple regime regression. The model specification is done by Lagrange Multiplier tests that indicate the node to be split and the corresponding transition variable. The comparison models used are the Mean model, Naive method, ARX linear models and Neural Networks. The forecasting models were evaluated through statistical and financial measures. The financial results are based on an automatic trading rule that signals buy and hold moments in each stock. The Heteroscedastic STAR-Tree Model statistical performance was equivalent to the other models, however its financial performance was superior for most of the series. The STAR-Tree methodology was also applied for forecasting the realized volatility, and the forecasts were used in financial leverage analysis.