Modelos GARCH e MSGARCH para a previsão da cotação da criptomoeda Ethereum
Autor: Richard de Freitas Pinto (Currículo Lattes)
Resumo
Este estudo tem como objetivo comparar a capacidade preditiva dos modelos Autorre-gressivos de Heterocedasticidade Condicional Generalizados (GARCH) e modelos Autor-regressivos de Heterocedasticidade Condicional Generalizados com mudança de Regime(MSGARCH), aplicados em conjunto com o modelo Autorregressivo e de Médias Moveis(ARMA), na modelagem da volatilidade das cotações diárias da criptomoeda Ethereum. Foram utilizados os dados referentes ao período de janeiro de 2020 até setembro de 2022 para ajuste do modelo, e os dados referentes a outubro de 2022, para avaliar a capacidade preditiva. Depois de realizar a análise exploratória dos dados, estes foram transformados no logaritmo da taxa de retorno. Após, foi executada a modelagem ARMA, seguida de GARCH nos respectivos resíduos quadráticos. Procedimento similar foi realizado na modelagem MSGARCH, com até 3 regimes. A análise da capacidade preditiva, que utilizou a volatilidade realizada, identificou o modelo encontrado pelo MSGARCH com três regimes e erros com distribuição t de Student como o que possui a melhor capacidade preditiva, para os três horizontes de previsão considerados: 7, 15 e 30 dias. Mesmo tendo havido uma mudança no padrão de comportamento das criptomoedas, em função de alguns fenômenos sociais e políticos, o modelo encontrado foi satisfatório.