Por que os retornos diários ainda são importantes para a previsão de volatilidade

Para traders quantitativos, selecionar o conjunto de dados correto para prever movimentos futuros do mercado é, sem dúvida, a decisão mais crítica que eles tomam. Historicamente, o preço de fechamento ou abertura de uma ação ou commodity era um bom ponto de partida para analisar o padrão de negociação desse ativo específico.

Mas hoje, à medida que as negociações são liquidadas em microssegundos por sistemas de TI avançados e grande parte do volume de negociação é gerada por “bots” de alta frequência, os dados dessa atividade de mercado são frequentemente preferidos.

Um novo estudo sugere que os dados de mercado de alta frequência não tornaram os retornos diários obsoletos. Usando um novo modelo de volatilidade realizada, ele revela que combinar ambos os sinais pode melhorar materialmente as previsões de volatilidade do petróleo bruto, os limites de risco e as decisões de hedge.

O estudo foi realizado por três pesquisadores do Indian Institute of Technology Guwahati e publicado na Finance Research Open¹, sob o título “Os retornos ainda importam? Um modelo completo de volatilidade assimétrica com medidas realizadas nos mercados financeiros”.

Visão geral dos modelos de risco

A partir da década de 1980, pesquisadores em economia e traders começaram a incorporar uma nova métrica nos modelos de risco que usavam para prever comportamentos de mercado: a volatilidade dos retornos dos ativos que varia ao longo do tempo. Isso permitiu que o modelo refletisse melhor os mercados reais, onde os riscos dos ativos flutuam ao longo do tempo, com períodos de alta e baixa turbulência se agrupando, em vez de permanecerem constantes, como ocorria nos modelos anteriores.

Posteriormente, os dados de alta frequência foram preferidos para esses modelos, pois eram considerados um conjunto de dados superior para essa aplicação:

“Dados de alta frequência permitem granularidade mais fina, facilitando a separação de componentes de salto e contínuos e proporcionando uma descrição mais detalhada da dinâmica da volatilidade.”

Isso levou à criação do modelo GARCH (heterocedasticidade condicional autorregressiva generalizada), que foi posteriormente refinado em modelos avançados adicionais incorporando elementos extras, como os diferentes efeitos de choques positivos e negativos e outros pontos de dados.

Com o tempo, os modelos do tipo GARCH expandiram‑se consideravelmente, com aplicações que abrangem múltiplas classes de ativos, incluindo ações, commodities, criptomoedas e mercados de derivativos.

Um desses modelos atualizados é o GJR-GARCH, um tipo de modelo que considera a volatilidade financeira dando mais peso a notícias negativas (retornos negativos) do que a notícias positivas, capturando o “efeito alavancagem” do mercado de ações.

Misturando dados de alta frequência e GARCH

Este estudo propõe misturar dados de alta frequência, minuto a minuto, especialmente “variância realizada”, com o modelo GJR-GARCH, criando o RGJR-GARCH.

A variância realizada é uma métrica que mede a volatilidade real de um ativo financeiro ao longo de uma janela de tempo específica somando os retornos de preço intradiários de alta frequência.

Isso difere da variância diária tradicional, que registra zero mudança se o preço final for igual ao inicial, mesmo que a volatilidade intra‑dia tenha sido alta.

Dessa forma, este novo modelo pode integrar tanto os dados detalhados de alta frequência quanto a precisão dos modelos GJR‑GARCH.

Testando o modelo com negociação de petróleo

Testando em mercados voláteis

Para validar seu modelo, os pesquisadores o testaram usando USO (USO ), o United States Oil Fund, um ETF que acompanha os movimentos de preço do petróleo bruto leve doce West Texas Intermediate (WTI) desde 2006.

Este foi escolhido porque os mercados de petróleo bruto são caracterizados por volatilidade intra‑semanal pronunciada, impulsionada por anúncios macroeconômicos, choques de estoque e desenvolvimentos geopolíticos. As recentes guerras Rússia‑Ucrânia e EUA‑Irã forneceram um caso adicional de volatilidade inesperada que impacta os retornos de negociação e a eficiência dos modelos financeiros.

Para comparar com um mercado mais “normal”, eles também testaram seu modelo com SPY, o ETF mais negociado que acompanha o índice S&P500.

Em ambos os casos, eles coletaram dados de 1 de janeiro de 2010 a 30 de abril de 2020.

Os pesquisadores também observaram que outros mercados potencialmente interessantes, como ouro e forex, normalmente não fornecem dados tick‑by‑tick confiáveis ao longo de longos períodos, e os dados de preço de criptomoedas geralmente estão disponíveis no máximo em intervalos de 1 minuto, tornando indisponíveis os dados de alta frequência que o modelo necessita para funcionar corretamente.

Comparação de Modelos

Os pesquisadores usaram os dados para testar diferentes modelos com 35 previsões de um dia à frente, que foram subsequentemente agregadas em horizontes semanais.

Eles descobriram que o modelo RGJR‑GRCH teve a maior precisão de previsão para todos os números de semanas à frente testados, até 7 semanas depois.

Fonte: Finance Research Open

Mais importante, essa diferença de desempenho significou que o RGARCH começou a ter desempenho inferior a partir da previsão da semana 3 e sofreu desempenho negativo na semana #4, enquanto o RGJR‑GRCH continuou fazendo previsões precisas para períodos de até 6 semanas à frente, e apenas erros muito moderados na semana #7.

Ao analisar o que impulsionou esse desempenho superior, os pesquisadores demonstram que foi, de fato, o uso de dados de negociação de alta frequência.

“O desempenho superior do modelo RGJR‑GARCH em relação aos modelos GARCH e GJR‑GARCH é atribuído ao uso eficaz de dados de alta frequência na modelagem da dinâmica da volatilidade.”

O efeito foi especialmente pronunciado para ativos ligados ao petróleo, como USO, onde a volatilidade apresenta regularidades semanais marcantes. Isso é importante para aplicações práticas, pois previsões precisas de volatilidade semanal podem informar hedge dinâmico e precificação de contratos para participantes do setor de energia, como traders e produtores de commodities.

Isso também significa que, para prever volatilidade, os retornos diários são importantes também, não apenas os dados de alta frequência. Ambos os conjuntos de dados são interligados e devem ser processados como um único conjunto.

Investindo em negociação de alta frequência

CME Group Inc.

À medida que previsões melhores são criadas por um modelo financeiro aprimorado, o valor de conjuntos de dados precisos, de longo prazo e de alta frequência aumenta consequentemente. Isso é especialmente verdadeiro para valores e ativos de alta volatilidade e sensíveis geopoliticamente, como o petróleo bruto. Portanto, isso permite que a plataforma forneça esses dados de alta frequência e valores negociáveis acionáveis que provavelmente se beneficiarão desse tipo de pesquisa acadêmica.

O mercado NYMEX da CME é central para a descoberta de preços do petróleo bruto WTI, negociação de futuros e hedge. A empresa também está ativa em todos os tipos de negociação que cobrem todas as commodities (agrícolas, energia, metais), bem como créditos de carbono, títulos, moedas estrangeiras, índices, ações, criptomoedas, etc.

A empresa aumentou rapidamente sua receita de cerca de US$ 3 bilhões em 2015 para aproximadamente US$ 7 bilhões esperados em 2026.

Também está se internacionalizando rapidamente, com a atividade fora dos EUA crescendo a um CAGR de 10 % e presença de vendas em 12 países, atendendo cerca de 13 000 clientes em todo o mundo. No geral, espera‑se que esse padrão de crescimento se mantenha e que a empresa se beneficie de muitas inovações financeiras, desde blockchain até negociação de carbono e futuros de hipotecas dos EUA.

Fonte: CME

Últimas notícias e desenvolvimentos das ações da CME Group (CME)

Estudo Referenciado

^{1. Prakash Raj, et al. Os retornos ainda importam? Um modelo completo de volatilidade assimétrica com medidas realizadas nos mercados financeiros. Finance Research Open. Volume 2, Número 3, Setembro 2026, 100139. https://doi.org/10.1016/j.finr.2026.100139}