Modeling Stock Returns and Volatility Using Bivariate Gamma Generalized Laplace Law

1. Formulação do Problema

O artigo aborda dois desafios principais na modelagem financeira e na inferência estatística:

1. Limitações dos Modelos Univariados: Embora a distribuição Laplace Generalizada Assimétrica (GAL) (também conhecida como distribuição Variance-Gamma) seja amplamente utilizada para modelar retornos de ativos devido à sua capacidade de capturar caudas pesadas e assimetria, ela é tipicamente estudada em um contexto univariado. Nesse cenário, a variável gama de mistura (representando volatilidade estocástica ou tempo de negócios) não é observada, tornando a Estimativa de Máxima Verossimilhança (MLE) complexa e computacionalmente intensiva.
2. Tratamento da Volatilidade Observada: Em muitos contextos financeiros, índices de volatilidade (como o VIX) são observados juntamente com os retornos dos ativos. Modelos de volatilidade estocástica padrão frequentemente tratam a volatilidade como uma variável latente (oculta), exigindo técnicas de filtragem complexas (por exemplo, Modelos Ocultos de Markov). Os autores buscam um quadro teórico onde tanto o retorno quanto o proxy de volatilidade sejam modelados conjuntamente como variáveis aleatórias observáveis.

2. Metodologia: O Modelo BGGL

Os autores introduzem a distribuição Gama-Laplace Generalizada Bivariada (BGGL). Esta é uma extensão bivariada do modelo GAL padrão onde a variável gama de mistura é observada.

• Representação Estocástica: Seja $Z \sim N(0,1)$ e $X \sim \text{GAM}(\alpha, \beta)$ independentes. O vetor aleatório $(X, Y)$ é definido como:
  $$Y = \delta + \mu X + \sigma \sqrt{X} Z$$
  Aqui, $X$ representa o proxy de volatilidade observado (ou tempo de negócios), e $Y$ representa o retorno do ativo.
• Densidade Conjunta: A função de densidade de probabilidade (PDF) conjunta de $(X, Y)$ é derivada explicitamente. Mostra-se que a distribuição condicional $Y|X$ é Gaussiana, enquanto a distribuição marginal de $X$ é Gama, e a marginal de $Y$ é GAL.
• Estrutura da Família Exponencial: Os autores demonstram que a família BGGL é uma família exponencial curva. Embora possua 5 parâmetros ($\alpha, \beta, \delta, \mu, \sigma$), suas estatísticas suficientes abrangem um espaço de 6 dimensões. Essa estrutura não padrão é crucial para entender o comportamento dos estimadores.
• Informação de Fisher: O artigo deriva a Matriz de Informação de Fisher (FIM). Uma descoberta chave é que, para o parâmetro de forma $\alpha \le 1$, a FIM torna-se singular (infinita) para certos parâmetros (especificamente relacionados a $\delta$), indicando um comportamento assintótico não padrão.

3. Contribuições Principais

O artigo faz três contribuições teóricas e metodológicas principais:

1. Estimação de Máxima Verossimilhança (MLE) Simplificada:
   Ao contrário do modelo GAL univariado, onde a MLE requer otimização numérica de uma função de verossimilhança complexa, a formulação bivariada permite soluções explícitas e de forma fechada para os parâmetros de localização ($\delta$), assimetria ($\mu$) e escala ($\sigma$).

   • As MLEs para $\delta$ e $\mu$ correspondem exatamente aos estimadores de Mínimos Quadrados em um modelo de regressão linear ponderado (especificamente, uma regressão sem intercepto onde a variância do erro é proporcional a $X$).
   • As MLEs para os parâmetros gama ($\alpha, \beta$) são derivadas da distribuição marginal de $X$ e estão disponíveis em forma fechada (envolvendo a função digama).

2. Teoria Assintótica Não Padrão:
   Os autores estabelecem que as taxas de convergência das MLEs dependem criticamente do parâmetro de forma $\alpha$ da distribuição gama de mistura:

   • Caso $\alpha > 1$: Os estimadores são assintoticamente normais com a taxa de convergência padrão $\sqrt{n}$.
   • Caso $\alpha = 1$: O estimador $\hat{\delta}$ converge a uma taxa de $\sqrt{n \ln n}$, e a distribuição limite permanece Gaussiana, mas com uma estrutura de variância diferente.
   • Caso $\alpha < 1$: A taxa de convergência para $\hat{\delta}$ acelera para $n^{1/(2\alpha)}$ (mais rápida que $\sqrt{n}$). Crucialmente, a distribuição limite é não Gaussiana, envolvendo um subordinador estável ($\xi_\alpha$). Este é um fenômeno raro onde a MLE converge mais rápido que a taxa padrão, mas perde a normalidade.

3. Quadro de Aplicação Financeira:
   O artigo propõe uma maneira inovadora de modelar conjuntamente retornos de ações e volatilidade. Em vez de tratar a volatilidade como um estado latente, eles transformam o índice de volatilidade observado (VIX) em uma variável distribuída como Gama $X$ e modelam o par $(X, Y)$ diretamente. Isso evita a necessidade de modelos de Markov ocultos.

4. Resultados Principais

• Propriedades dos Estimadores:

  • Os estimadores $\hat{\delta}_n$ e $\hat{\mu}_n$ são não viesados.
  • Para $\alpha > 1$, a distribuição conjunta dos estimadores é assintoticamente multivariada normal com uma matriz de covariância em blocos diagonais, implicando independência assintótica entre os parâmetros gama e os parâmetros de regressão.
  • Para $\alpha \le 1$, os estimadores $\hat{\delta}_n$ e $\hat{\mu}_n$ tornam-se assintoticamente independentes, uma propriedade ausente no caso $\alpha > 1$.

• Estudo de Simulação:
  Simulações com tamanhos de amostra $n=50$ e $n=500$ confirmam as descobertas teóricas.

  • Para $\alpha = 1$ e $\alpha = 0.25$, o Erro Quadrático Médio (RMSE) para $\delta$ é muito baixo, consistente com as taxas de convergência mais rápidas.
  • Para $\alpha = 2$ e $\alpha = 5$, o RMSE para $\delta$ aumenta, refletindo a taxa de convergência mais lenta $\sqrt{n}$ e a influência das caudas pesadas na distribuição de mistura.

• Aplicação Empírica:
  O modelo foi aplicado a dados semanais (2019–2024) de três principais índices dos EUA: S&P 500, DJIA e NASDAQ 100, emparelhados com seus respectivos índices de volatilidade (VIX, VXD, VXN).

  • Resultados: O modelo BGGL forneceu um ajuste satisfatório para os três índices.
  • Diagnósticos: Gráficos Quantil-Quantil (QQ) mostraram que os resíduos (extraídos da regressão) foram bem aproximados por uma distribuição normal padrão, e a variável de volatilidade transformada $X$ ajustou-se bem à distribuição Gama.
  • Interpretação: Os autores interpretam a variável $X$ como volatilidade "inesperada" ou de "surpresa" (o desvio da volatilidade atual em relação à expectativa autoregressiva), permitindo que o modelo capture a dinâmica conjunta de retornos e choques de volatilidade usando suposições de IID em vez de dependências complexas de séries temporais.

5. Significado

• Eficiência Computacional: Ao observar a variável de mistura, o artigo transforma um problema de otimização não linear difícil em um problema de regressão linear simples, tornando a estimação de parâmetros significativamente mais tratável.
• Insight Teórico: A descoberta de taxas de convergência super-rápidas ($n^{1/(2\alpha)}$) acopladas a limites não Gaussianos para $\alpha < 1$ adiciona um novo caso significativo à literatura sobre comportamento assintótico não padrão na MLE.
• Modelagem Financeira Prática: A abordagem oferece uma alternativa parcimoniosa a modelos complexos de Volatilidade Estocástica (SV) e GARCH. Ao tratar a volatilidade como uma entrada observável em vez de um estado latente, simplifica a modelagem da distribuição conjunta de retornos e volatilidade, o que é essencial para gestão de risco e precificação de derivativos.

Em conclusão, o artigo conecta com sucesso a lacuna entre a probabilidade teórica (misturas bivariadas, leis estáveis) e a econometria financeira prática, oferecendo um modelo robusto e analiticamente tratável para retornos de ativos impulsionados pela volatilidade observada.