📈 economics

Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting

Este artigo demonstra que modelos de primeira diferença superam as especificações tradicionais baseadas em nível na previsão da volatilidade entre mercados quando os dados exibem forte persistência, destacando a necessidade crítica de alinhar as estratégias de modelagem com os objetivos de previsão.

Autores originais: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Kai Cheng, Xiaoxi Qi, Zhiyuan Cheng, Longying Lai

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando prever o tempo para o próximo mês. Você tem muitos dados históricos e nota que a temperatura tem subido lentamente há anos.

Se você construir um modelo baseado nos níveis atuais de temperatura (a abordagem baseada em "níveis"), seu modelo parecerá incrivelmente inteligente quando você o verificar contra o passado. Ele dirá: "Sim, eu sabia que a temperatura estava em 21°C ontem e 22°C hoje!" Ele se ajusta perfeitamente ao histórico.

No entanto, quando você tenta usar esse mesmo modelo para prever o tempo para o próximo mês, ele pode falhar miseravelmente. Por quê? Porque ele se distraiu demais com a tendência lenta e de longo prazo (a "persistência") e perdeu as mudanças diárias reais que importam para uma previsão de curto prazo.

Este é exatamente o problema que Kai Cheng e sua equipe da Columbia, Northeastern e Stanford investigaram em seu artigo, "Volatility Persistence and Model Choice in Cross-Market Volatility Forecasting."

Aqui está a divisão do estudo deles em termos simples:

A Grande Pergunta

Os mercados financeiros são cheios de "volatilidade" (o quanto os preços oscilam). Essa volatilidade é "pegajosa" — se está alta hoje, é provável que esteja alta amanhã. Os pesquisadores perguntaram: Quando tentamos prever os saltos futuros do mercado, devemos usar modelos que olham para o "nível" atual da volatilidade ou modelos que olham para a "mudança" na volatilidade?

A Configuração: Uma Corrida Entre Modelos

Os pesquisadores organizaram uma corrida para ver qual tipo de modelo matemático é melhor para prever a volatilidade do mercado de ações dos EUA (S&P 500). Eles usaram dados de metais preciosos (ouro, prata, platina, paládio) e petróleo para ver se esses mercados poderiam ajudar a prever o mercado de ações.

Eles compararam quatro "direcionadores" (modelos) diferentes:

O Direcionador de "Nível" (OLS & ADL): Estes modelos olham para os números reais. "O ouro está a $1.800, então as ações estarão em X." Eles são ótimos para explicar o que aconteceu no passado.
O Direcionador de "Mudança" (Primeira Diferença): Este modelo ignora o preço real e olha apenas para o movimento. "O ouro subiu $10, então as ações podem subir Y."
O Direcionador de "Piloto Automático" (ARIMA): Um modelo padrão de série temporal que apenas olha para o próprio comportamento passado das ações, sem ajuda externa.

A Reviravolta: A Armadilha do "In-Sample"

Quando os pesquisadores testaram esses modelos nos dados que usaram para construí-los (os dados de "treinamento"), os Direcionadores de Nível pareceram os vencedores. Eles tiveram o "R-quadrado" mais alto (uma pontuação de quão bem o modelo se ajusta ao histórico). Eles pareciam explicar tudo perfeitamente.

Mas aqui está a pegadinha: Quando os pesquisadores testaram esses modelos em novos dados que não tinham visto antes (o teste "out-of-sample"), os Direcionadores de Nível colapsaram. Eles foram excessivamente confiantes. Eles memorizaram as tendências lentas e pegajosas do passado, mas não conseguiram prever as mudanças futuras.

O Vencedor: O Direcionador de "Mudança"

O modelo de Primeira Diferença (aquele que olha apenas para as mudanças) foi o campeão surpresa.

No passado: Ele pareceu "pior" que os outros. Ele não se ajustou tão firmemente aos dados históricos.
No futuro: Ele foi o mais preciso ao prever o que realmente aconteceria a seguir.

A Analogia:
Pense nos Direcionadores de Nível como um aluno que memoriza todo o livro didático palavra por palavra. Em uma prova sobre o passado, ele tira 100%. Mas se você lhe pedir para resolver um novo problema que exige entender a lógica da mudança, ele trava.

O modelo de Primeira Diferença é como um aluno que entende as regras de movimento. Ele pode não recitar o livro perfeitamente, mas consegue realmente prever para onde a bola irá a seguir.

O Que Eles Descobriram?

A Persistência é uma Armadilha: Como a volatilidade do mercado é "pegajosa" (ela permanece alta ou baixa por um longo tempo), os modelos que focam no "nível" da volatilidade são enganados. Eles pensam que estão prevendo o futuro, mas estão apenas repetindo o passado.
A Simplicidade Vence: Ao remover as tendências de movimento lento e focar apenas nas mudanças (diferenciação), o modelo tornou-se muito melhor em previsões.
Não Confie no "Ajuste": Só porque um modelo parece perfeito nos dados históricos (alto ajuste in-sample) não significa que ele funcionará para prever o futuro. Na verdade, para mercados voláteis, um "ajuste" histórico perfeito é frequentemente um sinal de que o modelo está sofrendo de overfitting.

A Conclusão Final

Se você quer entender por que o mercado se moveu no passado, olhe para os níveis. Mas se você quer prever para onde o mercado está indo a seguir, você deve ignorar os números absolutos e focar nas mudanças.

Os autores concluem que, para qualquer pessoa que tente prever o risco financeiro, usar uma abordagem de "Primeira Diferença" é uma aposta mais segura e confiável do que depender de modelos complexos que tentam se ajustar perfeitamente aos níveis históricos.

Resumo Técnico: Persistência da Volatilidade e Escolha de Modelo na Previsão de Volatilidade Cross-Market

Definição do Problema
O artigo aborda uma tensão metodológica fundamental na finança empírica: o descompasso entre o poder explicativo amostral (in-sample) e a precisão preditiva fora da amostra (out-of-sample) na modelagem de volatilidade cross-market. Embora as séries de volatilidade sejam caracterizadas por forte persistência e dinâmicas de movimento lento, muitos estudos empíricos baseiam-se em especificações de séries temporais baseadas em níveis (por exemplo, Mínimos Quadrados Ordinários ou modelos Autorregressivos com Defasagens Distribuídas) para analisar os vínculos de volatilidade. Os autores questionam se esses modelos comumente utilizados são apropriados para previsão quando o objetivo primário é a precisão preditiva em vez da explicação estatística. Especificamente, o estudo investiga se a forte persistência nos dados de volatilidade infla artificialmente as métricas de ajuste amostral (como o $R^2$ ), enquanto compromete a capacidade do modelo de prever as dinâmicas futuras da volatilidade, particularmente no contexto de transbordamentos (spillovers) entre metais preciosos e o mercado de ações dos EUA.

Metodologia
Os autores empregam um framework empírico unificado para comparar sistematicamente quatro especificações estatísticas amplamente utilizadas para prever a volatilidade do S&P 500 utilizando metais preciosos (ouro, prata, platina, paládio), cobre e petróleo como variáveis explicativas.

Construção de Dados:
- Fonte: Preços de fechamento diários da Bloomberg (janeiro de 2005 – julho de 2014).
- Transformação: Os preços diários são convertidos em retornos logarítmicos. A volatilidade realizada mensal é construída agregando os retornos quadrados diários e anualizando a medida.
- Amostra: A amostra efetiva consiste de 114 observações mensais.
- Divisão: Os dados são divididos em um período de treinamento (janeiro de 2005 – junho de 2013) para estimativa de parâmetros e um período de validação fora da amostra (julho de 2013 – junho de 2014) para previsão.
Especificações de Modelos:
- OLS de Linha de Base (Baseline OLS): Uma regressão contemporânea da volatilidade do mercado de ações sobre os níveis das volatilidades de outros ativos.
- Autorregressivo com Defasagens Distribuídas (ADL): Um modelo ADL(1,1) incorporando variáveis dependentes e independentes defasadas para capturar a persistência e mitigar a autocorrelação.
- Modelo de Primeira Diferença: Uma regressão sobre as mudanças ( $\Delta$ ) na volatilidade em vez de níveis, projetada para remover a não estacionariedade e o impacto da forte persistência.
- Benchmark ARIMA: Um modelo ARIMA(1,0,0) servindo como um benchmark univariado para avaliar o valor da informação cross-market.
Métrica de Avaliação:
- O desempenho do modelo é avaliado exclusivamente na amostra de validação utilizando o Erro Quadrático Médio (MSE). O estudo contrasta explicitamente as estatísticas de ajuste amostral (ex: $R^2$ , $R^2$ ajustado) com a precisão preditiva fora da amostra.

Principais Resultados
A análise empírica produz três descobertas primárias:

Discrepância In-Sample vs. Out-of-Sample: O modelo ADL(1,1) demonstra poder explicativo amostral superior ( $R^2 = 0,801$ ), impulsionado principalmente pela inclusão da variável dependente defasada que captura a alta persistência. No entanto, este forte ajuste não se traduz em precisão de previsão.
Superioridade das Especificações de Primeira Diferença: Apesar de possuir um $R^2$ amostral inferior (0,356), o modelo de primeira diferença atinge consistentemente o menor Erro Quadrático Médio fora da amostra (0,0019) comparado ao modelo ADL (0,0021) e ao benchmark ARIMA (0,0084).
Persistência como Fonte de Viés: Os resultados sugerem que modelos baseados em níveis são propensos ao overfitting dos componentes de baixa frequência e persistentes da volatilidade. Embora esses modelos se ajustem bem aos dados históricos, eles falham em isolar as dinâmicas de curto prazo necessárias para uma previsão precisa. A abordagem de primeira diferença, ao remover esses componentes de movimento lento, fornece um benchmark mais robusto para capturar interações de volatilidade contemporâneas.

Principais Contribuições
O artigo apresenta três contribuições específicas para a literatura:

Framework Unificado: Fornece uma comparação controlada e lado a lado de modelos OLS, ADL, primeira diferença e ARIMA sob condições de dados e previsão idênticas, permitindo uma avaliação direta das escolhas de modelagem.
Padrão Empírico: Documenta um padrão sistemático onde as especificações de primeira diferença superam os modelos baseados em níveis e autorregressivos na previsão fora da amostra da volatilidade do mercado de ações, desafiando a dependência padrão de especificações baseadas em níveis em análises de transbordamento.
Insight Metodológico: Vincula o conceito de persistência da volatilidade diretamente à seleção de modelos e ao desempenho da previsão, oferecendo uma contribuição conceitual para a análise de volatilidade cross-market que complementa trabalhos focados em mecanismos de transmissão.

Significância e Implicações
Os autores argumentam que o estudo oferece orientação prática para a modelagem de volatilidade empírica. As descobertas sugerem que pesquisadores e profissionais devem alinhar a escolha do modelo com seus objetivos específicos:

Para Previsão: Quando o objetivo é a precisão preditiva, abordagens baseadas em transformações mais simples (como a diferenciação de primeira ordem) que mitigam a persistência são preferíveis a modelos complexos e intensivos em parâmetros que maximizam o ajuste amostral.
Para Gestão de Risco: Previsões de volatilidade precisas são críticas para a construção de portfólios e medidas de risco (ex: Value-at-Risk). O estudo implica que confiar em modelos baseados em níveis pode levar a estimativas de risco distorcidas devido ao viés de persistência, enquanto modelos de primeira diferença podem fornecer estimativas mais confiáveis em condições de mercado dinâmicas.
Interpretação de Transbordamentos (Spillovers): Os resultados sugerem que alguns "fortes vínculos" observados na literatura podem ser artefatos de uma persistência compartilhada, em vez de conteúdo preditivo genuíno. Modelos de primeira diferença fornecem um teste mais limpo para o conteúdo informativo incremental em sinais cross-market.

O artigo conclui enfatizando a importância da transparência na metodologia empírica, instando os pesquisadores a reportar métricas fora da amostra juntamente com as estatísticas tradicionais de bondade de ajuste para garantir que as conclusões sobre a dinâmica cross-market sejam robustas e aplicáveis ao mundo real.