Estimativa e Previsão dos Retornos de Commodities Usando Modelos de Volatilidade de Longa Memória

Modelar a volatilidade dos preços das commodities e criar modelos mais confiáveis para estimar e prever os retornos dos preços das commodities são cruciais. A base de pesquisa sobre modelos estatísticos que podem refletir plenamente as características empíricas dos retornos dos preços das commodities é escassa. O principal objetivo desta pesquisa foi desenvolver uma estrutura de modelagem que pudesse ser usada para estimar e prever com precisão os retornos dos preços das commodities, combinando modelos de longa memória com distribuições de cauda pesada. Este estudo empregou modelos híbridos de longa memória dual com heterocedasticidade autorregressiva generalizada condicional (GARCH) com inovações de cauda pesada, a saber, a distribuição Student-t (StD), a distribuição skewed-Student-t (SStD) e a distribuição de erro generalizada (GED). Com base nos menores valores dos métricas de previsão para erro absoluto médio (MAE) e erro quadrático médio (MSE), o melhor modelo do tipo LM-GARCH para lítio é o ARFIMA (1, 0, 1)-FIAPARCH (1, ξ, 1) com inovações normais. Para tabaco, o melhor modelo é ARFIMA (1, 0, 1)-FIGARCH (1, ξ, 1) com inovações SStD. O modelo com melhor desempenho para ouro é o modelo ARFIMA (1, 0, 1)-FIGARCH (1, ξ, 1)-GED. Os melhores modelos de previsão para os retornos do petróleo bruto e do algodão são, respectivamente, o modelo FIAPARCH 1,ξ, 1−SStD e o modelo HYGARCH 1,ξ, 1−StD. Os resultados obtidos deste estudo seriam benéficos para aqueles preocupados com técnicas de modelagem do mercado financeiro, como precificação de derivativos, gestão de riscos, alocação de ativos e avaliação.