Forecasting volatility using GARCH models

Abstract

Esta dissertação tem como ponto central a previsão da volatilidade usando vários modelos GARCH (General autoregressive conditional heteroeskedasticity) de modo a testar qual tem a melhor capacidade de previsão. O foco desta dissertação é o estudo do mercado dos EUA.Os dados usados para este estudo são cotações do NASDAQ-100, de 1986 até 2016. Neste estudo são considerados três períodos de estimação para os modelos GARCH: 500 dias, 1000 dias e 2000 dias de modo a minimizar a possível presença de mudanças na estrutura dos dados. Regressões lineares (Mincer-Zarnowitz) foram efectuadas de forma a avaliar a performance individual de cada modelo GARCH. Depois disso, de forma a detectar qual o melhor modelo para prever a volatilidade, o teste de SPA de Hansen and Lunde (2005) foi utilizado. Os resultados são conclusivos de que os modelos são semelhantes no que toca à previsão da volatilidade condicional do dia seguinte, com a possível excepção do modelo IGARCH. O modelo GJR não apresenta resultados satisfatórios quando a janela de estimação utilizada na estimação dos modelos é de 1000 dias.

The purpose of these research is to forecast volatility using different GARCH (General autoregressive conditional heteroeskedasticity) models in order to test which model has best forecasting ability. The focus of this research is the US market. The data is composed by NASDAQ-100 quotations from 1986 to 2016. The study considers three estimation periods for the GARCH family models: 500 days, 1000 days and 2000 days in order to minimize structure changes that might be present in the data. A series of Mincer-Zarnowitz regressions were completed in order to assess the performance of each GARCH model. Afterwards, the SPA test from Hansen and Lunde (2005) is used in order to detect which is the best model. The empirical results show that the GARCH models produce similar results in what comes to forecasting next day conditional volatility, with the possible exception of the IGARCH model. There is also reason to believe that the GJR model does not provide good estimations of volatility when the rolling window used in the estimation of the models is 1000 days.