Análise da Ação ODPV3SA Odontoprev: Desempenho Pré e Pós Pandemia

Modelo da atividade Analise acao ODPV3SA Apresentação A Odontoprev é uma operadora de planos odontológicos sendo líder no ramo na América Latina e seu IPO foi aberto em 1 de dezembro de 2006 sendo uma ação ordinário na sigla ODPV3SA A sede da empresa está em Alphaville no estado de São Paulo A empresa conta com mais de 8 milhoes de beneficiários e aproximadamente 26 mil credenciados Além disso conta com mais 60 mil acionistas sendo desde 2010 o banco Bradesco fez uma incorporação societária e hoje detem mais de 52 das ações Preparando os dados Obs Para realizar um estudo melhor e entender o antes e o depois da pandemia sobre as ações da Odontoprev decidiuse trabalhar com 3000 cotações rmlistls installpackagesyfR trying URL httpscranrstudiocombinmacosxbigsurarm64contrib43yfR110tgz Content type applicationxgzip length 270780 bytes 264 KB downloaded 264 KB The downloaded binary packages are in varfolderswvj8bk35g52xz0yd3b0484kxyh0000gnTRtmpsnlDYYdownloadedpackages installpackagesscalesse der erro ao rodar os dados trying URL httpscranrstudiocombinmacosxbigsurarm64contrib43scales130tgz Content type applicationxgzip length 706986 bytes 690 KB downloaded 690 KB The downloaded binary packages are in varfolderswvj8bk35g52xz0yd3b0484kxyh0000gnTRtmpsnlDYYdownloadedpackages libraryyfR libraryscales Final asDate20231025 init Final30000 Pelo menos 1500 cotações dadosodpvyfget tickersODPV3SA COLOCAR O CODIGO DO YAHHOO FINANCE DA COMPANHIA ESCOLHIDA E ADICIONAR SA firstdateinit lastdateFinal threshbaddata099Filtro para dias sem dados 99 no trabalho benchtickerBVSP Indice Bovespa typereturnlog freqdatadaily howtoaggregatelast docompletedataFALSE docacheFALSE doparallelFALSE bequietFALSE Running yfR for 1 stocks 20190916 20231025 1500 days ℹ Downloading data for benchmark ticker BVSP ℹ 11 Fetching data for ODPV3SA got 1021 valid rows 20190916 20231024 got 100 of valid prices Nice ℹ Binding price data Diagnostics Returned dataframe with 1021 rows Nice ℹ Out of 1 requested tickers you got 1 100 islistdadosodpv 1 TRUE namesdadosodpv 1 ticker refdate priceopen pricehigh 5 pricelow priceclose volume priceadjusted 9 retadjustedprices retclosingprices cumretadjustedprices headdadosodpv A tibble 6 11 ticker refdate priceopen pricehigh pricelow priceclose volume priceadjusted chr date dbl dbl dbl dbl dbl dbl 1 ODPV3SA 20150810 107 109 106 109 1674500 850 2 ODPV3SA 20150811 108 109 102 104 1954300 816 3 ODPV3SA 20150812 103 105 101 103 3437800 807 4 ODPV3SA 20150813 103 105 102 103 2148400 805 5 ODPV3SA 20150814 104 104 101 101 1023600 790 6 ODPV3SA 20150817 102 104 100 103 1386300 804 ℹ 3 more variables retadjustedprices dbl retclosingprices dbl cumretadjustedprices dbl dadosodpvasdataframedadosodpv headdadosodpv ticker refdate priceopen pricehigh pricelow priceclose volume 1 ODPV3SA 20150810 1070 1089 1063 1089 1674500 2 ODPV3SA 20150811 1077 1089 1025 1045 1954300 3 ODPV3SA 20150812 1031 1053 1012 1034 3437800 4 ODPV3SA 20150813 1034 1049 1024 1031 2148400 5 ODPV3SA 20150814 1040 1042 1012 1012 1023600 6 ODPV3SA 20150817 1018 1041 1002 1030 1386300 priceadjusted retadjustedprices retclosingprices cumretadjustedprices 1 8503764 NA NA 10000000 2 8160174 0041243369 0041243008 09587566 3 8074282 0010581627 0010582076 09481750 4 8050854 0002905772 0002905545 09452692 5 7902487 0018600644 0018600686 09266686 6 8043043 0017630016 0017630261 09442986 taildadosodpv ticker refdate priceopen pricehigh pricelow priceclose volume 2038 ODPV3SA 20231017 1065 1074 1052 1058 787900 2039 ODPV3SA 20231018 1053 1058 1028 1048 1682100 2040 ODPV3SA 20231019 1046 1067 1028 1038 1919900 2041 ODPV3SA 20231020 1041 1071 1026 1071 952700 2042 ODPV3SA 20231023 1056 1108 1053 1104 803300 2043 ODPV3SA 20231024 1110 1131 1093 1121 1139300 priceadjusted retadjustedprices retclosingprices cumretadjustedprices 2038 1058 0011278304 0011278304 1218457 2039 1048 0009496784 0009496784 1208960 2040 1038 0009587746 0009587746 1199372 2041 1071 0031296999 0031296999 1230669 2042 1104 0030347149 0030347149 1261016 2043 1121 0015281203 0015281203 1276297 Extraio os preços priceodpvdadosodpvpriceclose dateprice dadosodpvrefdate headpriceodpv 1 1089 1045 1034 1031 1012 1030 tailpriceodpv 1 1058 1048 1038 1071 1104 1121 datepricedadosodpvrefdate headdateprice 1 20150810 20150811 20150812 20150813 20150814 20150817 taildateprice 1 20231017 20231018 20231019 20231020 20231023 20231024 whichisnapriceodpvT integer0 plotpriceodpvdatepriceylabCotação xlabmainCotação odpvtypel retodpvdadosodpvretclosingprices Criação dos retornos retodpvdifflogpriceodpv dateretdadosodpvrefdate2lengthdateprice plotretodpvdateretylablog retorno xlabDatamainlog retorno odpvtypel Histograma da função densidade de probabilidade Kroundlengthnaomitretodpv05 K 1 45 histretodpvbreaks K probTRUE xlablogretornos ylabdensidade ylim c025 colpurple main Curva normal e histograma dos logretornos de odpv curvednormxmeanmeannaomitretodpv sdsdnaomitretodpv col2 lty2 lwd2 addTRUE QQplot normal dos log retornos qqnormretodpvmainQQ Plot normal dos logretornos de odpvxlabQuantis teóricos ylabQuantis da amostraplotit TRUE datax FALSE qqlineretodpv dataxFALSEdistribution qnorm qtype 7 Análise de estacionariedade a Apresente o gráfico da série atualizada de Pt Com base no gráfico da função de autocorrelação FAC analise se a série Pt é ou não estacionária acfxpriceodpv lagmax 30 plot TRUE mainACF cotacoes odpv xlab h ylab Considerando a ACF das cotações da ação ODPV3 não convergem a zero então esta segue um processo não estacionário pois existe correlação no histórico de cotações b Apresente o gráfico da série atualizada de rt Com base no gráfico da função da autocorrelação FAC analise se a série rt é ou não estacionária acfxnaomitretodpv lagmax 30 plot TRUE mainACF log ret odpv xlab h ylab O retorno segue um processo estacionário já que a autocorrelação cai para zero c Com base na análise dos gráficos de autocorrelação FAC é possível afirmar que o processo Pt é integrado em qual ordem Qual o valor de d para a expressão PtId Como a série Pt não é estacionaria então temos que é integrado na primeira ordem Portanto d1 PtI1 d Com base na análise do gráfico de autocorrelação FAC é possível afirmar que o processo rt é integrado em qual ordem Qual o valor de d para a expressão rtId Com base na FAC dos retornos da acao ODPV3por ser um processo estacionários é considerado um processo de integrado de ordem 0 Portanto d 0 para expressão PtI0 e Com base na análise do gráfico de autocorrelação FAC dos quadrados dos logs retornos r t 2 o que é possível afirmar sobre o processo rt Considerando a FAC dos retornos ao quadrado existe heterocedasticidade condicional já que o gráfico vai para zero mas apresenta autocorrelações significativa em vários lags 3 Aplicação de um modelo GARCHmn e Cálculo do Valor em Risco VaR a Com uma subamostra de logretornos da ação escolhida até a data de 28092023 e assumindo a hipótese que rtGARCHm n com distribuição tStudent assimétrica estime com o uso do pacote fGarch do R modelos GARCHm ncom diversas combinações de m n tal que 11 21 12 Apresente escolhendo a combinação m n que minimize o BIC e passe pelos testes dos resíduos padronizados e dos quadrados dos resíduos padronizados Foi criado através do R a subamostra até a data 2809 com o nome subretodpv Comparando testes de modelo GARCH através do BIC fit1garchFitformula arma00garch11datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit1 bic1fit1fitics2 fit2garchFitformula arma00garch21datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit2 bic2fit2fitics2 fit3garchFitformula arma00garch12datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit3 bic3fit3fitics2 fit4garchFitformula arma00garch22datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit4 bic4fit4fitics2 fit5garchFitformula arma00garch13datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit5 bic5fit5fitics2 fit6garchFitformula arma00garch23datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit6 bic6fit6fitics2 fit7garchFitformula arma00garch32datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit7 bic7fit7fitics2 fit8garchFitformula arma00garch33datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit8 bic8fit8fitics2 fit9garchFitformula arma00garch14datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit9 bic9fit9fitics2 fit10garchFitformula arma00garch24datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit10 bic10fit10fitics2 fit11garchFitformula arma00garch34datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit11 bic11fit11fitics2 fit12garchFitformula arma00garch44datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit12 bic12fit12fitics2 fit13garchFitformula arma00garch41datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit13 bic13fit13fitics2 fit14garchFitformula arma00garch42datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit14 bic14fit14fitics2 fit15garchFitformula arma00garch43datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit15 bic15fit15fitics2 fit16garchFitformula arma00garch15datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit16 bic16fit16fitics2 fit17garchFitformula arma00garch25datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit17 bic17fit17fitics2 fit18garchFitformula arma00garch35datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit18 bic18fit18fitics2 fit19garchFitformula arma00garch45datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit19 bic19fit19fitics2 fit20garchFitformula arma00garch55datanaomitsubretodpvconddistsstdtraceFALSE includemeanFALSE leverageFALSE algorithmnlminb includedeltaFALSE includeshapeTRUE includeskewTRUE summaryfit20 bic20fit20fitics2 BICcbindbic1bic2bic3bic4bic5bic6bic7bic8bic9bic10bic12bic13bic14bic15bic16bic17bic18bic19bic20 BIC bic1 bic2 bic3 bic4 bic5 bic6 bic7 bic8 BIC 501732 5013798 5018565 5014832 5015178 5011446 501107 5007713 bic9 bic10 bic12 bic13 bic14 bic15 bic16 bic17 BIC 5015056 5011324 5003859 5009208 5007382 5004026 5013287 5009842 bic18 bic19 bic20 BIC 5006416 5002684 4998951 BICidealminBIC BICideal 1 5018565 O BIC melhor bic é a combinação de rtGARCH1 2 Testes dos Resíduos Padronizados summaryfit3 Title GARCH Modelling Call garchFitformula arma0 0 garch1 2 data naomitsubretodpv conddist sstd includemean FALSE includedelta FALSE includeskew FALSE includeshape FALSE leverage FALSE trace FALSE algorithm nlminb Mean and Variance Equation data arma0 0 garch1 2 environment 0x161fe1a98 data naomitsubretodpv Conditional Distribution sstd Coefficients omega alpha1 beta1 beta2 000012221 019264160 023060778 035805122 Std Errors based on Hessian Error Analysis Estimate Std Error t value Prt omega 1222e04 5097e05 2398 0016496 alpha1 1926e01 5401e02 3567 0000362 beta1 2306e01 1430e01 1612 0106913 beta2 3581e01 1623e01 2207 0027333 Signif codes 0 0001 001 005 01 1 Log Likelihood 5139198 normalized 2516747 Description Mon Dec 4 153328 2023 by user Standardised Residuals Tests Statistic pValue JarqueBera Test R Chi2 510147704 0000000000 ShapiroWilk Test R W 0978746 0000000000 LjungBox Test R Q10 23368035 0009466661 LjungBox Test R Q15 24765991 0053175756 LjungBox Test R Q20 27114278 0132079379 LjungBox Test R2 Q10 7381331 0689020812 LjungBox Test R2 Q15 11465351 0718963233 LjungBox Test R2 Q20 17805040 0600249525 LM Arch Test R TR2 8760021 0723279659 Information Criterion Statistics AIC BIC SIC HQIC 5029577 5018565 5029585 5025538 No teste das 20 primeiras autocorrelações dos resíduos padronizados a 27114278 para um pvalor 0132079379 005 por tanto não rejeitamos a hipótese nula onde todos os resíduos são iguais a 0Portanto a média esta bem ajustada ao modelo No teste das 20 primeiras autocorrelações dos resíduos ao quadrado padronizados a 17805040 para um pvalor 0600249525005 por tanto não rejeitamos a hipótese nula onde todos os resíduos são iguais a 0 Portanto a variância está bem ajustada ao modelo b Apresente a equação para o modelo utilizado identificando as estimativas para os parâmetros do modelo inclusive as estimativas dos parâmetros de forma e assimetria da distribuição utilizada rt h t ε t r t ϖ α r t1 2 β h t h t ϖ 011795513 r t1 2 064338987 h t r t 000012221 011795513 r t1 2 064338987 h t ε t Como o JarqueBera Test indica que os dados não seguem uma distribuição normal já que por pvalor ser igual a zero rejeitase a hipótese nula de normalidade Portanto assumese assimetria de dados Além disso o critério da estacionariedade é cumprido já que α β 1 c Apresente uma análise detalhada da análise dos resíduos padronizados e dos quadrados dos resíduos padronizados do modelo escolhido justificando corretamente se o modelo está adequado para previsões skew3fit3fitparskew shape3fit3fitparshape skew3 skew 09688392 shape3 shape 5545419 sigma3fit3sigmat resid3 fit3residuals residpadr3 resid3sigmafit3 kroundlengthnaomitresidpadr305 Para o modelo estar ajustado a previsão os resíduos padronizados precisam ser um ruído branco Por tanto para um ruido branco precisamos de média zero variância constante sem autocorrelação Segue os gráficos de analise dos resíduos padronizados meannaomitresidpadr3 1 0001641476 Notase que as autocorrelações de ACF E PACF tendem a zero ou seja os residuos padronizados não apresentam correlação e a média destes retornos é próxima de zero Além disso o desvio padrão é constante Podemos afirmar que a série rt é um ruído branco d Apresente o pquantil para p001 da distribuição tStudent assimétrica sobre o ruído branco Construa um histograma dos resíduos padronizados e ajuste a curva da função densidade de probabilidade dessa distribuição sobre o histograma gerado Calcule o número de vezes e o percentual de vezes em que os resíduos padronizados foram menores que o pquantil para p001 Teça comentários analíticos sobre os resultados encontrados quantil unicaudal da sstd inferior q01fit3 qsstdp001 nu shape3 xi skew3 q01fit3 skew 2638556 histresidpadr3 breaksK probTRUE xlabresiduos padronizados ylabDensidade colblue xlimc66 ylimc006 mainresid Padr GARCH 12 de odpv curvedsstdxmean 0 sd 1 nu shape3 xi skew3 log FALSE col red lty 2 lwd 2 add TRUE length which residpadr3q01fit3lengthresid3100 1 1028404 O quantil de 1 sob esse ruído branco é de 2638556 ou seja aproximadamente 99 dos dados estiveram acima deste valor Os resíduos padronizados estavam abaixo deste quartil 1028404 das vezes Isso significa que os resíduos padronizados em que o estimado foi menor que o observado abaixo de 2638556 são baixos e Apresente um gráfico com os logretornos e o ajustamento do limite inferior do intervalo de confiança com probabilidade de 99 considerando a variância condicional extraída do modelo GARCHmn escolhido LIfitsigma3q01fit3 LSfitsigma3q99fit3 Error in devon could not find function devon plotsubretodpvasDatesubdateretformatdmYxaxtnylimc0403xlabylab mainLogRetorno ODPV typel linesLIfitasDatedateretformatdmYcolred linesLSfitasDatedateretformatdmYcolred linesLSfitasDatedateretformatdmYcolpurple Previsão f Calcule o VaRth dos logretornos da ação escolhida com probabilidade de 99 para o horizonte de 1 2 até 20 dias h 1 2 20 e apresente esses valores em uma tabela ao lado das 20 observações dos logretornos acumulados out of sample rth após 28092023 de modo que t28092023 e h 1 2 20 Como já estávamos trabalhando com uma base até dia 28092023 só é necessário realizar a previsão subdataodpvyfget tickersODPV3SA firstdateinit lastdate20230928 threshbaddata099Filtro para dias sem dados 99 no trabalho benchtickerBVSP typereturnlog freqdatadaily howtoaggregatelast docompletedataFALSE docacheFALSE doparallelFALSE bequietFALSE Segue previsão previ1predictfit3nahead20 plotFALSE previ1 meanForecast meanError standardDeviation 1 0 002063848 002063848 2 0 002121492 002121492 3 0 002094738 002094738 4 0 002104350 002104350 5 0 002098671 002098671 6 0 002099799 002099799 7 0 002098231 002098231 8 0 002098000 002098000 9 0 002097348 002097348 10 0 002097002 002097002 11 0 002096631 002096631 12 0 002096358 002096358 13 0 002096116 002096116 14 0 002095921 002095921 15 0 002095756 002095756 16 0 002095620 002095620 17 0 002095506 002095506 18 0 002095412 002095412 19 0 002095333 002095333 20 0 002095268 002095268 De acordo com Maluf Asano 2019 Os erros condicionais são e t k V t k Os errospadrão das previsões acumulados são e t k h t k A VaR dos logretornos VaRkCq p e t k Criase uma sequencia que faz individualmente o calculo do VAR da previsão de 1 até 20 dias VaRh seq120 for h in 120 prev predictfit3 nahead h eph prevmeanError epacumh sqrtsumeph2 VaRhh q01fit3epacumh dataframeVaRh VaRh 1 005445578 2 007809500 3 009567493 4 011061942 5 012370531 6 013554574 7 014641622 8 015653145 9 016602582 10 017500299 11 018353864 12 019169253 13 019951167 14 020703435 15 021429199 16 022131085 17 022811312 18 023471776 19 024114109 20 024739732 g Construa uma variável dummy diária para o período out of sample indicando se o retorno acumulado no dia t h observado violou o VaR estimado para o dia t h e em seguida calcule o percentual de violações do VaR estimado com base nessa variável dummy Apresente os valores para variável dummy na mesma tabela dos valores do item f Final2 init230 Foi utilizado 30 dias por que gera um total de 20 dias uteis init2 asDate20230927 dadosodpvpyfget tickersODPV3SA COLOCAR O CODIGO DO YAHHOO FINANCE DA COMPANHIA ESCOLHIDA E ADICIONAR SA firstdateinit2 lastdateFinal2 threshbaddata099Filtro para dias sem dados 99 no trabalho benchtickerBVSP Indice Bovespa typereturnlog freqdatadaily howtoaggregatelast docompletedataFALSE docacheFALSE doparallelFALSE bequietFALSE Running yfR for 1 stocks 20230927 20231027 30 days ℹ Downloading data for benchmark ticker BVSP ℹ 11 Fetching data for ODPV3SA got 21 valid rows 20230927 20231026 got 100 of valid prices Nice ℹ Binding price data Diagnostics Returned dataframe with 21 rows Good job Caroline ℹ Out of 1 requested tickers you got 1 100 dadosodpvpretclosingprices 1 NA 00364355476 00009177858 00091407791 00192932069 00065146527 7 00111421659 00309447968 00169976049 00322459469 00109390232 00082835406 13 00111525216 00112783044 00094967840 00095877465 00312969993 00303471494 19 00152812031 00568960665 00037842960 retacumcumsum naomitdadosodpvpretclosingprices retacum 1 00364355476 00355177618 00446585409 00253653340 00188506814 00299928473 7 00009519495 00160456554 00482916024 00373525792 00290690385 00179165170 13 00066382126 00028585715 00124463179 00188506814 00491978307 00644790338 19 00075829674 00037986713 VaRh 1 005445578 007809500 009567493 011061942 012370531 013554574 014641622 8 015653145 016602582 017500299 018353864 019169253 019951167 020703435 15 021429199 022131085 022811312 023471776 024114109 024739732 dummy seq120 for h in 1lengthretacum if VaRhh retacumh dummyh ch0 if VaRhh retacumh dummyh ch01 dummy 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 lengthdummy 1 20 compvarret cbind VaRh retacum dummy compvarret VaRh retacum dummy 1 005445578 00364355476 0 2 007809500 00355177618 0 3 009567493 00446585409 0 4 011061942 00253653340 0 5 012370531 00188506814 0 6 013554574 00299928473 0 7 014641622 00009519495 0 8 015653145 00160456554 0 9 016602582 00482916024 0 10 017500299 00373525792 0 11 018353864 00290690385 0 12 019169253 00179165170 0 13 019951167 00066382126 0 14 020703435 00028585715 0 15 021429199 00124463179 0 16 022131085 00188506814 0 17 022811312 00491978307 0 18 023471776 00644790338 0 19 024114109 00075829674 0 20 024739732 00037986713 0 OBS O retorno acumulado é o valor que foi retornado pela amostra analisada e o VAR é o valor calculado pela amostra out of sample h Construa um gráfico com a projeção do VaR de 1 a 20 dias sobre as 20 observações dos retornos acumulados out of sample após 28092023 retacum plotretacumylimc0303typep xlab Dias ylabLogRetornos acumulados main Logretornos acumulados ODPV 20 dias frente x VaR de 20 diaS linesVaRhfit colblue i Teça comentários analíticos sobre os resultados encontrados Ao analisar a previsão de 20 dias estimada podemos observar a cada 1 real gasto a perda máxima de 005 centavos para um dia e seguindo para 017 após 10 dias e 024 após 20 dias dado que a confiabilidade é de 99 Foi observado que os valores do retorno acumulado eram sempre menores que os Var como a probabilidade de valores estimados acima do VAR era de 1 por tanto o valor não se aproxima da probabilidade estimada Isso significa que o modelo esta bom para a gestão de riscos no entanto não é perfeito e necessita de uma observação constante 4 Conclusões Através deste estudo foi possível analisar a ação ordinária da ODPV3SA de um modo estatístico com o objetivo compreender o compartamento da ação Foi definido um modelo GARCH12 por meio do BIC que mais se ajustava aos dados observado para auxiliar na analise de dados já que o modelo é ideal para lidar com a volatilidade da base e a heteroscedasticidade condicional Com isso foi estimado a valor em risco a partir da previsão outofsample que apresenta um modelo de confiabilidade de 99mas os dados observados não apresentam retornos acumulados maiores do que o valor de risco estimado Isto não significa que o modelo é perfeito mas mostra que o Valor de risco calculado está bem ajustado para ação ODPV3SA Entretanto exigi é necessária uma revisão constante dos cálculos e dos valores observados de retornos e VAR desta ação para garantir valores com maiores acurácia 5 Referências Bibliográficas Boshnakov GN Putman C 2023 rbibutils Read Bibtex Files and Convert Between Bibliography Formats R package version 2216 httpsCRANRprojectorgpackagerbibutils Maluf L A F F 2023 Seleção de aplicações em renda variável por meio de programação linear multiobjetivo usando Garch univariado para o Valor em Risco VaR CONTRIBUCIONES A LAS CIENCIAS SOCIALES 169 1601716032 httpsdoiorg1055905revconv16n9133 Maluf L A F F e Asano J T 2019 Comparison of VaR Models to th Brazilian Stock Market Under the Hypothesis of Serial Independence in Higher Orders Are Garch Models Really Indispensable Brazilian Business Review 166 626645 2019 Disponível em httpsdoiorg1015728bbr20191666 MORETIN Pedro A Econometria financeira Um curso em series temporais financeira 2 ed Sao Paulo Blucher 2017 Perlin M 2022 BatchGetSymbols Downloads and Organizes Financial Data for MultipleTickers R package version 264 Perlin M 2023 yfR Downloads and Organizes Financial Data from Yahoo Finance R package version 110 httpsgithubcomropensciyfR Wickham H Pedersen T Seidel D 2023 scales Scale Functions for Visualization R package version 130 httpsCRANRprojectorgpackagescales Wuertz D Setz T Chalabi Y 2022 fBasics Rmetrics Markets and Basic Statistics R package version 402193 httpsCRANRprojectorgpackagefBasics Wuertz D Chalabi Y Setz T Maechler M Boshnakov GN 2023 fGarch Rmetrics Autoregressive Conditional Heteroskedastic Modelling R package version 403190 httpsCRANRprojectorgpackagefGarch