Análise das Ações ITUB4 do Itaú Unibanco SA: Modelos de Séries Temporais

Ações do Itaú Unibanco SA Modelo de Séries Temporais Econometria II Nínive Gláucia Cabral de Sousa 2700006 Introdução Fundado em 1945 pela família Moreira Salles com o nome de Banco Central de Crédito posteriormente Banco Federal de Crédito o Itaú abriu as suas primeiras agências no estado de São Paulo nos municípios de São João da Boa Vista e Campinas Na década de 60 o Banco Federal de Crédito obteve várias aquisições até que em 1964 se fundiu ao banco Itaú SA de Itaú de Minas e a instituição passou a se chamar Banco Federal Itaú SA onde em 1973 passaria a se chamar apenas Banco Itaú SA Introdução O Itaú possui ações ordinárias ITUB3 e preferenciais ITUB4 Esses códigos representam o banco na bolsa de valores brasileira As ações escolhidas para esse trabaçho foram as ações ITUB4 Os investidores que adquirem os papéis da ITUB4 têm preferência na hora de receber os dividendos da empresa porém não têm qualquer participação administrativa da companhia Por se tratar de uma ação de mercado a ITUB4 se enquadra como uma série financeira Um dos tipos de modelos mais importantes para modelar uma série de finanças são os modelos GARCH heteroscedasticidade condicional auto regressiva generalizada Descrição dos Dados Date data da série financeira de 10052018 até 06062023 Open preço de abertura da ação no mercado High maior preço atingido pela ação durante o período Low menor preço atingido pela ação durante o período Close preço de fechamento da ação no mercado Adj Close preço de fechamento ajustado da ação no mercado considerando eventos como dividendos desdobramentos etc Volume volume de negociações da ação durante o período Figura 1 Gráfico do log de retorno para a variável Adj Close A ação está lateralizada sem direção clara Há volatilidade uma vez que temos grandes amplitudes nos log retornos Inclusive variando de positivos para negativos Não há presença de sazonalidade Há dois eventos significativos no começo de 2020 Causado pela pandemia de COVID19 e no final de 2021 causada pela separação com o banco XP Figura 2 Histograma dos logs de retorno da série As caudas da distribuição dos dados são pesadas e a simetria é estendida à esquerda da média Por meio do gráfico da Figura 3 observase o indicativo de caudas pesadas na distribuição dos dados Ou seja os dados se ajustam melhor a uma distribuição tStudent do que a uma distribuição Normal Este fato é comum em séries financeiras Figura 3 Normal QQ Plot Figura 4 Gráfico ACF do log de retorno Figura 5 Gráfico PACF do log de retorno Figura 6 Gráfico ACF do quadrado do log de retorno Figura 7 Gráfico PACF do quadrado do log de retorno As Figuras 4 e 5 indicam que a série é autocorrelacionada e que um modelo autoregressivo é apropriado A Figura 6 apresenta um decaimento mais demorado isso significa que a magnitude das mudanças nos log retornos pode continuar influenciando as mudanças futuras por mais tempo Isso ocorre porque as mudanças na volatilidade dos log retornos podem ser mais persistentes e não diminuem tão rapidamente em relação aos atrasos o que é melhor visualizado na Figura 7 A Figura 7 sugere que as mudanças na volatilidade não são persistentes e que a volatilidade futura não é amplamente influenciada por valores anteriores Modelo ARMA O modelo que melhor se ajustou aos dados da série entre os testados foi o ARMA22 Modelo GARCH Com o problema de autocorrelação corrigido partimos para o modelo GARCH onde vamos modelar os resíduos do modelo ARMA22 Ao aplicar o modelo GARCH com os erros apresentando distribuição t Student aquele que melhor se adequou e que foi o mais parcimonioso foi o GARCH11 Figura 8 Volatilidade do modelo GARCH11 Figura 9 Traceplot dos resíduos do modelo GARCH11 Valores altos ou picos representam alta volatilidade enquanto que valores baixos apresentam baixa volatilidade Dessa forma podemos observar dois picos representando alta volatilidade justamente nas épocas dos acontecimentos importantes como na separação do XP ou seja podemos concluir que a série apresenta alta volatilidade na ocorrência de eventos atípicos e baixa volatilidade nas demais épocas do ano Figura 10 Gráfico da previsão do modelo ajustado ao longo do tempo Portanto com base nas análises concluise que o modelo GARCH11 com os erros tendo distribuição tStudent é capaz de capturar adequadamente os padrões de heteroscedasticidade condicional presentes na série financeira analisada Ele fornece previsões confiáveis para a volatilidade futura e não apresenta problemas significativos de autocorrelação nos resíduos No entanto é sempre importante realizar monitoramento contínuo do desempenho do modelo e considerar ajustes adicionais caso necessário Referências Bibliográficas httpswwwitaucombrrelacoescominvestidoresitauunibanconossahistoria httpswwwmodalmaiscombrblogitauitub4eitub316