Técnicas de Big Data e Projeção de Risco de Mercado utilizando Dados em Alta Frequência

Alcides Carlos Araújo, Alessandra de Ávila Montini

Abstract


De acordo com White (2012), o mundo passa por um período denominado de “Era dos Dados”, em que o “universo digital” poderá ter um tamanho de 44 zetabytes em 2020. Um dos fatores para o crescimento do número de dados são as operações em alta frequência em bolsas de valores, estas cresceram significativamente nos últimos anos. Neste contexto, torna-se difícil mensurar a volatilidade durante o dia devido à quantidade de negociações em tempo real. Neste caso, deve-se calcular adequadamente as medidas de volatilidade para que realmente o risco seja percebido pelo operador. O objetivo deste artigo é apresentar uma metodologia para obter a volatilidade futura a partir da extração dos dados e do cálculo da volatilidade por meio de técnicas de Big Data. Para atender o objetivo foram analisadas todas as ações existentes no banco de dados da BOVESPA. Neste artigo, foram selecionadas as 10 ações mais negociadas no período entre os anos de 2012 a 2014 para apresentação dos resultados. Na primeira fase, desenvolveram-se as funções para tratamento dos dados e estimação das medidas de risco utilizando-se da linguagem de programação Python. Na segunda fase utilizou-se o Apache Hadoop e o MapReduce (com o Hadoop Streaming) para o cálculo distribuído da estimação do modelo de volatilidade. Para estimar a Volatilidade Percebida foram utilizadas séries de preços ponderados pelo volume no intervalo de 5 minutos. Como método de projeção foi utilizado o modelo HAR-RV, proposto em Corsi (2003). Como resultados, foram desenvolvidas implementações em Python para estimação da Volatilidade Percebida e implementações em Apache Hadoop e MapReduce (com o Hadoop Streaming) para projeção da Volatilidade. Os resultados das estimativas e projeções ocorreram conforme esperado pela literatura.


Keywords


Big Data; Dados em Alta Frequência; Volatilidade Percebida



DOI: https://doi.org/10.24023/FutureJournal/2175-5825/2016.v8i3.219

Article Metrics

Metrics Loading ...

Metrics powered by PLOS ALM




Copyright (c) 2016 Future Studies Research Journal: Trends and Strategies

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Future Stud. Res. J. e-ISSN: 2175-5825

Mailing Address: Avenida das Nações Unidas, 7221 - CEP 05425-070 - Pinheiros - São Paulo/SP - Brasil

Licença Creative Commons
Este obra está licenciado com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.