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

Resumo

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.