Teste ARCH-LM: como detectar agrupamento de volatilidade em resíduos financeiros

O teste examina se o tamanho dos choques passados traz informação sobre a dispersão atual dos resíduos. Mais especificamente, testa em conjunto se os quadrados dos resíduos defasados até a ordem q escolhida têm poder explicativo. É um diagnóstico específico de possível dependência na variância condicional.

Ele não diz se o retorno vai subir ou cair, não identifica a causa da dependência e não prova que determinado modelo GARCH esteja correto. Um resultado significativo não é um sinal de trading. O trabalho original de Robert Engle apresenta o teste para heterocedasticidade condicional: Autoregressive Conditional Heteroscedasticity e sua aula Nobel.

Estime primeiro uma equação de média coerente com a definição do retorno, a frequência dos dados e a pergunta da análise. Pode ser uma regressão OLS simples ou uma especificação temporal justificada. Depois, use as inovações ou os resíduos estimados eₜ e confira se a dinâmica da média foi capturada de forma razoável.

Autocorrelação, tendência ou outra dinâmica de média omitida pode deixar padrões nos resíduos que parecem dependência de variância. Por isso, o teste ARCH-LM não substitui a verificação da equação de média. O guia de coeficientes e pressupostos de OLS aborda a regressão de média; o de erros-padrão robustos trata da inferência com heterocedasticidade e correlação serial.

Regresse os resíduos ao quadrado sobre uma constante e seus q quadrados defasados:

e_t^2 = a_0 + a_1 e_{t-1}^2 + ... + a_q e_{t-q}^2 + v_t

A hipótese nula é H₀: a₁ = ... = a_q = 0. Sob condições assintóticas usuais, a estatística LM = M × R² é aproximadamente qui-quadrado com q graus de liberdade. M é o número de linhas realmente utilizáveis nessa regressão auxiliar depois do alinhamento das defasagens; pode ser menor que o tamanho original da amostra.

Escolha q antes de executar o teste. A estatística mede a evidência conjunta fornecida por esses q quadrados defasados, não o tamanho de um efeito econômico. Engle descreve essa construção LM em seu artigo de 1982.

Suponha q = 5, M = 300 linhas utilizáveis após o alinhamento das defasagens e R² = 0,018 na regressão auxiliar. Então LM = M × R² = 300 × 0,018 = 5,4. O valor crítico de 5% da distribuição qui-quadrado com cinco graus de liberdade é aproximadamente 11,07.

Como 5,4 é menor que 11,07, não rejeitamos H₀ ao nível de 5% neste exemplo totalmente hipotético. Isso não prova variância constante: amostra curta, baixa potência ou uma escolha inadequada de q podem ocultar padrões relevantes. Os números não são uma previsão nem descrevem um mercado real.

Um q pequeno enfatiza defasagens curtas; um q maior pode captar dependências mais longas, mas consome mais graus de liberdade e deixa menos linhas após o alinhamento. Escolha q considerando a frequência, a pergunta teórica e o tamanho disponível da amostra, não buscando depois o valor p mais favorável.

Informe uma ordem principal justificada de antemão e, se útil, uma análise de sensibilidade limitada a outros valores plausíveis de q. Testar muitas ordens e divulgar apenas a significativa aumenta o risco de testes múltiplos. O resultado também depende da equação de média e do tratamento de observações extremas.

Ao elevar resíduos ao quadrado, uma única observação muito grande pode ter peso expressivo. Quebras estruturais, mudanças de regime, caudas pesadas ou dinâmica de média omitida também podem criar dependência nos resíduos ao quadrado. Um resultado significativo não distingue essas explicações.

Antes de interpretar a dinâmica de variância, confira timestamps, qualidade dos dados, sequência de resíduos e equação de média. Em amostras pequenas, a aproximação assintótica qui-quadrado pode ser imprecisa. Informe tamanho da amostra, q, M, estatística, valor p e pressupostos, em vez de resumir como “há ARCH”.

O teste de McLeod-Li examina autocorrelações dos resíduos ao quadrado e é um diagnóstico relacionado de dependência não linear. O artigo original de McLeod e Li descreve essa abordagem. Nenhum dos dois testes prova previsibilidade ou identifica a causa do padrão.

ARCH-LM também não substitui erros-padrão robustos: o teste diagnostica um padrão nos quadrados, enquanto uma matriz de covariância robusta ajusta a incerteza dos coeficientes sob certas condições. Tampouco é um ajuste GARCH. O guia de agrupamento de volatilidade e GARCH explica modelos de variância condicional; ARCH/GARCH é uma possível etapa seguinte, não o que o teste comprova.

Se o diagnóstico sugerir dependência de variância, ARCH ou GARCH pode ser avaliado como modelo candidato. Depois da estimação, verifique de novo resíduos padronizados e seus quadrados, estabilidade dos parâmetros e erros das previsões de variância fora da amostra. Absorver um padrão dentro da amostra não garante previsões confiáveis.

Documente equação de média, frequência dos retornos, q, M, LM, R², valor p, período da amostra, tratamento de outliers e análise de sensibilidade. Separe diagnóstico, escolha do modelo e decisão de trading. ARCH-LM é uma ferramenta estatística, não recomendação financeira nem sinal sobre direção ou rentabilidade de uma operação.