Neste artigo, apresentamos uma breve descrição dos modelos ARCH, GARCH e EGARCH. Normalmente, as estimativas dos parâmetros desses modelos são obtidos através de métodos de máxima verossimilhança. Considerando-se novos processos metodológicos para modelar as volatilidades das séries temporais, precisamos usar outra abordagem de inferência para obter estimativas para os parâmetros dos modelos, uma vez que podemos ter grandes dificuldades para obter as estimativas de máxima verossimilhança, devido à complexidade da função de verossimilhança. Desta forma, obtemos as inferências para as volatilidades das séries temporais sob uma abordagem bayesiana, especialmente com o uso de algoritmos populares de simulação como o método de Monte Carlo em Cadeias de Markov (MCCM). Como uma aplicação para ilustrar a metodologia proposta, analisamos uma série temporal financeira da empresa Gillette variando de janeiro de 1999 à maio de 2003.

In this paper, we present a brief description of ARCH, GARCH and EGARCH models. Usually, their parameter estimates are obtained using maximum likelihood methods. Considering new methodological processes to model the volatilities of time series, we need to use other inference approach to get estimates for the parameters of the models, since we can encouter great difficulties in obtaining the maximum likelihood estimates due to the complexity of the likelihood function. In this way, we obtain the inferences for the volatilities of time series under a Bayesian approach, especially using popular simulation algorithms such as the Markov Chain Monte Carlo (MCMC) methods. As an application to illustrate the proposed methodology, we analyze a financial time series of the Gillette Company ranging from January, 1999 to May, 2003.

En este artículo se presenta una breve descripción de modelos GARCH multivariados y se realizan inferencias de la volatilidad de series de tiempo usando un enfoque Bayesiano, utilizando algoritmos de simulación de Monte Carlo (MCMC). Como una aplicación para ilustrar la metodología propuesta, se analizan los logretornos de IBOVESPA y Dow Jones Industrial en una base semanal de 04/27/1993 para 11/03/2008.

In this paper, we present a brief description of multivariate GARCH models. Usually, their parameter estimates are obtained using maximum likelihood methods. Considering new methodological processes to model the volatilities of time series, we need to use another inference approach to get estimates for the parameters of the models, since we can have great difficulties to obtain the maximum likelihood estimates due to the complexity of the likelihood function. In this way, we obtain the inferences for the volatilities of time series under a Bayesian approach, especially using popular simulation algorithms as the Markov Chain Monte Carlo (MCMC) methods. As an application to illustrate the proposed methodology, we analyze log-returns of IBOVESPA and Dow Jones Industrial in a weekly basis from 04/27/1993 to 11/03/2008.

Dans cet article on présente une brève description des modèles GARCH multivariés et on fait d'analyse d'inférence sur la volatilité des séries temporelles en utilisant une approche bayésienne et des algorithmes de simulation de Monte Carlo (MCMC). Comme application pour illustrer la méthodologie proposée, on étudie des log-rendements d'IBOVESPA et du Dow Jones Industriel sur une base hebdomadaire entre 27/04/1993 et 03/11/2008.

Neste artigo apresentamos uma análise Bayesiana para o modelo de volatilidade estocástica (SV) e uma forma generalizada deste, cujo objetivo é estimar a volatilidade de séries temporais financeiras. Considerando alguns casos especiais dos modelos SV usamos algoritmos de Monte Carlo em Cadeias de Markov e o software WinBugs para obter sumários a posteriori para as diferentes formas de modelos SV. Introduzimos algumas técnicas Bayesianas de discriminação para a escolha do melhor modelo a ser usado para estimar as volatilidades e fazer previsões de séries financeiras. Um exemplo empírico de aplicação da metodologia é introduzido com a série financeira do IBOVESPA.

In this paper, we present a Bayesian analysis for stochastic volatility models (SV) and a generalized form of this model, with the aim to estimate the volatilities of financial time series. Considering same special cases of the SV models, we use Markov Chain Monte Carlo methods and the software WinBugs to get the posterior summaries of interest for the different forms of SV models. We also introduce some Bayesian discrimination methods to choose the best model to be used to estimate the volatilities and to get predictions of the financial time series. An example of application is introduced with the Brazilian financial series IBOVESPA.

Este artigo tem seu foco no efeito da privatização sobre as empresas privatizadas no Brasil. A amostra é extensiva incluindo todas as empresas do setor produtivo privatizadas desde 1991, para as quais foi possível encontrar demonstrações financeiras. Examinamos um conjunto de 15 indicadores de desempenho. Por meio de uma análise de dados em painel, foi possível capturar os efeitos da privatização sobre o desempenho das empresas privatizadas, controlando efeitos importantes como flutuações macroeconômicas, regulação, listagem em bolsa, atuação em setores tradable, participação minoritária do governo no bloco de controle e reestruturação anterior à privatização. Detectamos um aumento na lucratividade e na eficiência operacional destas empresas. A perda do suporte financeiro do estado também implica um ajuste financeiro por meio do aumento da liquidez corrente e redução do endividamento de longo prazo. Os efeitos sobre investimento, produção e pagamento de dividendos e impostos são menos claros.

This article focuses on the effect of privatization on the performance of privatized enterprises in Brazil. Our sample is the most extensive possible, including all privatized companies of the productive industry since 1991 for which financial statements were available. 15 indicators of performance were examined. Through panel data analysis it was possible to capture the effects of privatization on firm's performance, controlling for important effects such as macroeconomic fluctuation, regulation, public listing, insertion in a tradable sector, minority governmental participation in the control, and merger or split before privatization. We found an increase in profitability and operational efficiency. The loss of governmental backing causes a financial restructuring through increase in current liquidity and reduction in long term indebtedness. The effects on investment, production, and payment of dividends and taxes are unclear.