Aula 17/10/2018 José Luiz Padilha 17 de outubro de 2018
|
|
- Francisco Martini Amorim
- 5 Há anos
- Visualizações:
Transcrição
1 Modelando a Variância Introdução Aula 17/10/2018 José Luiz Padilha 17 de outubro de 2018 Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, e estávamos interessados em modelos para modelar a média condicional do processo. Usando um processo AR(1) como exemplo, assumimos E(Z t Z t 1, Z t 2,...) = αz t 1, e V ar(z t Z t 1, Z t 2,...) = E(ε 2 t ) = σ 2 ε. Além disso, em muitas situações práticas tem-se interesse em prever a variância condicional da série além da série propriamente dita. Por exemplo, no mercado de ações o interesse é não apenas prever a taxa de retorno mas também a sua variância ao longo de um certo período. Esta variância condicional é também chamada de volatilidade. Modelos como o autorregressivo condicionalmente heterocedástico ou ARCH, foi introduzido por Eagle (1982) para modelar mudanças na volatilidade. Estes modelos foram estendidos para o ARCH generalizado, ou modelo GARCH, por Bollerslev (1986). Algumas referências são Taylor (1986), Franses (1998), e Tsay (2002). Nestes problemas, estamos preocupados em modelar o retorno ou taxa de crescimento de uma série. Por exemplo, se Z t é o valor de um ativo no tempo t, o retorno ou ganho relativo, R t, do ativo no tempo t é R t = Z t Z t 1 Z t 1. Isso implica que Z t = (1 + R t )Z t 1. Se o retorno representa uma mudança percentual pequena então log(z t ) R t. As quantidades log(z t ) ou (Z t Z t 1 )/Z t 1 são ambas chamadas de retorno 1 e denotadas por R t. Muitas séries temporais, no entanto, exibem períodos de grande volatilidade (ou variabilidade) seguidos de períodos de relativa tranquilidade. Este comportamento é típico de séries financeiras de retorno, em que períodos de grande volatilidade tende a estar agrupados. Em outras palavras, há uma forma dependência de súbitas explosões de variabilidade em um retorno no próprio passado da série. Naturalmente, nestes casos, a suposição de variância constante (homocedasticidade) não é apropriada. Exemplo Os gráficos a seguir mostram os logaritmos das taxas de variação (retornos diários) de quatro índices em mercados europeus. O período amostral vai de janeiro de 1991 a dezembro de library(tseries); data(eustockmarkets); plot.ts(diff(log(eustockmarkets)),main="") 1 Se (Z t Z t 1 )/Z t 1 é uma porcentagem pequena, então log(1 + R t) R t 1
2 FTSE CAC SMI DAX Time Uma característica comum nestes retornos é que embora as médias pareçam ser aproximadamente constantes as variâncias mudam ao longo do tempo. Na figura a seguir estão os histogramas com uma curva normal superimposta para os mesmos dados (retornos). par(mfrow=c(2,2)) x1=diff(log(eustockmarkets[,1])) hist(x1, prob=true,main=colnames(eustockmarkets)[1],xlab="",ylim=c(0,50),col="lightblue") curve(dnorm(x, mean=mean(x1), sd=sd(x1)), add=true) # x2=diff(log(eustockmarkets[,2])) hist(x2, prob=true,main=colnames(eustockmarkets)[2],xlab="",ylim=c(0,50),col="lightblue") curve(dnorm(x, mean=mean(x2), sd=sd(x2)), add=true) # x3=diff(log(eustockmarkets[,3])) hist(x3, prob=true,main=colnames(eustockmarkets)[3],xlab="",ylim=c(0,50),col="lightblue") curve(dnorm(x, mean=mean(x3), sd=sd(x3)), add=true) # x4=diff(log(eustockmarkets[,4])) hist(x4, prob=true,main=colnames(eustockmarkets)[4],xlab="",ylim=c(0,50),col="lightblue") curve(dnorm(x, mean=mean(x4), sd=sd(x4)), add=true) 2
3 DAX SMI Density Density CAC FTSE Density Density Pode-se notar que muitos valores aparecem nas caudas das distribuições. Além disso, é comum observarmos bastante autocorrelação entre os retornos ao quadrado. Todas estas características são, em geral, verificadas em séries reais de retornos e devem ser levadas em conta pelo modelo. Modelos ARCH Existem várias formas de especificar como a variância condicional (volatilidade) varia com o tempo. Uma estratégia utilizada para modelar σ 2 t, proposta em Engle (1982), consiste em assumir que ela depende dos quadrados dos erros passados, ε t 1, ε t 2,... através de uma autorregressão. O modelo ARCH mais simples, o ARCH(1), modela o retorno como R t =σ t ε t σ 2 t =α 0 + α 1 R 2 t 1, em que ε t é um ruído branco gaussiano, ou seja, ε t N(0, 1). A suposição de normalidade pode ser relaxada. Assim como nos modelos ARM A, devemos impor algumas restrições nos parâmetros dos modelos a fim de obtermos propriedades desejadas. Uma restrição óbvia é que α 0, α 1 0 pois σ 2 é uma variância. Note que a distribuição condicional de R t dados R t 1 é gaussiana: R t R t 1 N(0, α 0 + α 1 R 2 t 1). Além disso, é possível escrever o modelo ARCH(1) como um modelo AR(1) não gaussiano considerando o quadrado dos retornos R 2 t. Fazendo, R 2 t =σ 2 t ε 2 t α 0 + α 1 R 2 t 1 =σ 2 t, 3
4 e subtraindo as duas equações, obtemos Agora, reescreva esta equação como R 2 t (α 0 + α 1 R 2 t 1) = σ 2 t ε 2 t σ 2 t. R 2 t = α 0 + α 1 R 2 t 1 + ν t, em que ν t = σ 2 t (ε 2 t 1). Como ε 2 t é o quadrado de uma variável aleatória N(0, 1), ε t 1 é uma variável aleatória deslocada (com média zero) e distribuição χ 2 1. Como o modelo ARCH(1) foi reescrito como um AR(1), a função e autocorrelação do processo {R 2 t } é dada por ρ(k) = α k 1 e o correlograma amostral deve apresentar um decaimento exponencial para zero. Para explorar as propriedades de um processo ARCH, defina I t = {r t, r t 1,...}. Da formulação do processo, segue imediatamente que que R t tem média zero: E(R t ) = E [E(R t I t 1 )] = 0. Temos também que Cov(R t, R t+k ) =E(R t R t+k ) = E [E(R t R t+k I t+k 1 )] =E [R t E(R t+k I t+k 1 )] = 0, para k > 0. Se a variância de ν t é finita e constante com relação ao tempo, e 0 α 1 < 1, então E(R 2 t ) e V ar(r 4 t ) devem ser constantes com relação a t. Isto implica que e, após algumas manipulações, V ar(r t ) = E(R 2 t ) = E(R 2 t 1) = α 0 1 α 1 desde que 3α 2 1 < 1. Note que E(R 4 t ) = 3α0 2 1 α1 2 (1 α 1 ) 2 1 3α1 2, V ar(r 2 t ) = E(R 4 t ) [ E(R 2 t ) ] 2, que existe apenas se 0 < α 1 < 1/ 3 0, 577. Além disso, estes resultados implicam que a curtose, κ, de R t é κ = E(R4 t ) [E(Rt 2 )] 2 = 3 1 α α1 2, que nunca é menor que 3, a curtose da distribuição normal. Assim, a distribuição marginal dos retornos R t, é leptocúrtica, ou tem caudas pesadas. Em resumo, se 0 α 1 < 1, o processo R t é um ruído branco e sua distribuição incondicional é simetricamente distribuída em torno de zero; esta distribuição é leptocúrtica. Se, além disso, 3α 2 1 < 1, o quadrado do processo, R t segue um modelo AR(1) estacionário com fac dada por ρ(k) = α k 1 0, para todo k > 0. Em particular, processos ARCH(1) têm caudas mais pesadas do que a distribuição normal e são portanto adequados para modelar séries temporais com esta característica. Séries de retornos frequentemente apresentam caudas mais pesados do que a normal devido ao excesso de curtose. Exemplo Para ilustração a figura a seguir apresenta dois processos ARCH de ordem 1 simulados a partir de uma sequência {v t } de 200 números aleatórios i.i.d. gerados de uma distribuição N(0, 1). A sequência {ε t } foi construída usando α 1 = 1 e α 2 = 0, 8. Note como a sequência {ε t } continua tendo média zero mas parece ter tido um aumento de volatilidade em alguns períodos. Em um modelo AR(1), a forma como esta estrutura nos erros afeta a série original depende do valor do parâmetro autorregressivo e duas possíveis situações são mostradas nos gráficos inferiores da figura. 4
5 v=as.ts(rnorm(501,0,1)) e=v ; y=v; z=v; e[1]=0 ; y[1]=0; for (i in 2:501){ e[i] = v[i]*sqrt( *e[i-1]**2) y[i] = 0.5*y[i-1]+e[i] z[i] = 0.9*z[i-1]+e[i] } par(mfrow=c(2,2)) plot(v,ylim=c(-8.5,11),xlab="",ylab="", main=c("processo aleatório",expression(v~(t)))) plot(e,ylim=c(-8.5,11),xlab='',ylab='', main=expression(epsilon~(t)==v~(t)*~sqrt(1+0.8*~epsilon~(t-1)^2))) plot(y,ylim=c(-7.5,10),xlab='',ylab='', main=expression(z~(t)==0.5*~z~(t-1) + epsilon~(t))) plot(z,ylim=c(-7.5,10),xlab='',ylab='', main=expression(z~(t)==0.9*~z~(t-1) + epsilon~(t))) processo aleatório ε (t) = v (t) ε (t 1) z (t) = 0.5 z (t 1) + ε (t) z (t) = 0.9 z (t 1) + ε (t) A seguir temos o histograma dos valores {ε t } gerados, com uma curva normal superimposta, além do gráfico de probabilidades normais (QQplot normal). Note como há um excesso de valores nas caudas ocorrendo com uma frequência maior do que seria esperado na distribuição normal. par(mfrow=c(1,2)) hist(e, freq=f) d = seq(range(e)[1] - 3 * sd(e), range(e)[2] + 3 * sd(e), 0.001) lines(d, dnorm(d, 0, sd(e))) qqnorm(e);qqline(e) 5
6 Histogram of e Normal Q Q Plot Density Sample Quantiles e Theoretical Quantiles Basicamente neste modelo erros grandes (ou pequenos) em valor absoluto tendem a ser seguidos por erros grandes (ou pequenos) em valor absoluto. Portanto, o modelo é adequado para descrever séries onde a volatilidade ocorre em grupos. Exemplo: Análise dos dados do PIB Voltemos ao exemplo dos dados do PIB norte-americano. Os dados eram trimestrais, compreendendo o primeiro trimestre de 1947 ao terceiro trimestre de 2002, n = 223 observações. Os dados se referem ao PIB real dos EUA em bilhões de dólares (referência ano de 1996) e foram ajustados por sazonalidade. Tínhamos ajustado dois modelos para a taxa de crescimento, um AR(1) e um MA(2), os quais retornaram ajustes similares. Vamos investigar se o termo de erro segue um processo ARCH. O ajuste obtido por um modelo AR(1) é dado por library(astsa) z=diff(log(gnp)) u=sarima(z,1,0,0) initial value iter 2 value iter 3 value iter 4 value iter 4 value iter 4 value final value converged initial value iter 2 value iter 3 value iter 4 value iter 5 value iter 5 value iter 5 value final value converged 6
7 Model: (1,0,0) Standardized Residuals Time ACF of Residuals Normal Q Q Plot of Std Residuals ACF Sample Quantiles LAG Theoretical Quantiles p values for Ljung Box statistic p value lag u$ttable Estimate SE t.value p.value ar xmean A figura a seguir mostra a fac e a facp dos resíduos ao quadrado e parece haver alguma dependência, embora pequena, nos resíduos. acf2(resid(u$fit)^2,20) 7
8 Series: resid(u$fit)^2 ACF LAG PACF ACF PACF [1,] [2,] [3,] [4,] [5,] [6,] [7,] [8,] [9,] [10,] [11,] [12,] [13,] [14,] [15,] [16,] [17,] [18,] [19,] [20,] LAG Vamos usar o pacote fgarch para ajustar um modelo AR(1) ARCH(1) aos retornos. library(fgarch) Loading required package: timedate Loading required package: timeseries 8
9 Loading required package: fbasics Attaching package: 'fbasics' The following object is masked from 'package:astsa': nyse fit=garchfit(~arma(1,0)+garch(1,0), z, trace=false) summary(fit) Title: GARCH Modelling Call: garchfit(formula = ~arma(1, 0) + garch(1, 0), data = z, trace = FALSE) Mean and Variance Equation: data ~ arma(1, 0) + garch(1, 0) <environment: 0x edcba0> [data = z] Conditional Distribution: norm Coefficient(s): mu ar1 omega alpha Std. Errors: based on Hessian Error Analysis: Estimate Std. Error t value Pr(> t ) mu 5.278e e e-09 *** ar e e e-06 *** omega 7.331e e e-16 *** alpha e e * --- Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Log Likelihood: normalized: Description: Sun Oct 21 20:23: by user: Phoebe Standardised Residuals Tests: Statistic p-value Jarque-Bera Test R Chi^ Shapiro-Wilk Test R W Ljung-Box Test R Q(10) Ljung-Box Test R Q(15)
10 Ljung-Box Test R Q(20) Ljung-Box Test R^2 Q(10) Ljung-Box Test R^2 Q(15) Ljung-Box Test R^2 Q(20) LM Arch Test R TR^ Information Criterion Statistics: AIC BIC SIC HQIC Obtemos os coeficientes estimados como: coef(fit) mu ar1 omega alpha Os valores de p dados são bilaterais e devem ser divididos por dois quando consideramos os parâmetros do modelo ARCH. Neste exemplo, obtivemos (0, 005; 0, 367) para o componente AR(1) (os valores anteriormente estimados foram (0, 008; 0, 347)). Os parâmetros para o modelo ARCH(1) são ˆα 0 = (chamado de omega) para a constante e ˆα 1 = 0, 194, que é significativo com valor-p de aproximadamente 0,02. 10
Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisAula 03/09/2018 José Luiz Padilha 03 de setembro de 2018
Aula 03/09/2018 José Luiz Padilha 03 de setembro de 2018 Construção de modelos ARIMA Há alguns passos básicos para ajustarmos modelos ARIMA aos dados de séries temporais. Estes passos envolvem: plotar
Leia maisAntes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
Econometria Avançada - 015-1 SOLUÇÃO Terceira lista de exercícios Problema 1. Seja r t os retornos (ou log-retornos) diários de um ativo financeiros (por exemplo, S&P500 ou Petrobrás ON) tal que r t =
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisMestrado em Análise de Dados e Sistemas de Apoio à Decisão. Disciplina: Extracção e conhecimento de dados I. Trabalho nº4: Séries Temporais
Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Disciplina: Extracção e conhecimento de dados I Trabalho nº4: Séries Temporais Data: 6 de Fevereiro de 005 Aluno: Elisabeth Silva Fernandes Nº
Leia maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisAnálise de Séries Temporais Financeiras
Universidade Federal do Rio de Janeiro Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso 2015 Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso Projeto Final de Conclusão de Curso
Leia maisModelando a Variância
Capítulo 6 Modelando a Variância 6.1 Introdução Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, i.e. V ar(ɛ t ) = E(ɛ 2 t ) = σɛ 2. Muitas séries temporais no
Leia mais= p(x 1 )p(x 2 x 1 )p(x n,..., x 3 x 2, x 1 ). = p(x 1 ) t=2. Em particular para um modelo ARMA(p, q), denotando o vetor de parâmetros. t=p+1.
Capítulo 4 Estimação No capítulo anterior foram estudados modelos probabilísticos que podem ser utilizados para descrever dados de séries temporais. Neste capítulo será discutido o problema de ajustar
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisIntrodução a Modelos ARCH
Introdução a Modelos ARCH Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 A volatilidade de uma série não é constante ao longo do tempo; períodos de volatilidade
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisMonitoria Econometria Avançada Lista 2
Monitoria Econometria Avançada Lista 2 Professor: Hedibert Lopes Primeiramente, vamos plotar os gráficos das séries, rodando a primeira parte do programa macro-arima.r disponível no site do professor,
Leia maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia maisPrevisão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis
Previsão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis Gabriel Tambarussi Avancini 1 Thiago Viana Flor de Santana 1 Vitor Augusto Ozaki 1 Djair
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Tópicos Tópicos Séries
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisBIE5782. Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES
BIE5782 Unidade 7: INTRODUÇÃO AOS MODELOS LINEARES ROTEIRO 1.Motivação 2. Método dos mínimos quadrados 3. Ajuste no R: função lm 4. Resultado no R: objeto lm 5. Premissas, interpretação e diagnóstico 6.
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisModelos Heterocedásticos ARCH e GARCH
Modelos Heterocedásticos ARCH e GARCH Por Ana Margarida Queirós Sepúlveda Furriel Tese de Mestrado em Métodos Quantitativos para Economia e Gestão Orientada por: Prof. Dr. Paulo Teles 011 NOTA BIOGRÁFICA
Leia maisESTIMAÇÃO DE VOLATILIDADE UTILIZANDO MODELOS GAS E GARCH DESIREÉ DE BÖER VELHO
ESTIMAÇÃO DE VOLATILIDADE UTILIZANDO MODELOS GAS E GARCH DESIREÉ DE BÖER VELHO PORTO ALEGRE 2018 DESIREÉ DE BÖER VELHO Estimação de volatilidade utilizando modelos GAS e GARCH Trabalho de Conclusão de
Leia maisAnálise de Resíduos. investiga características que comprometem a validade do MRLS:
Análise de Resíduos investiga características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
Leia maisAnálise de Resíduos. investigar características que comprometem a validade do MRLS:
Análise de Resíduos investigar características que comprometem a validade do MRLS: (1) relação entre X e Y não é linear (2) erros não tem variância constante (3) erros correlacionados (4) erros não são
Leia maisUM ESTUDO DA VOLATILIDADE DOS RETORNOS DA AÇÃO DA INTEL CORPORATION ENTRE JANEIRO DE 1973 E AGOSTO DE 2013 USANDO MODELAGEM GARCH
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA Débora Morales UM ESTUDO DA VOLATILIDADE DOS RETORNOS DA AÇÃO DA INTEL CORPORATION ENTRE JANEIRO
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 23 de outubro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 23 de outubro de 2018 Exemplo 1: resposta binária com intercepto aleatório normal Considere uma coorte de 275 crianças pré-escolares indonésias
Leia maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisPode-se definir Value at Risk[28], VaR, como a perda máxima (ou pior perda) num determinado período de tempo a um nível de confiança
4 Aplicações 4.1 Introdução A idéia deste capítulo é explicitar a metodologia utilizada para a avaliação dos modelos SV frente ao modelo GARCH(1,1 ). Para tal, apresenta-se a definição de Value at Risk,
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisEstimação e Modelagem de Volatilidade - Eduardo Ribeiro 1
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos. Volatilidade pode ser entendido como o risco de um ativo (retorno incerto). Volatilidade é chave para precificar opções e calcular
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 8
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 8 Armando Manuel 09/29/2017 A PREVISÃO Armando Manuel 09/29/2017 11 1. A metodologia Box-Jenkins é um processo que se inicia com a analise
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisAula 7 Métodos Quantitativos Avançados
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Programa de Pós-Graduação em Controladoria e Contabilidade Aula 7 Métodos Quantitativos Avançados Autor:
Leia maisAnálise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido
Análise estatística do coeficiente de escoamento superficial (C) em bacia hidrográfica do ambiente semiárido Manoel Rivelino Gomes de Oliveira 1 José Ramon Barros Cantalice 2 1 Introdução O mundo vem enfrentando
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
Leia maisAnálise estatística da série temporal de precipitação do município de São João do Cariri-PB
Análise estatística da série temporal de precipitação do município de São João do Cariri-PB Manoel Rivelino Gomes de Oliveira 1 Moacyr Cunha Filho 2 Ewerton Pereira de Oliveira 3 Maria Das Vitórias Alexandre
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisModelos de Volatilidade Estatística. Danilo Kenji Ishizawa
Modelos de Volatilidade Estatística Danilo Kenji Ishizawa Universidade Federal de São Carlos Centro de Ciências Exatas e de Tecnologia Programa de Pós-Graduação em Estatística Departamento de Estatística
Leia maisUma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro 1 Introdução Everton Batista da Rocha 1 2 Marcelo Lopes Moraes 3 Marcos Aurelio Rodrigues 3 O real
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisFatos estilizados e volatilidade de retorno do petróleo WTI
Fatos estilizados e volatilidade de retorno do petróleo WTI Bruno Marangoni Costa (PUC-Rio) brunomcosta@yahoo.com Fernando Antônio Lucena Aiube (PUC-Rio) aiube@ind.puc-rio.br Tara Keshar Nanda Baídya (PUC-Rio)
Leia maisModelos de Análise de Variância
Modelos de Análise de Variância Delineamento Completamente Aleatorizado: k tratamentos, r réplicas (balanceado) yi iid ~ N ; i i Normalidade Variância constante ( homocedasticidade ) Independência Análise
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisTeste F-parcial 1 / 16
Teste F-parcial Ingredientes A hipótese nula, H 0, define o modelo restrito. A hipótese alternativa, H a : H 0 é falsa, define o modelo irrestrito. SQR r : soma de quadrado dos resíduos associada à estimação
Leia maisTeste F-parcial 1 / 16
Teste F-parcial A hipótese nula, H 0, define o modelo restrito. Ingredientes SQR r : soma de quadrado dos resíduos sob H 0. R 2 r: coeficiente de determinação sob H 0. g: número de restrições a serem testadas
Leia maisESTUDO DO COMPORTAMENTO DA VOLATILIDADE DOS ÍNDICES DO SETOR IMOBILIÁRIO DO BRASIL E EUA NO PERÍODO
Universidade Federal de Minas Gerais Instituto de Ciências Exatas - ICEx Departamento de Estatística Tatiane Pires de Queiroz ESTUDO DO COMPORTAMENTO DA VOLATILIDADE DOS ÍNDICES DO SETOR IMOBILIÁRIO DO
Leia maisPlanejamento de Experimentos Suposições do Modelo e Comparações Múltiplas
1 / 30 Planejamento de Experimentos Suposições do Modelo e Comparações Múltiplas Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 30 Exemplo típico: Resistência de uma nova fibra sintética
Leia maisSegundo Trabalho de Econometria 2009
Segundo Trabalho de Econometria 2009 1.. Estimando o modelo por Mínimos Quadrados obtemos: Date: 06/03/09 Time: 14:35 Sample: 1995Q1 2008Q4 Included observations: 56 C 0.781089 0.799772 0.97664 0.3332
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisNome: Turma: Processo
Instituto Superior de Economia e Gestão Universidade de Lisboa Econometria Época Normal 02/06/2016 Duração: 2 horas Nome: Turma: Processo Espaço reservado para classificações A utilização do telemóvel
Leia maisMODELO ARIMA COM O PACOTE FORECAST
MODELO ARIMA COM O PACOTE FORECAST 1. INTRODUÇÃO Neste documento iremos mostrar como trabalhar o modelo ARIMA utilizando um pacote do R, (forecast) que permite a escolha de um modelo de forma automática.
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Licenciatura em Economia E C O N O M E T R I A II (LEC310) NOTAS PRÉVIAS: Exame Final Época Normal 9 de Junho de 2006 1. A primeira parte da prova tem duração de 75 minutos
Leia maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisO método dos mínimos quadrados: análise de regressão
O métodos dos mínimos quadrados é um método famoso para lidar com dados ruidosos. Sua justificativa segue diretamente do método da máxima verossimilhança. Para Y i dados medidos en valores das variável
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisExame de Recorrência de Métodos Estatísticos. Departamento de Matemática Universidade de Aveiro
Exame de Recorrência de Métodos Estatísticos Departamento de Matemática Universidade de Aveiro Data: 6/6/6 Duração: 3 horas Nome: N.º: Curso: Regime: Declaro que desisto Classificação: As cotações deste
Leia maisb) Teste a hipótese de efeito significante do tamanho da população sobre a venda do produto, na presença de renda per capita
Exemplo 1 (continuação a Estime por intervalo de 95% de confiança, o aumento do número médio de lotes vendidos devido a 1000 pessoas a mais na população, mantendo a renda per capita fixa b Teste a hipótese
Leia maisMAE325 Análise de Séries Temporais. Aula 3
MAE325 Análise de Séries Temporais Aula 3 1 Transformações Problema 1: em muitas situações de interesse, a distribuição da amostra é assimétrica e pode conter valores atípicos a suposição de normalidade
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 7
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 7 Armando Manuel 09/29/2017 10. ECONOMETRIA DAS SERIES TEMPORAIS a) Processos Estocásticos b) A Cointegração c) A Previsão 1. Modelo Box
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisEnsaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018
Ensaio Clínico de Contraceptivos José Luiz Padilha da Silva 24 de outubro de 2018 Exemplo: Ensaio Clínico de Contraceptivos Introdução Este exemplo é de um estudo longitudinal de uso de contraceptivos
Leia mais5 Resultados. 5.1 Descrição dos Dados
5 Resultados 5. Descrição dos Dados A partir do modelo proposto pretende-se desenvolver uma metodologia de estimação conjunta de vento e vazão, que auxilie o setor elétrico a considerar o despacho das
Leia maisModelos Lineares Generalizados
unificação metodológica Alexandre Adalardo de Oliveira PlanECO 2017 1 of 43 03/29/2017 11:47 AM Conceitos estrutura do erro preditora linear função de ligação 2 of 43 03/29/2017 11:47 AM Função de ligação
Leia mais7 Análise dos Dados e Cálculos
71 7 Análise dos Dados e Cálculos 7.1 Validade dos Processos Estocásticos 7.1.1 Teste de Dickey-Fuller De início, para verificar a rejeição de hipótese de que as séries seguem um MGB foi realizado um teste
Leia maisTabela 1 - Teste de Dickey-Fuller para série log-preço futuro. Teste ADF 0, ,61% Tabela 2 - Teste de Dickey-Fuller para série log-preço à vista
32 5. Resultados 5.1. Séries Log-preço Para verificar se as séries logaritmo neperiano dos preços (log-preço) à vista e futuro e as séries logaritmo neperiano dos retornos (log-retorno) à vista e futuro
Leia maisTestes de raiz unitária
Testes de raiz unitária Avaliando estacionariedade em séries temporais financeiras Wilson Freitas Quant Developer Recursos index.rmd 2/20 Testes de Raiz Unitária Definição do teste de raiz unitária Existem
Leia maisIdentificação de modelos de séries temporais heterocedásticos
Identificação de modelos de séries temporais heterocedásticos Christopher Silva de Pádua 1 Juliana Garcia Cespedes 2 1 Introdução Quando se trata de investimentos em mercado de ações é de interesse do
Leia maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
Leia maisIntrodução aos Modelos Lineares em Ecologia
Introdução aos Modelos Lineares em Ecologia Prof. Adriano Sanches Melo - Dep. Ecologia UFG asm.adrimelo no gmail.com Página do curso: www.ecologia.ufrgs.br/~adrimelo/lm/ Livro-texto: Crawley, M.J. 2005.
Leia maisPrecificação de apartamentos para o bairro Água Verde em Curitiba
Precificação de apartamentos para o bairro Água Verde em Curitiba Chuck Norris Arnold Schwarzenegger 18 de julho de 2013 O preço de imóveis depende principalmente do seu tamanho e localização. A infraestrutura
Leia maisAula 01/10/2018 José Luiz Padilha 01 de outubro de 2018
Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018 Previsão Uma das formas de utilização de um modelo ajustado é para fazer previsões de valores futuros. Assim, se t é o período corrente estamos interessados
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia maisTrabalho de Modelos Lineares Generalizados
Universidade Federal do Paraná Trabalho de Modelos Lineares Generalizados Ananda Bordignon 1, Brendha Lima 2, Giovanna Lazzarin 3 12 de Novembro de 2018 1 GRR20149157 2 GRR20149163 3 GRR20149088 1 SUMÁRIO
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia maisMétodos Estatísticos Avançados em Epidemiologia
1 / 44 Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Referência: Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 44
Leia mais